基於深度學習的微觀圖像分析方法的流程（北京郵電大學供圖）
用透射電子顯微鏡（TEM）、掃描電子電鏡(SEM)、掃描探針顯微鏡(SPM)先進儀器等獲取微觀圖像，幫助人們理解物質的結構，已成為材料研究界普遍使用的方法。如何讓微觀圖像開口說話，告訴人類它們所知道的秘密呢？
深度學習或許能回答這個問題。近日，北京郵電大學與中科院物理研究所的研究人員合作，綜述了近幾年深度學習在SEM、TEM及SPM結構表徵方面的應用，總結了深度學習在表徵圖像分析方向的機遇和挑戰，並對未來交叉領域研究進行了展望。相關研究成果已發表於Materials Today Nano。
「以往科研人員基於他們本人的知識，逐一分析圖像以獲得他們認為重要的信息，但隨著微觀圖像越來越多、解析度越來越高，圖像分析的難度和工作量越來越大。」該論文通訊作者、中科院物理研究所研究員蘇東說，「深度學習方法可以自動提取特徵並分析，正在被用於對大規模微觀圖像的處理。」
深度學習是一種以人工神經網絡為基礎架構，能夠對數據進行表徵學習的機器學習方法。不同於傳統的機器學習算法需要人為的特徵設計，深度學習可以實現自動的特徵提取，因而可以獲得更為有效的特徵表示。近年來，深度學習在計算機視覺、自然語言處理、醫學圖像處理等多個領域都開展了應用。
在圖像處理中，深度學習模型可以被用於目標分割、缺陷檢測和分類等問題。該論文第一作者、北京郵電大學博士研究生葛夢舒表示，材料學微觀圖像的分析和一般的圖像分析有所不同。微觀圖像中的信息不是表觀的，很多時候要進行深入分析處理，才可能理解其中的意義，如何讓深度學習實現這些是一個挑戰。
目前的研究中，深度學習可實現SEM圖像的自動歸類，甚至實現像素級的目標分割，還可以實現圖像解析度的增強。在STEM分析中，深度學習則被用於缺陷檢測和分類、原子識別、晶格類別識別等問題。對於SPM表徵技術，深度學習可以實現對針尖形狀的自動較正，對材料表面分子結構和旋轉角度的自動識別以及構效關係分析。
該論文另一通訊作者、北京郵電大學教授蘇菲認為，目前一些領域表現出極強的發展潛力，比如模型和算法在材料學圖像分析中的可擴展性、表徵任務的可擴展性等。「不可否認的是，研究中還存在不少挑戰，比如如何讓深度模型和損失函數更符合物理及化學理論，如何對數據進行合理標定進而優化算法的性能，如何將深度模型方法與實驗分析方法結合，把深度學習整合到實驗方法中等。」
相關論文信息：https://doi.org/10.1016/j.mtnano.2020.100087
作者：卜葉 來源：中國科學