Iker Toscano, Miguel De la Torre, Brenda Acevedo Juárez, Gabriel Alberto García Mireles
El microscopio electrónico de barrido (SEM) es comúnmente utilizado para analizar nanopartículas de distintos materiales y mejorar métodos de fabricación, sistemas de purificación, mejoras en la industria médica, entre otras. En este artículo, se presenta un mapeo sistemático de la literatura referente al uso de técnicas de aprendizaje profundo (AP) para la detección y clasificación de nanopartículas contenidas en micrografías SEM. Los resultados reflejan que las redes neuronales convolucionales (CNN) son las técnicas más utilizadas para analizar micrografías, obteniendo una alta precisión en los proyectos realizados en las publicaciones revisadas. Como prueba de concepto, se presentan ejemplos del uso de los enfoques más comunes en micrografías SEM de CaCO3, incluyendo el uso de herramientas como OpenAI. Los resultados revelan ventajas y retos que se presentan al utilizar técnicas de aprendizaje profundo en el análisis de micrografías SEM.
The scanning electron microscope (SEM) is commonly used to analyze nanoparticles of different materials and improve manufacturing methods, purification systems, and improve the medical industry, among others. In this article, a systematic mapping of the literature regarding the use of deep learning (AP) techniques for the detection and classification of nanoparticles contained in SEM micrographs is presented. The results reflect those variants of convolutional neural networks (CNN) that are the most widely used techniques to analyze micrographs, obtaining high precision in the projects carried out in the reviewed publications. As proof of concept, examples of the use of the most common approaches in SEM micrographs of CaCO3, including tools like OpenAI, are presented. The results reveal advantages and challenges that arise when using deep learning techniques in the analysis of SEM micrographs.