npj Comput. Mater.: 人工神经网络多相分割电池电极纳米CT图像

电池电极断层扫描（CT）图像的分割是一个关键的处理步骤，将对材料表征和电化学模拟的结果产生额外的影响。然而，手动标记X射线CT图像（XCT）非常耗时，并且这些XCT图像通常难以用直方图方法进行分割。

图1. 不同方法的多相分割比较

在此，法国亚眠大学Arnaud Demortière等人针对现实世界的电池材料数据集提出了一种具有不对称深度编码-解码器卷积神经网络（CNN, LRCS-Net）的深度学习方法，并展示了在开源SegmentPy软件框架内从头开始训练CNN的工作流程。在编码器端，LRCS-Net总共包含五层卷积和三个索引最大池（MP），并以sigmoid函数而不是网络其余部分中应用的泄漏函数结束。在解码器端包含八层卷积，每个块的第一个卷积层具有三个上采样接收索引。

尽管与常用的U-net网络相比，该模型在其他领域的语义分词中可训练参数较少，但CT图像每秒吞吐量可以达到U-net的两倍，且对十亿体素体积的预测速度快四分之一。此外，通过调整超参数（HP）可提高CNN的性能。在研究的HPs中，学习率和批量大小是最敏感的，因此需要仔细调整。

图1. LRCS-Net与输入图像和损失函数组合的示意图

此外，这些发现已在锂离子电池正极的两个XCT数据集上得到验证，并且使用相衬技术在另外两个Li-O₂电池数据集上也可重现。进一步，作者还展示了将迁移学习应用于类似数据集中训练的增量效果。

总之，目前的工作不仅证明了CNN的预测能力，而且还解决了电池CT材料分割中不确定性这一具有挑战性的话题。作者通过识别由于训练数据中稀释的人为偏见而导致的不确定性来解开分割质量的这种模糊定义，使用合成数据的进一步CNN训练显示了这种不确定性对材料特性的定量影响。最后，作者建议在实践中可以进行更精细的分割调整，且可以使用更多的CT切片来组成每个数据集。

图2. 模型用于分割其他电池数据集的性能展示

Artificial neural network approach for multiphase segmentation of battery electrode nano-CT images, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00709-7

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/ae28282553/

npj Comput. Mater.: 人工神经网络多相分割电池电极纳米CT图像

相关推荐