一种基于深度学习的可控衍射条件下电子通道衬度成像位错定量分析方法
知识产权简介
本发明属于材料显微结构智能识别与定量分析技术领域,具体涉及一种基于深度学习的可控衍射条件下电子通道衬度成像(Electron Channeling Contrast Imaging under controlled diffraction condition, cECCI)图像分析方法,尤其涉及利用注意力机制卷积神经网络(Attention U-Net),结合卷积神经网络(Convolutional Neural Networks, CNN)和多层感知机(Multi-Layer Perceptron, MLP)的多模态融合学习模型,实现cECCI图像中位错类型的自动识别与伯氏矢量定量预测。该发明可应用于金属、陶瓷及半导体等晶体材料的缺陷分析与显微定量表征。
转化前景
本发明涉及的位错定量分析技术,是材料显微结构研究的重要基础。而金属与半导体材料的力学性能、塑性变形行为及疲劳寿命均与其内部位错结构密切相关。位错的分布密度、取向以及类型(如密排六方金属中〈a〉、〈c〉或〈c+a〉型位错)是揭示材料微观变形机制的重要参数。快速、准确识别和定量分析位错,是理解材料力学性能本质的关键环节。本发明的目的就是为了克服现有技术中人工识别ECCI图像中位错存在效率低、误差大、无法实现定量化的缺陷,提供一种基于深度学习的可控电子通道衬度成像位错定量分析方法,该方法能够实现对cECCI图像中位错的自动识别、分类与柏氏矢量定量预测,从而显著提高显微缺陷分析的准确性与效率。