【儀表網(wǎng) 儀表研發(fā)】獲取納米顆粒定量化形貌信息，是科學家研究納米顆粒材料性能的重要科研途徑，對于推動納米顆粒材料創(chuàng)新十分重要。掃描電子顯微鏡(SEM)和透射電子顯微鏡(TEM)是表征納米顆粒材料形貌的重要工具。
 

　　然而，掃描電子顯微鏡和透射電子顯微鏡產(chǎn)生的圖像，會因為較大的背景干擾和龐大的納米顆粒數(shù)量，使獲取納米顆粒材料形貌信息變得困難。如何在海量而復雜的圖像中實時準確地自動獲取納米顆粒定量化形貌信息成為挑戰(zhàn)。
 

　　針對這一問題，中國科學院沈陽自動化研究所數(shù)字工廠研究室王卓課題組提出了一種基于深度學習的通用框架，用于對前述兩種電子顯微鏡所產(chǎn)生圖像中的納米顆粒形貌進行快速、準確地在線統(tǒng)計分析。 該項研究近期獲國際學術期刊Nanoscale (影響因子8.307)封面(Outside Front Cover)刊載，文章題目是A deep learning-based framework for automatic analysis of nanoparticle morphology in SEM/TEM images。
 

納米顆粒分割模塊結構示意圖
 

　　該通用框架主要包括納米顆粒分割模塊、納米顆粒形狀提取模塊和納米顆粒形貌統(tǒng)計分析模塊三個重要組成部分。其中，在納米顆粒分割模塊的設計中，研究人員將輕量化空洞空間池化金字塔模塊、雙注意力機制和改進的多尺度漸進融合解碼器相融合，能夠對納米顆粒形貌特征進行多尺度多維度的快速捕獲和融合，提高該通用框架的實時性和準確性。
 

　　試驗結果表明，研究人員提出的模型在數(shù)據(jù)集上測試達到86.2%的準確率，并且將模型部署在嵌入式處理器上處理速度可達11FPS，可以滿足電鏡端的實時處理需求。(數(shù)字工廠研究室)