中科院沈陽自動化所在科學智能領域研究取得進展

獲取納米顆粒定量化形貌信息，是科學家探討納米顆粒材料性能的重要科研途徑，對于推動納米顆粒材料創新頗為重要。掃描電子顯微鏡（SEM）和透射電子顯微鏡（TEM）是表征納米顆粒材料形貌的重要工具。然而，掃描電子顯微鏡和透射電子顯微鏡產生的圖像會因較大的背景干擾和龐大的納米顆粒數量，使獲取納米顆粒材料形貌信息變得困難。如何在海量而復雜的圖像中實時準確地自動獲取納米顆粒定量化形貌信息成為挑戰。

中國科學院沈陽自動化研究所數字工廠研究室王卓課題組提出了一種基于深度學習的通用框架，用于對前述兩種電子顯微鏡所產生圖像中的納米顆粒形貌進行快速、準確地在線統計分析。近日，相關研究成果以A deep learning-based framework for automatic analysis of nanoparticle morphology in SEM/TEM images為題，作為封面文章，發表在Nanoscale上。

該通用框架主要包括納米顆粒分割模塊、納米顆粒形狀提取模塊和納米顆粒形貌統計分析模塊三部分。其中，在納米顆粒分割模塊的設計中，研究人員將輕量化空洞空間池化金字塔模塊、雙注意力機制和改進的多尺度漸進融合解碼器相融合，可對納米顆粒形貌特征進行多尺度多維度的快速捕獲和融合，提高該通用框架的實時性和準確性。

試驗結果表明，科研人員提出的模型在數據集上測試達到86.2%的準確率，并將模型部署在嵌入式處理器上處理速度可達11FPS，可以滿足電鏡端的實時處理需求。

Nanoscale封面（Outside Front Cover）

納米顆粒分割模塊結構示意圖