.png){kind=icon}
返回
STEM diffraction pattern analysis with deep learning networks
.png){kind=icon}
OA
AI
DOI：10.1016/j.matdes.2025.115069.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 机器学习实现了快速、高分辨率的STEM取向映射。
• 在实验4D-SPED数据上训练的深度网络预测欧拉角。
• Swin Transformer取得了最高的精度和晶粒内一致性。
• 工作流程包括对机器学习模型进行系统的超参数优化。
• 该方法支持能源材料中可扩展的微观结构分析。
Keyword:
STEM
Artificial neural networks
Microstructure analysis
Grain orientation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
7.9
论文数:
1.9W
被引数:
9.8W
机构
引用论文
Suker, D.K., 2022. Deep learning cnn for the prediction of grain orientations on ebsd patterns of aa5083 alloy. Engineering, Technology & Applied Science Research 12, 8393–8401. https://etasr.com/index.php/ETASR/article/view/480710.48084/etasr.4807Suker, D.K., 2022. 使用深度学习CNN预测AA5083合金EBSD模式中的晶粒取向。工程、技术与应用科学研究 12, 8393–8401. https://etasr.com/index.php/ETASR/article/view/480710.48084/etasr.4807..png)
IF0
PREAI
分享收藏Comparison and analysis on the accurate measurement of spherical curvature radius球面曲率半径精确测量的比较与分析
PREAI
分享收藏Effect of a Two-Step Temperature-Swing Synthesis on Coarse-Grained LiNiO2 Secondary Particles Characterized by Scanning Transmission Electron Microscopy两步温度摆动合成对粗晶LiNiO2二次颗粒的影响，其特征由扫描透射电子显微镜表征
OAAI
OAAI分享收藏A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects卷积神经网络综述: 分析、应用与展望OAAI
OAAI分享收藏
查看更多内容