Dark-Field Imaging of Thin Specimens with a Forescatter Electron Detector at Low Accelerating Voltage
Notice bibliographique
Résumé
A forescatter electron detector (FSED) was used to acquire dark-field micrographs (DF-FSED) on thin specimens with a scanning electron microscope. The collection angles were adjusted with the detector distance from the beam axis, which is similar to the camera length of the scanning transmission electron microscope annular DF detectors. The DF-FSED imaging resolution was calculated with SMART-J on an aluminum alloy and carbon nanotubes (CNTs) decorated with platinum nanoparticles. The resolution was three to six times worse than with bright-field imaging. Measurements of nanometer-size objects showed a similar feature size in DF-FSED imaging despite a signal-to-noise ratio 12 times smaller. Monte Carlo simulations were used to predict the variation of the contrast of a CNT/Fe/Pt system as a function of the collection angles. It was constant for very high collection angles (>450 mrad) and confirmed experimentally. The reverse contrast between carbon black particles and the smallest titanium dioxide (TiO2) nanoparticles was predicted by Monte Carlo simulations and observed in the DF-FSED micrograph of a battery electrode coating. However, segmentation of the micrograph was not able to isolate the TiO2 nanoparticle phase because of the close contrast of small TiO2 nanoparticles compared to the C black particles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».