深度学习用于复杂陶瓷材料电子显微镜图像的三维分割

摘要 微观结构是影响陶瓷材料功能的重要因素。同时，多晶陶瓷的电子显微镜图像的微观结构分析通常由人类专家手动进行，这些陶瓷在几何上复杂，由无数晶粒、孔隙和次相组成。精确的基于像素的分析（语义分割）是量化微观结构的一个简单但关键的步骤。在本研究中，我们应用基于神经网络的语义分割技术，对通过三维（3D）成像获得的多晶陶瓷的二次电子图像进行处理。基于深度学习的模型（如全卷积网络和U-Net）采用基于聚焦离子束的3D扫描电子显微镜数据库，发现能够在某些情况下识别出多晶材料特有的缺陷结构，这是由于电子显微镜成像中的伪影。由于训练图像具有更好的深度精度，准确性评估函数——交并比（IoU）值，达到94.6%，U-Net的表现尤为突出。这些IoU值在复杂陶瓷中属于较高水平，3D相的空间分布在2D图像中难以定位。此外，我们利用所学模型成功重建了一个由千亿级体素数据组成的3D微观结构，耗时仅几分钟。单个体素的分辨率为20纳米，高于典型X射线计算机断层扫描获得的分辨率。这些结果表明，利用学习深度信息的数据集的深度学习在量化多晶陶瓷材料的3D微观结构中至关重要。此外，开发改进的分割模型和数据集将为数据同化到原位分析和实验获得的微观结构的数值模拟提供基础，并有助于工艺信息学的应用。