FIBSEM图像质量评价

聚焦离子束扫描电子显微镜(FIB- SEM)断层扫描是一种连续切片技术，FIB从被分析的材料样品上切下切片。每次切片后，扫描电镜图像显示样品的新暴露层。通过将所有切片组合在一个堆栈中，生成材料的3D图像。为了评估FIB-SEM图像的质量，Diego Roldán等人^[1]采用了最先进的无参考方法来评估对比度、噪声和模糊。

图1显示了的所有图像都是二次电子信号SEM图像。根据模拟中使用的成像参数，合成图像还具有对比度、模糊和噪声的变化在图2中显示。然而，由成像技术引起的特定伪影扭曲了图像，阻碍了结构的形态分析。显微镜成像中典型的质量问题是噪声和缺乏对比度或聚焦。此外，特定的伪影是由FIB铣削引起的，即遮光和充电伪影。

图1 使用的多孔和非多孔材料的典型聚焦离子束(FIB)-SEM数据集的扫描电子显微镜(SEM)切片

图2布尔模型在不同停留时间下的模拟扫描电子显微镜(SEM)图像

真实的数据，选择来表示在质量和结构方面的多样性，将在接下来的章节中呈现。关于质量，对比度、噪声、模糊和图像伪影等特征随数据集而变化。

此外，数据集包含几种结构，包括高多孔和非多孔材料。所选数据由以下机构提供:卡尔斯鲁厄理工学院纳米技术和卡尔斯鲁厄纳米微设施研究所(KIT)，弗劳恩霍夫陶瓷技术和系统研究所(IKTS)，马克斯普朗克聚合物研究所(MPIP)和萨尔大学功能材料系主任(CFMSU)。

为了测量窗帘和充电工件的严重程度，引入了专门的新型质量指标。在具有不同特征的模拟和实验FIB-SEM数据集上广泛测试了这五个指标。这些指标允许对FIB-SEM图像进行快速有效的评估，并且与视觉印象很好地吻合，这反过来又与获得良好空间结构分割的机会密切相关。

最后，提出了纠正检测到的缺陷的方法，并展示了如何根据指标来判断纠正的成功。该研究的质量指标并没有对比深度学习方法。他们可以帮助理解和改进这些方法的结果，为不满意的结果提供解释，并提供一种简单快速的方法来检查训练数据是否真正具有代表性。

当然，机器学习也可以直接用于评估图像质量。然而，这需要足够的、有代表性的训练数据，而这些数据很难收集，因为人类对图像质量特征的感知是单独的。所提出的指标是客观的，对基于FIB-SEM叠片的快速、可靠的质量评价有价值。

[1]. Roldán, D.;  Redenbach, C.;  Schladitz, K.;  Kübel, C.; Schlabach, S., Image quality evaluation for FIB-SEM images. J. Microsc. 2024, 293 (2), 98-117.

科学指南针充分发挥互联网技术和业务优势，在国内率先打造出业界领先的线上化、数字化的科研服务基础设施，在行业内首创用户自主下单、服务全流程追踪、测试“云现场”等模式，进一步提高了大型科学仪器设施开放共享和使用效率，以实际行动助力科技创新。现已发展成为中国专业科研服务引领者，已获得检验检测机构资质认定证书（CMA）、实验动物使用许可证、“ISO三体系认证”等专业认证。

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。