Měření tloušťky kontaminačních vrstev ve skenovací elektronové mikroskopii pomocí zpracování obrazu

Abstract

Motivací pro vznik této práce byl cíl společnosti Thermo Fisher Scientific vyvinout metodu měření tloušťky kontaminačních vrstev na snímcích ze skenovací elektronové mikroskopie (SEM) pomocí pokročilých technik zpracování obrazu. Hlavním cílem je vytvořit automatizované metody pro kvantifikaci kontaminace v obrazech, které nepříznivě ovlivňují zobrazování ve výzkumu v oblasti materiálových věd, pomocí technik zpracování obrazu. V této studii shromažďujeme soubor dat snímků s kontaminací a ručně anotujeme masky pro každý snímek. Tyto anotace budou sloužit k doladění a vyhodnocení účinnosti námi navrhovaných metod. Použitím kombinace algoritmů detekce hran a modelů strojového učení, konkrétně vyladěné sítě DeepLabv3, tato práce zvyšuje přesnost a účinnost detekce kontaminace. Analyzátor kontaminace založený na detekci hran (EDCA) využívá tradiční metody zpracování obrazu, zatímco model DeepLabv3 zavádí přístup strojového učení, který robustně zvládá různorodé obrazové podmínky. Srovnávací analýzy prokazují účinnost těchto metod při poskytování spolehlivých, škálovatelných a podrobných měření kontaminačních vrstev, což významně přispívá k rozvoji oboru materiálových věd.

The motivation for this thesis arises from the aim of the Thermo Fisher Scientific company to develop a method to measure the thickness of contamination layers in scanning electron microscopy (SEM) images through advanced image processing techniques. The primary aim is to create automated methods for quantifying contamination in images that adversely impact imaging in material science research, using image processing techniques. In this study, we collect a dataset of images with contamination and manually annotate masks for each image. These annotations will serve to fine-tune and evaluate the effectiveness of the methods we propose. By employing a combination of edge detection algorithms and machine learning models, specifically a fine-tuned DeepLabv3 network, this work enhances the precision and efficiency for contamination detection. The edge Detection-Based Contamination Analyzer (EDCA) utilizes traditional image processing methods, while the DeepLabv3 model introduces a machine learning approach to robustly handle diverse imaging conditions. Comparative analyses demonstrate the effectiveness of these methods in providing reliable, scalable, and detailed measurements of contamination layers, significantly contributing to the field of materials science.