在空间风化的样品中应用计算机视觉算法来自动化太阳粒子轨道分析。K. Heller 1,J。A. McFadden 1,M。S. Thompson 1。 1地球,大气和行星科学系,普渡大学,西拉斐特,47907年(mcfadde8@purdue.edu)。 简介:暴露于太阳风辐射和其他高能离子流的来源导致在太阳系上无空体表面上土壤的空间风化[1,2]。 尤其是,太阳能耀斑的太阳能颗粒(SEP)对晶粒的辐照,可以将毫米穿透到地表岩石上,从而导致晶粒内部晶体结构损伤的线条。 这些SEP轨道可以通过对透射电子显微镜(TEM)中土壤样品的分析来揭示。 通过TEM图像测得的晶粒中这些SEP轨道的密度可用于基于校准的生产速率生成暴露时间表[3]。 对这些SEP轨道密度的分析可在无气体表面上的太空风化和太阳辐射过程以及雷果石混合和重新加工时间表上产生宝贵的见解。 直到最近,对TEM图像中的SEP轨道的识别和分析主要是手工执行的,这是一种耗时的实践。 但是,机器学习领域(ML)和计算机视觉领域的进步使机器的视觉能力能够通过适当的神经网络设计和培训数据匹配和超越人类的能力[4,5,6]。 这两个模型在结构上是相同的,但在培训数据上却有所不同。A. McFadden 1,M。S. Thompson 1。1地球,大气和行星科学系,普渡大学,西拉斐特,47907年(mcfadde8@purdue.edu)。简介:暴露于太阳风辐射和其他高能离子流的来源导致在太阳系上无空体表面上土壤的空间风化[1,2]。尤其是,太阳能耀斑的太阳能颗粒(SEP)对晶粒的辐照,可以将毫米穿透到地表岩石上,从而导致晶粒内部晶体结构损伤的线条。这些SEP轨道可以通过对透射电子显微镜(TEM)中土壤样品的分析来揭示。通过TEM图像测得的晶粒中这些SEP轨道的密度可用于基于校准的生产速率生成暴露时间表[3]。对这些SEP轨道密度的分析可在无气体表面上的太空风化和太阳辐射过程以及雷果石混合和重新加工时间表上产生宝贵的见解。直到最近,对TEM图像中的SEP轨道的识别和分析主要是手工执行的,这是一种耗时的实践。但是,机器学习领域(ML)和计算机视觉领域的进步使机器的视觉能力能够通过适当的神经网络设计和培训数据匹配和超越人类的能力[4,5,6]。这两个模型在结构上是相同的,但在培训数据上却有所不同。在这里,我们应用这些ML技术来开发一个原型自动化程序,该程序可以自动检测和分析TEM图像中的SEP轨道,从而使未知样本中的SEP轨道更有效,更准确地注释。方法:机器智能程序(“模型”)旨在查找和计算提供的TEM图像中的所有SEP轨道,包括潜在的微弱或“隐形”轨道。由于轨迹而言,由于主要是与背景材料不同的强度线段的线段,该模型旨在识别线性强度差异的区域。两种单独的型号经过训练以提高性能 - 一种在较暗的背景(LOD)上搜索较轻的曲目,而一种搜索较轻的背景(DOL)上的较暗轨道(DOL)。拆分模型的决定在很大程度上旨在改善训练时间和模型性能,因为示例往往由LOD或DOL轨道组成。因此,将模型拆分可改善训练时间并减少处理时间,因为训练集和应用的差异减少为更简单,较小的模型提供了空间。此外,这使该模型可以应用于两种不同类型的扫描TEM(STEM)成像模式:深色场(DF),其中SEP轨道显得比周围的晶体更明亮,而明亮场(BF),其中SEP轨道显得比周围的晶体更暗。由于计算机以抽象的结构可视化数据,分析是按像素度量进行的,而不是与测量相关的