System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 用于带电粒子显微镜成像的自动选择和模型训练制造技术_技高网
当前位置: 首页 > 专利查询>FEI公司专利>正文

用于带电粒子显微镜成像的自动选择和模型训练制造技术

技术编号:40545301 阅读:3 留言:0更新日期:2024-03-05 19:02
用于带电粒子显微镜成像的自动选择和模型训练。本文公开了CPM支持系统,以及相关方法、计算装置和计算机可读介质。例如,在一些实施方案中,一种方法可包括:基于指示显微镜学成像数据的区域的选择的选择数据来确定用于机器学习模型的训练数据。该方法可包括:基于该训练数据来训练该机器学习模型以自动地确定显微镜学成像数据的用于执行诸如高分辨率数据获取和数据分析的至少一个操作的一个或多个区域。该方法可包括:致使计算装置被配置为使用该机器学习模型来自动地确定显微镜学成像数据的用于该至少一个操作的区域。

【技术实现步骤摘要】


技术介绍

1、显微镜学是使用显微镜以更好地观察用肉眼难以看到的对象的
显微镜学的不同分支包括例如:光学显微镜学、带电粒子(电子和/或离子)显微镜学和扫描探针显微镜学。带电粒子显微镜学涉及使用加速的带电粒子束作为照明源。带电粒子显微镜学的类型包括例如:透射电子显微镜学、扫描电子显微镜学、扫描透射电子显微镜学和离子束显微镜学。


技术实现思路

【技术保护点】

1.一种方法,所述方法包括:

2.根据权利要求1所述的方法,其中所述确定所述训练数据包括基于修改显微镜学图像来生成多个训练图像,并且其中所述修改所述显微镜学图像包括旋转、缩放、平移、应用点扩散函数或应用噪声中的一者或多者。

3.根据权利要求1所述的方法,其中所述确定所述训练数据包括:确定所述训练数据的图像强度数据的直方图;基于所述直方图的百分比来确定归一化因子;以及基于所述归一化因子来对所述训练数据进行归一化。

4.根据权利要求1所述的方法,所述方法还包括:将所述机器学习模型从卷积神经网络转变为全卷积神经网络。

5.根据权利要求4所述的方法,其中所述转变所述机器学习模型在所述机器学习模型的训练之后进行。

6.根据权利要求1所述的方法,其中所述机器学习模型被训练为生成作为用于执行所述至少一个操作的目标的位置的变化概率的图。

7.根据权利要求1所述的方法,其中所述至少一个操作包括以下中的一者或多者:数据获取操作;数据分析操作;获取具有比所述显微镜学成像数据更高分辨率的附加成像数据;或分析所述附加成像数据。

8.一种方法,所述方法包括:

9.根据权利要求8所述的方法,其中所述显微镜学成像数据和所述位置数据响应于显微镜学装置的带电粒子显微镜学图像获取来接收。

10.根据权利要求8所述的方法,其中所述机器学习模型基于自动地生成的训练数据来配置,其中所述自动地生成的训练数据包括基于修改显微镜学图像来生成的多个训练图像。

11.根据权利要求10所述的方法,其中修改所述显微镜学图像包括旋转、缩放、平移、应用点扩散函数或应用噪声中的一者或多者。

12.根据权利要求10所述的方法,其中所述自动地生成的训练数据包括经归一化训练数据,并且其中所述经归一化训练数据基于以下来进行归一化:确定所述训练数据的图像强度数据的直方图;基于所述直方图的百分比来确定归一化因子;以及基于所述归一化因子来对所述训练数据进行归一化。

13.根据权利要求8所述的方法,其中所述机器学习模型包括神经网络或全卷积神经网络中的一者或多者。

14.根据权利要求8所述的方法,其中所述至少一个操作包括以下中的一者或多者:数据获取操作;数据分析操作;获取具有比所述显微镜学成像数据更高分辨率的附加成像数据;或分析所述附加成像数据。

15.一种方法,所述方法包括:

16.根据权利要求15所述的方法,其中所述生成所述显微镜学成像数据包括对位于网格栅格中的样品执行带电粒子显微镜学,所述网格栅格包括多个孔的一个或多个区段。

17.根据权利要求15所述的方法,其中所述机器学习模型基于自动地生成的训练数据来配置,其中所述自动地生成的训练数据包括基于旋转、缩放、平移、应用点扩散函数或应用噪声中的一者或多者来修改的数据。

18.根据权利要求15所述的方法,其中所述机器学习模型包括神经网络或全卷积神经网络中的一者或多者。

19.根据权利要求15所述的方法,其中指示所述显微镜学成像数据的一个或多个区域的所述数据包括以下中的一者或多者:指示作为用于执行所述至少一个操作的目标的位置的变化概率的图,或从网格栅格的栅格区段中的多个孔选择的孔的子集的指示。

20.根据权利要求15所述的方法,其中所述致使进行所述至少一个操作包括使用所述一个或多个区域来执行以下中的一者或多者:比所述显微镜学成像数据更高分辨率的数据的数据获取、粒子分析、单个粒子分析、或一个或多个粒子的表示的生成。

...

【技术特征摘要】

1.一种方法,所述方法包括:

2.根据权利要求1所述的方法,其中所述确定所述训练数据包括基于修改显微镜学图像来生成多个训练图像,并且其中所述修改所述显微镜学图像包括旋转、缩放、平移、应用点扩散函数或应用噪声中的一者或多者。

3.根据权利要求1所述的方法,其中所述确定所述训练数据包括:确定所述训练数据的图像强度数据的直方图;基于所述直方图的百分比来确定归一化因子;以及基于所述归一化因子来对所述训练数据进行归一化。

4.根据权利要求1所述的方法,所述方法还包括:将所述机器学习模型从卷积神经网络转变为全卷积神经网络。

5.根据权利要求4所述的方法,其中所述转变所述机器学习模型在所述机器学习模型的训练之后进行。

6.根据权利要求1所述的方法,其中所述机器学习模型被训练为生成作为用于执行所述至少一个操作的目标的位置的变化概率的图。

7.根据权利要求1所述的方法,其中所述至少一个操作包括以下中的一者或多者:数据获取操作;数据分析操作;获取具有比所述显微镜学成像数据更高分辨率的附加成像数据;或分析所述附加成像数据。

8.一种方法,所述方法包括:

9.根据权利要求8所述的方法,其中所述显微镜学成像数据和所述位置数据响应于显微镜学装置的带电粒子显微镜学图像获取来接收。

10.根据权利要求8所述的方法,其中所述机器学习模型基于自动地生成的训练数据来配置,其中所述自动地生成的训练数据包括基于修改显微镜学图像来生成的多个训练图像。

11.根据权利要求10所述的方法,其中修改所述显微镜学图像包括旋转、缩放、平移、应用点扩散函数或应用噪声中的一者或多者。

12.根据权利要求10所述的方法,其中所述自动地...

【专利技术属性】
技术研发人员:J·F·弗拉纳根四世H·科尔邓雨辰F·格罗利奥斯
申请(专利权)人:FEI公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1