리튬 이온 배터리 : 양성 전극 재료의 FIB-SEM 슬롯 커뮤니티에 대한 세분화 방법

리튬 이온 배터리의 성능, 신뢰성 및 안전은 많은 산업 및 소비자 사용에서 중요한 역할을합니다. FIB-SEM 장치를 사용하여 양성 배터리 전극의 상세한 나노 스케일 슬롯 커뮤니티를 얻을 수 있습니다. 이 슬롯 커뮤니티는 활성 재료와 바인더를 쉽게 구별 할 수 있으며 곡물의 구성조차 검사 할 수 있습니다.

본질적으로 FIB-SEM 장치는 단점을 가지고 있습니다. 슬라이스 단면 슬롯 커뮤니티는 현재 슬라이스 표면을 보여 주지만 사진을 찍기 전에 샘플 간격을 채우지 않으면 간격 내부의 영역도 투사됩니다. 샘플에서 공극을 채우는 것은 시간이 많이 걸리는 작업이 될 수 있고 재료의 구조를 변경할 수 있으므로 종종 피합니다.

수치 시뮬레이션 및 기하학적 모양 분석의 경우 샘플의 정확한 3D 슬롯 커뮤니티가 필요합니다. 따라서, 세분화는 올바른 위상 구별이 필요하며 다중 슬라이스 단면 슬롯 커뮤니티의 전반전에서 후반부에서 모든 영역을 정확하게 할당합니다. 이 도전 외에도 슬라이스의 전반부는 종종 이온 빔에 의해 생성 된 커튼 아티팩트의 영향을받습니다.

FIB-SEM 슬롯 커뮤니티 분할의 또 다른 문제는 이온 빔으로 다른 강도의 재료를 절단 할 때 발생합니다. 이것은 소위 커튼 아티팩트 때문입니다.

클래식 세분화 기술 (예 : 글로벌 임계 값 및 유역 기반 기술)은 이러한 유형의 슬롯 커뮤니티를 제대로 분할하기가 어렵습니다. 새로운 기계 학습 기반 세분화 방법은 이러한 문제를 해결하는 고급 방법이며 여기서는 세 가지 세분화 방법을 비교할 것입니다.

이러한 결과는 Geodict 사용자에게 무엇을 의미합니까?

최신 세분화 기술은 FIB-SEM 슬롯 커뮤니티 분석에 많은 장점을 제공합니다. 이 분할 방법의 비교에서, 우리는 전문가가 아니더라도 가능한 슬롯 커뮤니티 처리 기술 만 사용했습니다. 이러한 기술의 첫 핸디캡은 교육 데이터에 수동으로 레이블을 지정해야한다는 것입니다. 이 단계는 시간이 걸리고 결과에 인간의 오류를 유발할 수 있습니다.

1. 케이스 1 : 부스트 트리를 사용한 세그먼트

가장 먼저 적용해야 할 것은 트리 기반 세분화를 강화하는 것입니다.

이 기술은 원래의 Learable Weka 세분화와 매우 유사합니다 [1]. 각각의 라벨링 된 픽셀에 대해, 일련의 기능 세트가 계산되고 분류기에 입력됩니다 (이 경우 부스트 트리 [2]). 분류기가 훈련되면 스캔의 모든 복셀에 적용되어 전체 세분화를 제공합니다.

좋은 세분화를 얻으려면 사용할 기능을 선택하는 것이 매우 중요해집니다. 올바른 기능을 찾는 데는 시간이 걸립니다. 강화 된 트리 기반 방법에 대한 교육은 빠르지 만 전체 프로세스는 기능 슬롯 커뮤니티를 계산하는 데 필요한 시간에 영향을 미칩니다. 수동으로 표시된 데이터가 필요하지 않으며 GPU가 필요하지 않습니다.

이 경우, 세분화는 공극 및 바인더에서 입자의 전경을 분할하는 데 잘 작동합니다. 그러나 바인더 분할은 아직 완전히 만족스럽지 않습니다. 일부 영역에서는 공극 내 깊은 입자는 바인더로 표시되고 바인더의 일부는 공극으로 표시됩니다.

사용 된 모델 :
■ Geodict Base
■ importgeo-vol

2.case 2 : 2d U-Net을 사용한 세그먼트

두 번째 기술은 2D U-Net [3]를 사용한 딥 러닝 기반 세분화입니다.

U-Net은 슬롯 커뮤니티 분할에 널리 적용됩니다. 심층 신경망을 가진 세분화의 가장 중요한 부분은 훈련 데이터를 만드는 것입니다. 드문 레이블 데이터로 네트워크를 훈련하기로 결정했습니다. 이 방법은 전체 슬라이스에 레이블을 지정할 필요가 없으므로 사용자는 3D 슬롯 커뮤니티에서 레이블을 자유롭게 레이블을 지정할 수 있습니다.

2D U-NET를 배우는 데는 트리 분류기가 부스트 된 트리 분류기를 배우는 것보다 훨씬 더 많은 시간이 걸리며 GPU가 필요합니다. 입자에 대한 2D U-Net의 결과도 이번에는 매우 우수했습니다. 어떤 곳에서는 강화 된 나무 결과보다 낫습니다. U-Net은 특히 심한 커튼 인공물이있는 곳에서 더 나은 결과를 제공합니다. 바인더 단계의 경우, 결과는 부스트 트리에 비해 더 좋지만 여전히 아티팩트가 남아 있습니다. 어떤 곳에서는 개별적으로 라벨이 붙은 Z 슬라이스 사이에 불연속이 있습니다.

3.Case 3 : 3D U-Net을 사용한 세그먼트

세 번째 기술은 3D U-Net [4]를 사용한 딥 러닝 기반 세분화입니다.

U-Net은 슬롯 커뮤니티 분할에 널리 적용됩니다. 심층 신경망을 가진 세분화의 가장 중요한 부분은 훈련 데이터를 만드는 것입니다. 드문 레이블 데이터로 네트워크를 훈련하기로 결정했습니다. 이 방법은 전체 슬라이스에 레이블을 지정할 필요가 없으므로 사용자는 3D 슬롯 커뮤니티에서 레이블을 자유롭게 레이블을 지정할 수 있습니다.

2D U-NET에서와 거의 동일한 교육 데이터를 사용하여 일부 영역에서 연속 슬라이스에 레이블을 추가하여 3D의 이점을 얻었습니다. 이러한 조건에서의 훈련 시간은 두 번째 경우와 거의 동일합니다.

입자의 결과는 또한 매우 유사했으며, 이점은 보이지 않습니다. 바인더 단계에서 3D U-Net은 더 나은 결과를 생성합니다. 3D로 학습해도 슬라이스 사이에 불연속이 발생하지 않습니다.