Rekonstrukce práškových difraktogramů ve 4D STEM mikroskopii pomocí metod hlubokého učení

Abstract

Tato diplomová práce se zabývá rekonstrukcí 2D práškových difraktogramů získaných 4D-STEM in SEM mikroskopií. Pomocí metod zpracování obrazu se pokusíme získat lepší výsledky pro analýzu krystalických vzorků novou metodou 4D-STEM/PNBD, vyvíjenou ve spolupráci s UMCH a UTIA. Nejprve v krátkosti představíme problematiku 4D-STEM/PNBD, poté shrneme dosud používané metody a navrhneme dva nové klasické přístupy k rekonstrukci difraktogramů. Dále představíme postupy pro generování syntetických difraktogramů, jeden využívající odhad charakteru dat a jeden využívající fyzikální simulaci procesu difrakce. Na takto vygenerovaných snímcích natrénujeme segmentační neuronovou síť pro použití při rekonstrukcích. Nakonec všechny navržené metody otestujeme na třech krystalických vzorcích.

This master thesis deals with the reconstruction of 2D powder diffractograms obtained by 4D-STEM in SEM microscopy. Using image processing methods, we will try to obtain better results for the analysis of crystalline samples by a new 4D-STEM/PNBD method developed in collaboration with UMCH and UTIA. We will first briefly introduce the 4D-STEM/PNBD problem, then summarize the methods used so far and propose two new classical approaches for diffractogram reconstruction. Next, we will present procedures for generating synthetic diffractograms, one using data character estimation and one using physical simulation of the diffraction process. We will train a segmentation neural network on the images thus generated for use in reconstructions. Finally, we test all the proposed methods on three crystal samples.