Klarere og bedre fokuserede SEM-billeder

Med begyndelsen af ​​den 4. industrielle revolution, kunstig intelligens er for nylig blevet brugt i smartphone -kameraer, leverer funktioner såsom autofokusering, ansigtsgenkendelse, og 100x zoom, at dramatisk forbedre vores daglige liv. Det er også blevet anvendt til forskning og udvikling af nye materialer.

Et fælles forskerhold fra POSTECH og Korea Institute of Materials Science (KIMS) har anvendt dyb læring til scanning elektronmikroskopi (SEM)-systemet for at udvikle en teknik, der kan detektere og forbedre kvaliteten af ​​SEM-billeder uden menneskelig overvågning. EMS er et vigtigt udstyr til analyse af materialer, der bruges til udvikling af nye materialer. Resultaterne fra denne forskning blev for nylig offentliggjort i Acta Materialia , det mest autoritative tidsskrift inden for metalmaterialer.

SEM er en af ​​de mest avancerede typer materialeanalyseudstyr, der er afgørende for at undersøge sammenhængen mellem det mikrostrukturelle og fysiske, kemisk, og materialers mekaniske egenskaber ved at tilvejebringe deres mikrostrukturelle billeddata. Imidlertid, for at opnå høj kvalitet, klare SEM-billeder, operatøren skal være yderst kvalificeret til at manøvrere systemet med høj præcision – ellers, det kan føre til mikroskopibilleder i lav kvalitet. Kvaliteten af ​​disse billeder skal forbedres, fordi de direkte påvirker de efterfølgende materialeanalyseprocesser.

Til dette, det fælles forskerhold udviklede en deep learning-baseret refokuseringsmetode, der automatisk registrerer og forbedrer kvaliteten af ​​mikroskopibillederne. Denne teknologi er baseret på et dybt neuralt netværk i flere skalaer, og det demonstrerede, at billedkvaliteten kan forbedres på blinde indstillinger uden forudgående viden eller antagelser om sløringsgraden på niveauet for billedforringelse. Ud over, forskerne foreslog også en teknik til at træne netværket til at lære ikke kun hvordan, men også hvor man skal fokusere på uensartede defokuserede billeder, et skridt nærmere kommercialisering af AI-baseret materialeanalyseudstyr.

"Vi forventer, at omkostninger og tid til udvikling af nye materialer reduceres ved at automatisere SEM -billeddannelsesprocessen ved scanningselektronmikroskopi, som er meget brugt til forskning og udvikling af nye materialer, " bemærkede professor Seungchul Lee, der ledede undersøgelsen.