基于CNN-GCN模型的扫描电镜图像分类

通过对矿物扫描电镜图像进行分类与鉴定，能够获取矿物的微观信息，确定矿物的组成与类别，对于油气田生、储、盖类型的研究具有重要的意义.由于在一幅图像之中有时不止有一种矿物，且不同矿物之间具有相关性或共生性的特性，而普通的神经网络只提取图像特征或只注意图像局部的特征关系，忽略了矿物之间的相关性.因此如何利用标签之间的关系进行更优秀的多标签图像分类成为扫描电镜图像分类的重要任务.鉴于上述情况，通过构建基于Resnet50的图像特征学习模块与基于图卷积神经网络的分类器模块构成的引入图卷积的卷积神经网络模型可以很好地完成上述任务.使用卷积神经网络模块提取图像特征，并利用GCN模块学习矿物标签之间的相关性，达到提高分类准确率的目的 .此模型相比普通的CNN模型准确率提高了5%，相比引入注意力机制的CNN模型，此模型的准确率仍有3%的优势.实验表明，CNN与GCN相结合的分类模型在扫描电镜数据集分类任务中优于其他的分类模型.     

基于X射线显微CT的合金钢中夹杂物的定量三维表征

夹杂物对钢铁的疲劳强度以及疲劳寿命均会产生影响，但是大块试样中的夹杂物情况无法直接用X射线显微计算机断层扫描(X射线显微CT)进行精确成像。为实现对大块试样中夹杂物的三维特征观察，采用非水溶液电解的方法获取大块试样中的夹杂物，利用扫描电镜对电解后的夹杂物进行观察和分析，将夹杂物聚合成为圆柱形样品，最后采用X射线显微CT对夹杂物进行三维扫描，得到了大块试样中夹杂物的三维信息，并对夹杂物的各项尺寸数据进行统计分析。该研究为获取大块钢铁试样中夹杂物的三维形貌提供了新思路。     

金斑喙凤蝶雄虫触角感觉器的扫描电镜观察

对金斑喙凤蝶雄虫触角进行扫描电镜观察发现：其触角有３种感觉器，即星形感器，毛形感器和鳞形感器。星形感器数量最多，几乎密布整个触角，鳞形感器数量以触角基部分布较多，同时也分布于鞭节各节；毛形感器（Ａ，Ｂ型）数量最少，稀疏分布于鞭节各节。