Indeks Peta EBSD dengan Jaringan Saraf Konvolusi: Solusi Real-Time untuk Analisis Struktur Kristalografi

Indeks Peta EBSD dengan Jaringan Saraf Konvolusi: Solusi Real-Time untuk Analisis Struktur Kristalografi

Dalam analisis struktur kristalografi, indeks peta Electron Back-Scatter Diffraction (EBSD) berperan penting dalam memahami sifat material dan prosesnya. Namun, masalah indeksasi peta EBSD tetap menjadi tantangan yang sulit dihadapi. Dalam artikel ini, kami akan membahas penggunaan jaringan saraf konvolusi (Convolutional Neural Network) untuk mengindekskan peta EBSD dengan akurasi dan kecepatan yang lebih baik.

Pada dasarnya, indeksasi peta EBSD dilakukan menggunakan teknik Hough transform, yang memiliki kelebihan dalam menangkap pola-pola geometris pada gambar. Namun, metode ini masih memiliki beberapa kelemahan, seperti rentan terhadap noise dan butuh waktu yang lama untuk mengolah data.

Untuk mengatasi masalah-masalah tersebut, kami memperkenalkan jaringan saraf konvolusi (EBSD-CNN) yang dirancang khusus untuk mengindekskan peta EBSD. Jaringan ini menggunakan fungsi kerugian disorientasi untuk menyesuaikan model CNN standar dengan indeksasi orientasi kristalografi.

Pengujian dan Hasil

Kami melakukan pengujian pada data simulasi dan eksperimental, serta membandingkan hasil dengan metode-metode lainnya (inдекс Hough, dictionary indexing, dan spherical indexing). Hasil pengujian menunjukkan bahwa EBSD-CNN dapat memberikan akurasi yang komparatif dengan indeksasi peta EBSD menggunakan teknik Hough transform, serta kecepatan yang lebih baik.

Kami juga melakukan visualisasi filter-selected untuk memahami fungsi jaringan. Hasil pengujian menunjukkan bahwa EBSD-CNN dapat mengindekskan peta EBSD dengan akurasi tinggi, sehingga dapat digunakan sebagai alternatif bagi indeksasi peta EBSD menggunakan teknik Hough transform.

Kontribusi dan Signifikansi

Dalam artikel ini, kami menawarkan solusi real-time untuk analisis struktur kristalografi menggunakan jaringan saraf konvolusi. Hasil pengujian menunjukkan bahwa EBSD-CNN dapat memberikan akurasi yang komparatif dengan indeksasi peta EBSD menggunakan teknik Hough transform, serta kecepatan yang lebih baik.

Kami harap artikel ini dapat menjadi referensi bagi para peneliti dan praktisi dalam analisis struktur kristalografi, serta membantu meningkatkan kemampuan analisis struktur material.

Referensi

  1. Indexing of electron back-scatter diffraction patterns using convolutional neural networks