Apprentissage profond pour la détection d'objets en microscopie électronique en transmission
Résumé
La caractérisation d'objets de taille nanométrique observés, souvent en grand nombre, par microscopie électronique en transmission (MET), est essentielle pour évaluer le comportement mécanique des matériaux. Une analyse manuelle est minutieuse, répétitive, sujette à l'erreur humaine et coûteuse en temps. Au cours de la dernière décennie, des améliorations majeures de réseaux de neurones (NN) artificiels les ont rendus compétitifs à l'œil humain, ou à d'autres approches automatiques classiques, pour ces tâches de détection d'objets [1]. Plus particulièrement, le NN Mask R-CNN permet d'effectuer à la fois détection et segmentation des objets étudiés [2].
Ce type d'approche sera présenté dans un premier temps, ainsi que la problématique de la création d'une base de données d'apprentissage en MET. Une mise en application à la segmentation de boucles de dislocations sur des micrographies STEM-BF dans un alliage à haute entropie (Y3, 46%Fe16%Mn23%Ni14%Cr (%at.)) élaboré à l'école des mines de Saint Etienne (EMSE) irradié aux ions dans les plateformes Jannus Saclay et Orsay. Cette classe de matériaux métalliques est envisagée pour des applications dans le domaine du nucléaire [3], du fait d'une potentielle haute limite d'élasticité, accompagnée d'une excellente ductilité, et d'une bonne résistance sous irradiation.
La détection des boucles de dislocation imagées en STEM-BF sera démontrera la possibilité d'apporter une caractérisation individuelle d'un grand nombre d'objets, de façon automatisée. L'analyse des traites caractéristiques de ces boucles détectées sera aussi présentée afin de mettre en évidence une faible mobilité des boucles de dislocations dans le HEA Y3 et de donner des pistes sur la dynamique de croissance de celles-ci. Enfin, l'approche étant généralisable à d'autres cas, une discussion sur des résultats préliminaires obtenus sur d'autres systèmes sera présentée.
[1] C. M. Anderson et al., "Automated detection of helium bubbles in irradiated X-750█, Ultramicroscopy, 217 (2020), p.113068
[2] K. He et al., "Mask R-CNN█, IEEE International Conference on Computer Vision, (2017), p.2980-2988
[3] E. J. Pickering et al., "High-entropy alloys for advanced nuclear applications█, Entropy, 23.1 (2021), p.98