SEM/TEM画像のナノ粒子形態の自動分析のための深い学習ベースのフレームワーク

走査型電子顕微鏡（SEM）および透過型電子顕微鏡（TEM）は、ナノ材料の形態を特徴付けるための重要なツールです。SEM/TEM画像のナノ材料形態の自動分析は、ナノマテリアル科学に関する研究の加速において重要な役割を果たします。ただし、さまざまな複雑なSEM/TEM画像におけるナノマテリアル形態のハイスループット自動化されたオンライン統計分析を実現することは、依然として困難な作業です。この論文では、複雑なSEM/TEM画像のナノ粒子形態の高速かつ正確なオンライン統計分析を実行するための深い学習に基づく普遍的なフレームワークを提案します。提案されたフレームワークは、強力な軽量学習ネットワーク（NSNET）、ナノ粒子形状抽出、および統計分析を使用したナノ粒子セグメンテーションである3つの段階で構成されています。実験結果は、提案されたフレームワークのNSNETが86.2％の精度を達成し、埋め込みプロセッサで毎秒11 SEM/TEM画像を処理できることを示しています。他のセマンティックセグメンテーションモデルと比較して、NSNETは、提案されたフレームワークが、高いバックグラウンド干渉、非常に小さなナノ粒子、密なナノ粒子を備えたSEM/TEM画像でも正確かつ高速なセグメンテーションを達成することを保証するための最適な選択です。一方、提案されたフレームワークで得られたナノ粒子の等価直径とブラシケ形状係数は17.14±5.9および0.18±0.04であり、これは手動統計分析のものとよく一致しています。要するに、提案されたフレームワークは、ナノ材料形態のための自動およびインテリジェントな分析技術の開発を推進する上で有望な未来を持っています。

Scanning electron microscopy (SEM) and transmission electron microscopy (TEM) are important tools for characterizing nanomaterial morphology. Automatic analysis of the nanomaterial morphology in SEM/TEM images plays a crucial role in accelerating research on nanomaterials science. However, achieving a high-throughput automated online statistical analysis of the nanomaterial morphology in various complex SEM/TEM images is still a challenging task. In this paper, we propose a universal framework based on deep learning to perform a fast and accurate online statistical analysis of the nanoparticle morphology in complex SEM/TEM images. The proposed framework consists of three stages that are nanoparticle segmentation using a powerful light-weight deep learning network (NSNet), nanoparticle shape extraction, and statistical analysis. The experimental results show that NSNet in the proposed framework has achieved an accuracy of 86.2% and can process 11 SEM/TEM images per second on an embedded processor. Compared with other semantic segmentation models, NSNet is an optimal choice to ensure that the proposed framework still achieves accurate and fast segmentation even in SEM/TEM images with high background interference, extremely small nanoparticles and dense nanoparticles. Meanwhile, the equivalent diameter and Blaschke shape coefficient of the nanoparticle obtained by the proposed framework are 17.14 ± 5.9 and 0.18 ± 0.04, which are well consistent with those of manual statistical analysis. In short, the proposed framework has a promising future in driving the development of automatic and intelligent analysis technology for nanomaterial morphology.