电子显微镜和缺陷分析是材料科学的基石，因为它们提供了关于微观结构的详细描述以及各种材料和材料体系的性能。通过在电子显微镜中构建一个健全并灵活的自动缺陷识别和分类平台，在图像采集、甚至在图像采集期间以更快的数量级在线完成分析。自动化分析比人工分析更有效、更准确、更能复现，并且可以随着越来越重要的自动数据生成方法来进行扩展。在此基础上，本研究开发了一种基于计算机视觉的自动识别工具，依次应用了级联目标检测器、卷积神经网络和局部图像分析方法。证明了自动化工具在召回和精度方面与人工检测一样或更好，并实现了接近人类平均水平的定量图像/缺陷分析指标。该方法适用于不同对比度、亮度和放大倍数的图像。这些有希望的结果表明，这些类似的方法在检测多种缺陷类型方面是值得探索的，并且具有定位、分类和测量一系列缺陷类型、材料和电子显微镜技术的定量特征的潜力。

图1：自动检测方法的原理框图。输入的显微图像分别经过流水线：模型1：级联对象探测器；模型2 CNN筛选：；模型3：本地图像分析；在经过模块1之后，确定循环位置和边界框，然后使用模块2进一步细化以删除误报。然后模块3确定回路的形状和大小。

图2：选择扫描透射电镜(STEM) 明场像的铁素体合金展示常见的缺陷类型：(1,2)封闭的圆形/椭圆形固体环；(3)开口椭圆环；(4)开口环；(5)线位错片段。选择开口椭圆环(3)进行自动检测，图像大小:1024×1024像素。

图3：平均环直径a，平均环直径b标准差，以及由人工与机器标记得到的环数c的对比。数据来自领域专家研究人员(开源)。

图4：（a）从完整的测试集中选取的图像，并由5名研究人员对所选取的图像进行分析，将其与机器标记进行比较。（b）用自动机器学习程序在6张选定的测试图像上标记的拟合椭圆。

图5：人工和机器标注的（a）召回率、（b）精度和（c）时间效率的比较。图中的数字和图4中的数字编号相关联。