重磅：一種新方法！有望實現EBSD花樣實時標定

導讀：EBSD花樣的快速準確標定是一個具有挑戰性的問題。本文提出了一種新的卷積神經網絡（EBSD-CNN），以實現EBSD花樣的實時標定。文章採用模擬和實驗數據評估了標定的準確性，速度和魯棒性，並與其他標定方法進行了比較。結果表明，CNN能夠以相對較高的準確性和速度替代商業軟體的霍夫變換標定。文章還通過可視化深入探析了這一方法。

在過去的近三十年中，掃描電子顯微鏡（SEM）中的電子背散射衍射（EBSD）已成為研究材料晶粒取向和織構最常用的微結構表徵技術之一。在此領域中，高速檢測器（相對較低的顯微鏡加速電壓）的開發、圖案解析度的改進，自動標定方法、甚至是3D 表徵方面已經取得了長足進步。商業軟體中的自動化標定包括兩個步驟：首先，通過霍夫變換確定所有菊池帶的位置；第二，基於（已知）晶體結構進行角度計算並查表比較，最終確定晶粒取向。儘管霍夫變換方法與快速靈敏的檢測器相結合，能夠實現每秒數千個圖案的高效、準確標定，但是眾所周知，標定能力會隨著圖案質量的下降而迅速衰減。對於變形的材料或弱散射的晶體結構，這種情況尤為嚴重。

來自卡內基梅隆大學Z. Ding，E. Pascal，M. De Graef等人的最新研究提出了一個新的EBSD卷積神經網絡（EBSD-CNN，convolutional neural network），解決了CNN在用於這一領域時存在的一些問題，其最終目標是實現實時準確的EBSD花樣標定。相關論文以題為「Indexing of electron back-scatter diffraction patterns using a convolutional neural network」發表在金屬材料領域頂尖期刊Acta Materialia上。

論文連結：

https://doi.org/10.1016/j.actamat.2020.08.046

基於霍夫變換的標定（HI）技術僅使用了EBSD花樣中包含的一部分信息，而dictionary indexing approach（DI）和spherical indexing algorithm（SI）已經清楚地表明，可以通過考慮完整的衍射圖樣而不僅僅是菊池帶的位置來進行改進。

深度學習模型利用多層結構來處理和提取各種來源的特徵，包括文本，語音和模式等，在各個領域產生了深刻影響。其中，卷積神經網絡或CNN，已在視覺任務處理中取得了廣泛的成功，在圖像分類問題中尤為有效。在深度學習興起的過程中，除了GPU的利用和更大的訓練數據集之外，網絡體系結構和功能多樣性也逐漸豐富。在材料科學中，越來越多的CNN實際應用正在湧現。神經網絡在EBSD花樣上的應用可以追溯到2003年，當時Schwarzer和Sukkau使用完全連接的層來驗證檢測到的菊池帶。最近，在使用EBSD花樣作為輸入的情況下，可以使用CNN方法預測更多的材料性能。

在這一研究中，提出了一個新的EBSD卷積神經網絡（EBSD-CNN），該網絡的特點包括：

1．基於Google X ception的深度結構提取特徵；

2．引入Residual Blocks以解決梯度消失問題；

3．使用2D可分離卷積來減小模型大小；

4．EBSD花樣預處理；

5．使用Unit Quaternions進行方向預測；

6．使用取向差角作為Loss Function。

EBSD-CNN的架構

文章還對訓練後的EBSD-CNN進行了標定精度、抗噪能力的分析。主要結果如下列各圖所示。結論是：EBSD-CNN與其他方法的標定結果差異在可接受的範圍內。使用具有更大自由度的結構和更好的訓練集，應該可以實現更高的精度。

總的來說，EBSD-CNN達到了合理的標定準確性。CNN不同層和中間輸出的可視化結果表明，卷積層可以正確地從EBSD花樣中提取特徵。與其他公認的標定方法相比，這一模型並未顯示出對噪聲的強大魯棒性。在數據集中包含泊松噪聲可能會解決此問題。有了強大的、可負擔的計算平臺，標定速度能夠滿足足夠快實時標定需求。（文：嶽夏。）

利用幾種不同的方法對實驗獲得的花樣進行標定

幾種方法之間的精度比較

幾種方法之間的抗噪聲能力比較

本文來自微信公眾號「材料科學與工程」。歡迎轉載請聯繫，未經許可謝絕轉載至其他網站。