論文の概要: Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework

• arxiv url: http://arxiv.org/abs/2509.26548v1
• Date: Tue, 30 Sep 2025 17:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.226573
• Title: Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework
• Title（参考訳）: 深部セグメンテーションによるペロブスカイト太陽電池材料の自動・スケーラブルSEM画像解析
• Authors: Jian Guo Pan, Lin Wang, Xia Cai,
• Abstract要約: 本稿では,SEM画像セグメンテーションのためのディープラーニングフレームワークを提案する。 PerovSegNetという名前のモデルには、2つの新しいモジュールが組み込まれています。 PerovSegNetは平均平均精度87.25%で、265.4ギガ浮動小数点演算を実現している。
• 参考スコア（独自算出の注目度）: 6.6168431490300845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scanning Electron Microscopy (SEM) is indispensable for characterizing the microstructure of thin films during perovskite solar cell fabrication. Accurate identification and quantification of lead iodide and perovskite phases are critical because residual lead iodide strongly influences crystallization pathways and defect formation, while the morphology of perovskite grains governs carrier transport and device stability. Yet current SEM image analysis is still largely manual, limiting throughput and consistency. Here, we present an automated deep learning-based framework for SEM image segmentation that enables precise and efficient identification of lead iodide, perovskite and defect domains across diverse morphologies. Built upon an improved YOLOv8x architecture, our model named PerovSegNet incorporates two novel modules: (i) Adaptive Shuffle Dilated Convolution Block, which enhances multi-scale and fine-grained feature extraction through group convolutions and channel mixing; and (ii) Separable Adaptive Downsampling module, which jointly preserves fine-scale textures and large-scale structures for more robust boundary recognition. Trained on an augmented dataset of 10,994 SEM images, PerovSegNet achieves a mean Average Precision of 87.25% with 265.4 Giga Floating Point Operations, outperforming the baseline YOLOv8x-seg by 4.08%, while reducing model size and computational load by 24.43% and 25.22%, respectively. Beyond segmentation, the framework provides quantitative grain-level metrics, such as lead iodide/perovskite area and count, which can serve as reliable indicators of crystallization efficiency and microstructural quality. These capabilities establish PerovSegNet as a scalable tool for real-time process monitoring and data-driven optimization of perovskite thin-film fabrication.The source code is available at:https://github.com/wlyyj/PerovSegNet/tree/master.
• Abstract（参考訳）: 走査型電子顕微鏡(SEM)は、ペロブスカイト太陽電池製造時の薄膜の微細構造を特徴づけるのに不可欠である。 鉛ヨウ化物とペロブスカイト相の正確な同定と定量は, 鉛ヨウ化物が結晶化経路や欠陥形成に強く影響を及ぼす一方で, ペロブスカイト粒の形態がキャリア輸送とデバイス安定性を左右するので重要である。 しかし、現在のSEM画像分析は、スループットと一貫性を制限し、手作業で行われている。 本稿では,SEM画像セグメンテーションのための自動ディープラーニングベースのフレームワークを提案し,様々な形態の鉛ヨウ化物,ペロブスカイト,欠陥ドメインの高精度かつ効率的な同定を可能にする。 改良されたYOLOv8xアーキテクチャに基づいて構築されたPerovSegNetというモデルには,2つの新しいモジュールが組み込まれています。 一 グループ畳み込み及びチャネル混合によるマルチスケールできめ細かな特徴抽出を強化する適応型シャッフル拡張畳み込みブロック (II) より堅牢な境界認識のために, 微細なテクスチャと大規模構造を共同で保存する分離適応型ダウンサンプリングモジュール。 10,994のSEM画像でトレーニングされたPerovSegNetは、265.4ギガ浮動小数点演算で平均87.25%の精度を達成し、ベースラインのYOLOv8x-セグを4.08%上回り、モデルサイズと計算負荷をそれぞれ24.43%、25.22%削減した。 セグメンテーション以外にも、このフレームワークは鉛ヨウ化物/ペロブスカイト領域やカウントなどの量的穀物レベルの指標を提供しており、結晶化効率と微構造品質の信頼性の高い指標となる。 これらの機能は、ペロブスカイト薄膜製造のリアルタイムプロセス監視とデータ駆動最適化のためのスケーラブルなツールとしてPerovSegNetを確立している。

関連論文リスト

• Towards Foundation Models for Cryo-ET Subtomogram Analysis [36.85797849551338]
  我々は,452個の粒子クラスから904k以上のサブトモグラムを生成する大規模合成データ生成装置であるCryoEngineを紹介した。 第2に、適応位相トークン化を等価化モジュールとして組み込んだ適応位相トークン変換器(APT-ViT)を設計する。 第3に,強騒音条件下での表現学習を安定させるため,NRCL(Noss-Resilient Contrastive Learning)戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-29T05:47:45Z)
• STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
  本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。 これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。 3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
  論文  参考訳（メタデータ） (2025-07-02T16:58:09Z)
• Process-aware and high-fidelity microstructure generation using stable diffusion [0.8060624778923473]
  安定拡散3.5 Large (SD3.5-Large) に基づくプロセス認識生成モデリング手法を提案する。 本手法では,連続変数を直接モデル条件にエンコードする数値認識埋め込みを導入する。 我々は24個のラベル付きマイクログラフ上にVGG16エンコーダを備えた細調整U-Netに基づくセマンティックセグメンテーションモデルを用いてリアリズムを検証する。
  論文  参考訳（メタデータ） (2025-07-01T06:16:53Z)
• Zero-shot Autonomous Microscopy for Scalable and Intelligent Characterization of 2D Materials [41.856704526703595]
  従来、原子スケールの材料の特徴付けには、数ヶ月から数年の専門的な訓練を必要とする。 このボトルネックは、大規模なトレーニングデータセットを必要とせずに研究目的を理解できる完全自律的な実験システムへの需要を加速させる。 本稿では,2次元材料の完全自律的ゼロショットキャラクタリゼーションを実現するため,基礎モデルを統合するエンドツーエンドフレームワークであるATOMICを提案する。
  論文  参考訳（メタデータ） (2025-04-14T14:49:45Z)
• CRISP: A Framework for Cryo-EM Image Segmentation and Processing with Conditional Random Field [0.0]
  本稿では,Cryo-EMデータから高品質なセグメンテーションマップを自動生成するパイプラインを提案する。 我々のモジュラーフレームワークは、様々なセグメンテーションモデルと損失関数の選択を可能にする。 限られたマイクログラフでトレーニングすると、合成データ上で90%以上の精度、リコール、精度、インターセクション・オーバー・ユニオン(IoU)、F1スコアを達成することができる。
  論文  参考訳（メタデータ） (2025-02-12T10:44:45Z)
• SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
  走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。 予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。 実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
  論文  参考訳（メタデータ） (2024-11-25T22:49:59Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Diffusion Model Driven Test-Time Image Adaptation for Robust Skin Lesion Classification [24.08402880603475]
  テストデータ上でのモデルの精度を高めるためのテスト時間画像適応手法を提案する。 拡散モデルを用いて、対象の試験画像をソース領域に投影して修正する。 私たちの手法は、さまざまな汚職、アーキテクチャ、データレシエーションにおいて、堅牢性をより堅牢にします。
  論文  参考訳（メタデータ） (2024-05-18T13:28:51Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• Neural Network Accelerated Process Design of Polycrystalline Microstructures [23.897115046430635]
  物理拡散制約を用いたニューラルネットワーク(NN)による微細構造進化予測手法を開発した。 本研究では,銅の均一化剛性を最大化するためにNN法を適用した。 従来の有限要素シミュレータと比較して均質化剛性は0.053%の誤差で686倍高速であることがわかった。
  論文  参考訳（メタデータ） (2023-04-11T20:35:29Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。