Using Computer Vision and Deep Learning for Nanoparticle Recognition on Scanning Probe Microscopy Images: Modified U-net Approach

Mikhail F. Liz, Anna V. Nartova, Andrey V. Matveev, Aleksey G. Okunev

Результат исследования: Публикации в книгах, отчётах, сборниках, трудах конференцийстатья в сборнике материалов конференциинаучнаярецензирование

Аннотация

Particles characterization is a significant part of numerous studies in material sciences and engineering technologies. Microscopy images of materials containing particles are usually analyzed by operator with manual counting and measuring of particle sizing by a software ruler. Traditional automated image analyzing methods such as edge detection, segmentation, etc. are not universal, giving poor results on noisy pictures and need empirical fitted parameters. To realize automatic method of particles recognition on scanning tunneling microscopy (STM) data we used U-net and modified U-net neural networks, which was trained on ten STM images contained 1918 particles. Verification on 3 pictures with 695 particles showed mAP=0.12 for modified U-net neural network.

Язык оригиналаанглийский
Название основной публикацииProceedings - 2020 Science and Artificial Intelligence Conference, S.A.I.ence 2020
ИздательInstitute of Electrical and Electronics Engineers Inc.
Страницы13-16
Число страниц4
ISBN (электронное издание)9780738131115
DOI
СостояниеОпубликовано - 14 ноя 2020
Событие2020 Science and Artificial Intelligence Conference, S.A.I.ence 2020 - Virtual, Novosibirsk, Российская Федерация
Продолжительность: 14 ноя 202015 ноя 2020

Серия публикаций

НазваниеProceedings - 2020 Science and Artificial Intelligence Conference, S.A.I.ence 2020

Конференция

Конференция2020 Science and Artificial Intelligence Conference, S.A.I.ence 2020
СтранаРоссийская Федерация
ГородVirtual, Novosibirsk
Период14.11.202015.11.2020

Fingerprint Подробные сведения о темах исследования «Using Computer Vision and Deep Learning for Nanoparticle Recognition on Scanning Probe Microscopy Images: Modified U-net Approach». Вместе они формируют уникальный семантический отпечаток (fingerprint).

Цитировать