基于Mask R-CNN的辐照金属位错环高通量分析新方法及其在核材料研究中的应用

《Micron》：High-throughput analysis of dislocation loops in irradiated metals using Mask R-CNN

本文提出了一种基于Mask R-CNN（掩膜区域卷积神经网络）的高通量分析工作流，实现了对原位透射电镜（TEM）实验中辐照诱导缺陷的自动识别与定量分析。该方法在316L不锈钢中达到83.6%的缺陷面积密度预测精度，并成功应用于多类金属材料的缺陷演化研究，为核反应堆材料设计提供了关键数据支持。

　　

亮点

方法与结果

方法

本研究基于Detectron2框架，系统评估了不同主干网络的Mask R-CNN模型性能。训练数据采用4张4K分辨率（4096×4096像素）的标注图像，这些图像源自一场包含近3600个独特特征的辐照实验视频。该视频记录了奥氏体不锈钢316L在[此处省略具体实验条件描述]...

结果与讨论

指标与评估：

表1汇总了三种不同视场（200纳米、400纳米和533纳米）下各主干网络的预测性能。这些指标基于316L实验的原始测试数据集得出。需要特别说明的是，模型始终接收512像素的输入图像，因此当视场超过200纳米时会导致信息损失。与标准计算机视觉应用相比，本研究的独特之处在于...

结论

本研究深入探讨了Mask R-CNN在原位透射电镜辐照实验视频高通量数据分析中的潜力。所提出的框架生成了高质量的分割模型，成功揭示了位错环形成的早期阶段（爆发期）的微观结构快速演化过程。该模型不仅能快速识别位错环密度饱和点，还能全面表征尺寸分布随时间的变化规律。我们的主要发现包括：