« Deep learning detection of nanoparticles and multiple object tracking of their dynamic evolution during in situ ETEM studies »
Une double approche d’apprentissage profond et de vision par ordinateur a permis de quantifier automatiquement l’évolution d’une population de nanoparticules lors de traitements in situ sous gaz et en température dans un Microscope Électronique en Transmission Environnemental.
La vidéo montre une simulation numérique réaliste (à gauche) reproduisant le mouvement, au cours du temps, de particules métalliques sur un support oxyde contenant des porosités comme observé expérimentalement pour des NPs d’environ 2 nm en cours de calcination sous oxygène à 250°C. La « ground truth » (au centre) est la réalité terrain, connue grâce aux données d’entrée de la modélisation. Le traitement par un réseau de neurones basé sur U-Net suivi par l’analyse des trajectoires par un logiciel mis au point NP-Tracker identifie de manière quasi-parfaite l’évolution des trajectoires des NPs (les annotation en vert repèrent les évènements de coalescence / fusion entre particules).
Ce travail, associant les laboratoires MATEIS, LaHC, CREATIS et IRCELYON a été conduit dans le cadre de projets supportés par la Fédération CNRS IngéLySE et l’EUR SLEIGHT.
Khuram Faraz, Thomas Grenier, Christophe Ducottet & Thierry Epicier
Deep learning detection of nanoparticles and multiple object tracking of their dynamic evolution during in situ ETEM studies
Scientific Reports, (2022) 12:2484
https://doi.org/10.1038/s41598-022-06308-2
