Automatic identification of neutron-induced crystallization on amorphous yttria-doped alumina thin films via neural networks on TEM images

Recent advances in lead cooled nuclear reactor show the potential of amorphous alumina-yttria coating over an austenitic steel substrate to be used in the containment of the liquid metal. Research in this field entails the characterization of irradiated samples to check for fast-neutron-induced crystallization. Currently the sample analysis relies on manually individuating the crystals by finding zones of disturbance in TEM images. The manual segmentation is both time-consuming and subject to operator skill. The development of an automatic method capable of independently individuating the crystal zones in the amorphous matrix would then allow to segment larger amounts of TEM scans in less time, avoiding the operator bottleneck. Despite the vast body of research on image segmentation, the particular instance of surface crystallization estimation lacks both available datasets and established models. To address this, we construct a dataset using TEM scans of various amorphous alumina samples containing either 3 wt% or 30 wt% yttria, subjected to ion fluxes corresponding to doses from 1 to 12 DPA. The aim of analyzing diverse samples is to create a varied dataset containing different defect morphologies. We then implement and evaluate both algorithmic and deep learning methods for the automatic segmentation of TEM scans into pristine and crystallized regions. An initial exploration of algorithmic methods is conducted, considering their intrinsic advantage of not requiring training data. In this context a series of unsupervised approaches are evaluated, including clustering techniques such as K-means and N-cut, as well as neural network models like STEGO and autoencoder architectures. For the deep learning methods, different neural network architectures were considered, implementing either skip-layer connection (UNET), or incremental convolution layers (SEGNET). We further investigate the use of image preprocessing in the form of gaussian blur and two different autoencoders. Also various training parameters have been tested to improve the model accuracy.

Recenti progressi nei reattori nucleari raffreddati a piombo evidenziano il potenziale dei rivestimenti amorfi di allumina-ittria su substrati in acciaio austenitico per il contenimento del metallo liquido. La ricerca in questo campo richiede la caratterizzazione di campioni irradiati per verificare la cristallizzazione indotta da neutroni veloci. Attualmente, l’analisi dei campioni si basa sull’individuazione manuale dei cristalli, identificando zone disturbate nelle immagini TEM. La segmentazione manuale è sia dispendiosa in termini di tempo sia soggetta alla competenza dell’operatore. Lo sviluppo di un metodo automatico in grado di individuare autonomamente le zone cristalline nella matrice amorfa permetterebbe di segmentare un numero maggiore di scansioni TEM in minor tempo, evitando i limiti imposti dalla segmentazione manuale. Nonostante l’ampio corpo di ricerca sulla segmentazione di immagini, l’ambito della stima della cristallizzazione superficiale manca sia di dataset disponibili sia di modelli consolidati. Per affrontare questo problema, abbiamo costruito un dataset utilizzando scansioni TEM di diversi campioni di allumina amorfa contenenti il 3 wt% o il 30 wt% di ittria, sottoposti a flussi ionici corrispondenti a dosi da 1 a 12 DPA. L’analisi di campioni diversi consente di creare un dataset vario, contenente differenti morfologie di difetti. Abbiamo quindi implementato e valutato sia metodi algoritmici sia metodi di deep learning per la segmentazione automatica delle scansioni TEM in regioni amorfe o cristallizzate. Una prima esplorazione è stata condotta sui metodi algoritmici, considerando il loro vantaggio intrinseco di non richiedere dati di addestramento. In questo contesto, sono stati valutati approcci non supervisionati, tra cui tecniche di clustering come K-means e N-cut, nonché modelli di rete neurale come STEGO e architetture autoencoder. Per i metodi di deep learning, sono state considerate diverse architetture di rete neurale, implementando modelli con connessioni skip-level (UNET) o con strati convoluzionali incrementali (SEGNET). Abbiamo inoltre indagato l’uso del preprocessing delle immagini, come il filtro Gaussian blur, e di due diversi tipi di autoencoder. Sono stati testati anche vari parametri di addestramento per migliorare l’accuratezza del modello.