Workflow automation of SEM acquisitions and feature tracking
Notice bibliographique
Résumé
Acquiring multiple high magnification, high resolution images with scanning electron microscopes (SEMs) for quantitative analysis is a time consuming and repetitive task for microscopists. We propose a workflow to automate SEM image acquisition and demonstrate its use in the context of nanoparticle (NP) analysis. Acquiring multiple images of this type of specimen is necessary to obtain a complete and proper characterization of the NP population and obtain statistically representative results. Indeed, a single high magnification image only scans a small area of sample, containing only few NPs. The proposed workflow is successfully applied to obtain size distributions from image montages at three different magnifications (20,000x, 60,000x and 200,000x) on the same area of the sample using a Python based script. The automated workflow consists of sequential repositioning of the electron beam, stitching of adjacent images, feature segmentation, and NP size computation. Results show that NPs are best characterized at higher magnifications, since lower magnifications are limited by their pixel size. Increased accuracy of feature characterization at high magnification highlights the importance of automation: many high-magnification acquisitions are required to cover a similar area of the sample at low magnification. Therefore, we also present feature tracking with smart beam positioning as an alternative to blind acquisition of very large image arrays. Feature tracking is achieved by integrating microscope tasks with image processing tasks, and only areas of interest will be imaged at high resolution, reducing total acquisition duration.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,019 |
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 ».