[论文解读] Automated Classification of Helium Ingress in Irradiated X-750

Christopher M. Anderson, Jacob Klein+3 more|arXiv (Cornell University)|Dec 9, 2019

Nuclear Physics and Applications参考文献 19被引用 5

一句话总结

本文提出了一种基于Faster R-CNN深度学习模型的自动化方法，用于检测中子辐照后Inconel X-750的透射电镜（TEM）图像中的氦气泡。该方法实现了93%的准确率，处理速度比人工分析快四个数量级，实现了在不同放大倍数和Fresnel对比度条件下的高通量、可重复的纳米级氦气泡群体定量分析。

ABSTRACT

Imaging nanoscale features using transmission electron microscopy is key to predicting and assessing the mechanical behavior of structural materials in nuclear reactors. Analyzing these micrographs is often a tedious and labour intensive manual process. It is a prime candidate for automation. Here, a region-based convolutional neural network is adapted to detect helium bubbles in micrographs of neutron-irradiated Inconel X-750 reactor spacer springs. We demonstrate that this neural network produces analyses of similar accuracy and reproducibility to that produced by humans. Further, we show this method as being four orders of magnitude faster than manual analysis allowing for generation of significant quantities of data. The proposed method can be used with micrographs of different Fresnel contrasts and magnification levels.

研究动机与目标

• 解决在辐照X-750合金的TEM显微照片中进行人工氦气泡定量分析耗时、易出错且不一致的问题。
• 开发一种基于深度学习的自动化方法，实现与人类在识别噪声大、对比度低的TEM图像中氦气泡时相当的准确率。
• 通过将每张图像的处理时间从数小时缩短至数秒，实现对大规模显微照片数据集的高通量分析。
• 确保在不同成像条件下（包括不同放大倍数和Fresnel对比度水平）的鲁棒性。
• 为量化核反应堆材料中氦致微结构损伤提供一个可扩展、可重复的框架。

提出的方法

• 将区域为基础的卷积神经网络Faster R-CNN适配于中子辐照X-750 TEM显微照片中的目标检测任务。
• 通过图像归一化和对比度增强对显微照片进行预处理，以提升网络对特征的可见性。
• 使用在不同放大倍数和Fresnel对比度设置下人工标注的氦气泡自定义数据集对模型进行训练。
• 通过优化超参数（包括基础初始学习率为0.0003、小批量大小为6、训练周期数为20,000）以提高收敛性和检测准确率。
• 采用迁移学习，使用预训练的ImageNet主干网络，以加速训练并提升在有限数据上的泛化能力。
• 应用后处理步骤以优化预测结果，实现仅需极少人工干预的训练集迭代改进。

实验结果

研究问题

• RQ1 预训练的Faster R-CNN模型是否能在噪声大、对比度低的辐照X-750 TEM显微照片中实现与人类相当的氦气泡检测准确率？
• RQ2 与人工分析相比，深度学习在多大程度上能减少氦气泡定量分析所需的时间？
• RQ3 该自动化检测方法在不同放大倍数和成像条件下的表现是否具有一致性和可重复性？
• RQ4 当训练数据具有代表性时，该模型是否能泛化到具有不同程度对焦、噪声和FIB损伤伪影的显微照片？
• RQ5 数据质量和预处理对模型区分真实氦气泡与成像伪影的能力有何影响？

主要发现

• Faster R-CNN模型在高倍率TEM显微照片中检测氦气泡的准确率达到93%，与专家人类分析师的性能相当。
• 该自动化方法每张显微照片的处理时间仅需数秒，相比人工分析（每张图像耗时数小时）实现了四个数量级的速度提升。
• 只要推理阶段的成像条件与训练阶段一致，该模型在不同放大倍数和Fresnel对比度条件下均表现出良好的鲁棒性。
• 对模型输出进行人工后处理所需时间远少于完整的人工标注，从而实现了训练数据集的高效迭代优化。
• 当在具有代表性的数据上进行训练时，该模型成功将氦气泡与常见的成像伪影（如FIB损伤和表面缺陷）区分开来。
• 本研究证实，经过适当微调的现成深度学习模型可有效部署于材料科学中的自动化缺陷分析，特别是在核材料表征领域。