tỷ lệ cá cược phân đoạn ảnh FIB-SEM của vật liệu làm cực âm của pin lithium-ion

Hiệu suất, độ tin cậy và độ an toàn của pin lithium-ion đóng vai trò quan trọng trong nhiều ứng dụng công nghiệp và tiêu dùng Sử dụng thiết bị FIB-SEM, có thể thu được hình ảnh chi tiết có kích thước nano của các điện cực dương của pin Trong những hình ảnh này, vật liệu hoạt tính và chất kết dính có thể được phân biệt dễ dàng và có thể nghiên cứu thành phần hạt

Về bản chất, thiết bị FIB-SEM có những hạn chế Các hình ảnh cắt ngang của lát cắt hiển thị bề mặt lát cắt hiện tại, nhưng nếu các khoảng trống mẫu không được lấp đầy trước khi chụp ảnh, chúng cũng sẽ hiển thị các khu vực sâu bên trong các khoảng trống Làm đầy các khoảng trống trong mẫu là một quá trình tốn thời gian, có thể làm thay đổi cấu trúc của vật liệu nên thường bị bỏ qua

Mô phỏng số và phân tích hình học yêu cầu hình ảnh 3D chính xác của mẫu Vì vậy, cần sử dụng tỷ lệ cá cược phân đoạn để phân biệt chính xác các pha và gán chính xác chúng cho toàn bộ vùng từ nửa đầu đến nửa sau của hình ảnh cắt ngang nhiều lát Thêm vào thử thách này, nửa đầu của lát cắt thường bị ảnh hưởng bởi các tạo tác màn do chùm ion gây ra

Một vấn đề khác trong phân đoạn hình ảnh FIB-SEM xảy ra khi cắt các vật liệu có cường độ khác nhau bằng chùm ion Điều này được gây ra bởi cái gọi là tạo tác rèm

Các tỷ lệ cá cược phân đoạn cổ điển (ví dụ: tỷ lệ cá cược ngưỡng toàn cầu hoặc dựa trên lưu vực) gặp khó khăn khi phân đoạn chính xác loại hình ảnh này Các tỷ lệ cá cược phân đoạn dựa trên máy học mới là một cách nâng cao để giải quyết những vấn đề này và ở đây chúng tôi so sánh ba tỷ lệ cá cược phân đoạn

Những kết quả này có ý nghĩa gì đối với người dùng GeoDict?

Các tỷ lệ cá cược phân đoạn hiện đại mang lại nhiều lợi thế cho việc phân tích hình ảnh FIB-SEM Khi so sánh các tỷ lệ cá cược phân đoạn này, chúng tôi chỉ áp dụng các tỷ lệ cá cược xử lý hình ảnh có thể được thực hiện bởi những người không phải chuyên gia Điểm bất lợi đầu tiên của các tỷ lệ cá cược này là chúng yêu cầu ghi nhãn thủ công dữ liệu huấn luyện Bước này tốn thời gian và có thể gây ra lỗi của con người trong kết quả

1Trường hợp 1: Phân đoạn bằng Boosted Tree

Điều đầu tiên chúng tôi sẽ áp dụng là phân đoạn dựa trên Boosted Tree

tỷ lệ cá cược này rất giống với phân đoạn Weka có thể học ban đầu [1] Đối với mỗi pixel được gắn nhãn, một tập hợp các tính năng sẽ được tính toán và đưa vào bộ phân loại (trong trường hợp này là Cây tăng cường [2]) Sau khi huấn luyện bộ phân loại, nó có thể được áp dụng cho mọi điểm ảnh ba chiều trong quá trình quét để có được phân đoạn hoàn chỉnh

Để có được phân đoạn tốt, việc lựa chọn các tính năng được sử dụng là rất quan trọng Việc tìm kiếm các đặc điểm phù hợp cần có thời gian Mặc dù các tỷ lệ cá cược dựa trên Boosted Tree được huấn luyện nhanh hơn nhưng quy trình tổng thể lại ảnh hưởng đến thời gian cần thiết để tính toán các hình ảnh đặc trưng Nó không yêu cầu nhiều dữ liệu được gắn nhãn thủ công và không yêu cầu GPU

Trong trường hợp này, phân đoạn hoạt động tốt trong việc phân chia hạt tiền cảnh khỏi các khoảng trống và chất kết dính Tuy nhiên, việc phân chia chất kết dính vẫn chưa hoàn toàn thỏa đáng Ở một số vùng, các hạt nằm sâu bên trong các lỗ rỗng được dán nhãn là chất kết dính và một số chất kết dính được dán nhãn là các lỗ rỗng

Mô-đun được sử dụng:
■ Cơ sở GeoDict
■ NhậpGeo-Vol

2Trường hợp 2: Phân đoạn sử dụng 2D U-Net

tỷ lệ cá cược thứ hai là phân đoạn dựa trên học sâu bằng cách sử dụng 2D U-Net[3]

U-Net được ứng dụng rộng rãi trong phân đoạn ảnh Phần quan trọng nhất của phân đoạn sử dụng mạng lưới thần kinh sâu là tạo ra dữ liệu huấn luyện Chúng tôi đã chọn huấn luyện mạng bằng cách sử dụng dữ liệu được gắn nhãn thưa thớt Với tỷ lệ cá cược này, không cần phải gắn nhãn cho toàn bộ lát cắt và người dùng có thể tự do chọn vị trí gắn nhãn trong hình ảnh 3D

Đào tạo U-Net 2D mất nhiều thời gian hơn so với huấn luyện bộ phân loại Cây tăng cường và cần có GPU để thực hiện huấn luyện Kết quả của 2D U-Net cho các hạt lại rất tốt Ở một số vị trí, kết quả tốt hơn Boosted Tree Đặc biệt, U-Net cho kết quả tốt hơn ở những nơi có hiện tượng giả màn nghiêm trọng Đối với giai đoạn kết dính, kết quả cũng tốt hơn so với Boosted Tree, nhưng vẫn còn một số hiện vật Ở một số nơi, có sự gián đoạn giữa các lát Z được dán nhãn riêng lẻ

3Trường hợp 3: Phân đoạn sử dụng 3D U-Net

tỷ lệ cá cược thứ ba là phân đoạn dựa trên học sâu bằng cách sử dụng 3D U-Net[4]

U-Net được ứng dụng rộng rãi trong phân đoạn ảnh Phần quan trọng nhất của phân đoạn sử dụng mạng lưới thần kinh sâu là tạo ra dữ liệu huấn luyện Chúng tôi đã chọn huấn luyện mạng bằng cách sử dụng dữ liệu được gắn nhãn thưa thớt Với tỷ lệ cá cược này, không cần phải gắn nhãn cho toàn bộ lát cắt và người dùng có thể tự do chọn vị trí gắn nhãn trong hình ảnh 3D

Chúng tôi đã sử dụng dữ liệu đào tạo gần như giống với 2D U-Net và thêm nhãn vào các lát liên tiếp ở một số khu vực (thêm ít hơn 5% nhãn) để tận dụng lợi ích của 3D Thời gian huấn luyện trong điều kiện này gần như tương tự như trường hợp thứ hai

Các kết quả cho các hạt lại rất giống nhau, không có lợi thế rõ ràng Trong giai đoạn kết dính, 3D U-Net cho kết quả tốt hơn Do được đào tạo bằng 3D nên không có sự gián đoạn giữa các lát cắt