获取纳米颗粒定量化形貌信息，是科学家研究纳米颗粒材料性能的重要科研途径，对于推动纳米颗粒材料创新十分重要。扫描电子显微镜（SEM）和透射电子显微镜（TEM）是表征纳米颗粒材料形貌的重要工具。然而，扫描电子显微镜和透射电子显微镜产生的图像，会因为较大的背景干扰和庞大的纳米颗粒数量，使获取纳米颗粒材料形貌信息变得困难。如何在海量而复杂的图像中实时准确地自动获取纳米颗粒定量化形貌信息成为挑战。
　　针对这一问题，中国科学院沈阳自动化研究所数字工厂研究室王卓课题组提出了一种基于深度学习的通用框架，用于对前述两种电子显微镜所产生图像中的纳米颗粒形貌进行快速、准确地在线统计分析. 该项研究近期获国际学术期刊Nanoscale （影响因子8.307）封面（Outside Front Cover）刊载，文章题目是A deep learning-based framework for automatic analysis of nanoparticle morphology in SEM/TEM images。

Nanoscale封面（Outside Front Cover）
　　该通用框架主要包括纳米颗粒分割模块、纳米颗粒形状提取模块和纳米颗粒形貌统计分析模块三个重要组成部分。其中，在纳米颗粒分割模块的设计中，研究人员将轻量化空洞空间池化金字塔模块、双注意力机制和改进的多尺度渐进融合解码器相融合，能够对纳米颗粒形貌特征进行多尺度多维度的快速捕获和融合，提高该通用框架的实时性和准确性。
　
纳米颗粒分割模块结构示意图
　　试验结果表明，研究人员提出的模型在数据集上测试达到86.2%的准确率，并且将模型部署在嵌入式处理器上处理速度可达11FPS，可以满足电镜端的实时处理需求。（数字工厂研究室）

---

附件下载：