Une équipe de recherche composée d’experts de l’Université technologique de Pohang (POSTECH) et de l’institut coréen des sciences des matériaux (KIMS) ont développé une technique capable de détecter et d’améliorer la qualité des images de microscopie électronique à balayage (MEB) sans surveillance. Pour se faire, ils ont exploité l’intelligence artificielle et plus particulièrement le deep learning et l’ont appliqué au système MEB. Un projet de recherche qui a fait l’objet d’une publication dont l’auteur principal est Seungchul Lee.
L’importance de la qualité dans la microscopie électronique à balayage
Juwon Na, Gyuwon Kim, Seong-Hoon Kang et Se-Jong Kim ont accompagné Seungchul Lee dans la rédaction de cet article mettant en avant l’utilisation du deep learing pour la microscopie électronique à balayage. Ce type de microscopie est l’un des équipements d’analyse de matériaux les plus performants et fréquemment utilisé pour étudier les liens pouvant exister entre les propriétés chimiques, physiques et mécaniques des matériaux en fournissant leurs données d’images microstructurales.
Néanmoins, l’obtention d’images de qualité implique que l’opérateur doit être hautement qualifié. L’ensemble de ses manipulations doivent être d’une grande précision pour manœuvrer correctement le système. Si cette condition n’est pas réunie, les images microscopiques peuvent être de mauvaise qualité. Or, des images claires et précises sont primordiales, car elles affectent directement les processus d’analyse des matériaux.
C’est pour résoudre ce problème que plusieurs chercheurs de POSTECH et de KIMS ont conçu une méthode basée sur l’intelligence artificielle. Ils ont reçu le soutien du programme de recherche à mi-carrière, du programme des centres de recherche prioritaires de la Fondation nationale pour la recherche de Corée et du programme d’études supérieures en IA de l’Institute for Information & Communication Technology Promotion (IITP).
Une méthode de deep learning pour améliorer la qualité de l’image
L’équipe de recherche a développé une méthode de recentrage basée sur le deep learning qui pour objectif de détecter et d’améliorer automatiquement la qualité des images MEB. Cette technologique est basée sur un réseau de neurones profond multi échelles et a démontré que la qualité de l’image peut être améliorée si l’on prend en compte des paramètres aveugles sans aucune connaissance ou hypothèse sur le degré de dégradation de l’image ou sur son niveau de flou.
De plus, les chercheurs ont élaboré une technique pour entrainer le réseau à apprendre la méthode ainsi que le positionnement du recentrage dans des images défocalisées de manière non uniforme. le professeur Seungchul Lee s’est exprimé sur les recherches qu’il dirige :
“Nous nous attendons à ce que le coût et le temps de développement de nouveaux matériaux soient réduits en automatisant le processus d’imagerie SEM de la microscopie électronique à balayage, qui est largement utilisé pour la recherche et le développement de nouveaux matériaux”
