Original title: Charakterizace chemického složení pomocí rentgenové spektroskopie a strojového učení
Translated title: Characterization of Chemical Composition Using X-ray Spectroscopy and Machine Learning
Authors: Turar, Nurdaulet ; Kohút, Jan (referee) ; Zemčík, Pavel (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Automatizovaná prvková analýza pomocí energiově disperzní rentgenové spektroskopie (\gls{EDS}) je klíčová pro automatickou mineralogii a materiálový výzkum. Tradiční identifikační algoritmy založené na pravidlech však často vyžadují manuální dohled k řešení překryvů spekter, artefaktů a nízkého poměru signálu k šumu. Tato práce navrhuje a implementuje end-to-end pipeline strojového učení pro kvalitativní multi-label identifikaci prvků přímo ze surových 1D \gls{EDS} spekter. Vzhledem k nedostatku anotovaných experimentálních dat byly pro trénování využity fyzikálně podložené syntetické datasety, augmentované o modely stochastického šumu za účelem překlenutí rozdílu mezi simulací a realitou. Bylo vyhodnoceno několik architektur, včetně 1D konvolučních neuronových sítí (\gls{CNN}), autoenkodérů a modelů Vision Transformer (\gls{ViT}). Ablační studie prokazují, že Kullback-Leiblerova divergence a normalizace podle maxima jednotlivých vzorků jsou stěžejní pro konvergenci modelů na řídkých spektrálních datech. Ačkoliv \Gls{ML} modely vykazují konzervativnější recall než referenční nástroj Tescan \gls{AutoID} (78.1\% oproti 91.8\%), významně jej překonávají v přesnosti (97.4\% oproti 83.8\%) a robustnosti na rychlých skenech s nízkým počtem impulsů. Navržená řešení zůstávají výpočetně efektivní, což umožňuje jejich nasazení v reálném čase pro automatizované mapování pomocí rastrovací elektronové mikroskopie. Automated elemental analysis via Energy-dispersive X-ray Spectroscopy (\gls{EDS}) is critical for automated mineralogy and materials science. However, traditional rule-based identification algorithms often require manual supervision to resolve spectral overlaps, artifacts, and low signal-to-noise ratios. This thesis proposes and implements an end-to-end machine learning pipeline for qualitative multi-label elemental identification directly from raw 1D \gls{EDS} spectra. Due to the scarcity of labeled experimental data, physics-informed synthetic datasets were utilized for training, augmented with stochastic noise models to bridge the simulation-to-reality gap. Multiple architectures were evaluated, including 1D Convolutional Neural Networks (\gls{CNN}), Autoencoders, and Vision Transformers (\gls{ViT}). The ablation studies demonstrate that Kullback-Leibler divergence and per-sample maximum normalization are foundational for model convergence on sparse spectral data. \Gls{ML} models, while exhibiting a more conservative recall than the Tescan \gls{AutoID} baseline tool (78.1\% vs. 91.8\%), significantly outperform it in precision (97.4\% vs. 83.8\%) and robustness on fast, low-count scans. The proposed solutions remain computationally efficient, enabling real-time deployment for automated scanning electron microscopy mapping.
Keywords: Automatizovaná Mineralogie; Energiově Disperzní Rentgenová Spektroskopie; Konvoluční Neuronové Sítě; Prvková Analýza; Rastrovací Elektronová Mikroskopie; Spektrální Analýza; Strojové Učení; Automated Mineralogy; Convolutional Neural Networks; Elemental Analysis; Energy-dispersive X-ray Spectroscopy; Machine Learning; Scanning Electron Microscopy; Spectral Analysis

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259307

Permalink: http://www.nusl.cz/ntk/nusl-776342


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses