基于深度学习的原位电镜图像纳米颗粒识别与追踪

原位电镜能够观察纳米材料在反应气氛条件下的动态化学反应过程,但是随之而来的是得到海量电镜视频数据后,如何从整个反应过程的视频数据中挖掘出纳米颗粒随时间变化的信息(尺寸、位置等)是至关重要的。基于准确提取纳米颗粒数据信息的目的,文中采用了一种基于深度学习的实例分割与追踪算法来完成原位电镜视频数据的纳米颗粒识别与追踪,实例分割网络采用MASK-RCNN,追踪算法基于开源Trackpy软件包,通过开发纳米颗粒识别与追踪图形用户界面,便于纳米材料领域科研人员使用和进行有用信息统计,为深度学习在原位电镜图像分析中的应用提供了可行性。

基于深度学习的TEM纳米材料图像识别与粒径统计

对于催化材料,纳米颗粒的大小和形状等结构信息对催化性能有着重要的影响,基于透射电子显微镜图像的纳米颗粒识别与统计是获取这些信息的主要手段。本文提出一种基于深度学习的深度可分离卷积U-Net网络架构,以核壳结构纳米材料为数据集,采用交叉熵损失函数、加权交叉熵损失函数、IoU损失函数和Dice损失函数作为优化目标,分别对网络进行训练。分割结果表明IoU损失函数和Dice损失函数在正负样本不均衡的核壳结构纳米颗粒数据集中性能较好。最后利用训练好的网络,对TEM图像分割且进行统计,获取粒径及周长分布等结构信息,为深度学习在催化材料领域的应用提供可行性。