機械学習とディープラーニングに基づく結晶HRTEM画像の相分離と認識

Phase division and recognition of crystal HRTEM images based on machine learning and deep learning.

抄録

高分解能透過電子顕微鏡（HRTEM）画像は、材料の原子微細構造、転位パターン、欠陥、相特性に関する貴重な洞察を提供します。しかし、現在の結晶材料のHRTEM画像の解析と研究は、手間がかかり、主観的な誤差の影響を受けやすい手作業の専門知識に大きく依存しています。本研究では、機械学習とディープラーニングを組み合わせたアプローチを提案し、結晶HRTEM画像の同じ位相領域を自動的に分割する。画像全体をスライディングウィンドウで横断し、各ウィンドウにおける高速フーリエ変換（FFT）の振幅スペクトルを計算する。生成されたデータは4次元（4D）フォーマットに変換されます。この4次元データに対して主成分分析（PCA）を行い、特徴領域の数を推定する。次に非負行列分解（NMF）により、特徴領域の分布を表す係数行列と、FFTの大きさスペクトルに対応する特徴行列にデータを分解する。ディープラーニングに基づく位相認識により、各特徴領域の位相を識別することが可能になり、結晶のHRTEM画像における位相領域の自動セグメンテーションと認識が実現します。ジルコニウムおよび酸化物ナノ粒子HRTEM画像に対する実験により、提案手法が手動解析の一貫性を達成することが実証された。コードと補足資料はhttps://github.com/rememberBr/HRTEM2。

The High Resolution Transmission Electron Microscope (HRTEM) images provide valuable insights into the atomic microstructure, dislocation patterns, defects, and phase characteristics of materials. However, the current analysis and research of HRTEM images of crystal materials heavily rely on manual expertise, which is labor-intensive and susceptible to subjective errors. This study proposes a combined machine learning and deep learning approach to automatically partition the same phase regions in crystal HRTEM images. The entire image is traversed by a sliding window to compute the amplitude spectrum of the Fast Fourier Transform (FFT) in each window. The generated data is transformed into a 4-dimensional (4D) format. Principal component analysis (PCA) on this 4D data estimates the number of feature regions. Non-negative matrix factorization (NMF) then decomposes the data into a coefficient matrix representing feature region distribution, and a feature matrix corresponding to the FFT magnitude spectra. Phase recognition based on deep learning enables identifying the phase of each feature region, thereby achieving automatic segmentation and recognition of phase regions in HRTEM images of crystals. Experiments on zirconium and oxide nanoparticle HRTEM images demonstrate the proposed method achieve the consistency of manual analysis. Code and supplementary material are available at https://github.com/rememberBr/HRTEM2.