kikuchipy: an open-source toolbox for analysis of EBSD patterns

Questo articolo presenta kikuchipy, una toolbox Python open-source per l'analisi delle figure di diffrazione degli elettroni retrodiffusi (EBSD) che supporta l'indicizzazione di Hough e a dizionario, il raffinamento dell'orientazione e la validazione, dimostrata attraverso applicazioni nella caratterizzazione delle microstrutture di acciai inossidabili e leghe di alluminio.

L'essenziale

Immagina di essere un detective intento a risolvere un mistero all'interno di un mondo minuscolo e invisibile. I "sospetti" sono i cristalli microscopici che compongono i metalli e le leghe. Per catturarli, utilizzi una telecamera speciale all'interno di un potente microscopio chiamato macchina di Diffrazione degli Elettroni Retrodiffusi (EBSD). Quando fai incidere un fascio di elettroni su un campione metallico, questo rimbalza indietro creando su uno schermo un complesso pattern luminoso di linee e bande. Questi pattern sono come impronte digitali uniche per ogni tipo di cristallo.

Il problema è che leggere queste impronte digitali è incredibilmente difficile. È come cercare di risolvere un puzzle in cui i pezzi sono sfocati, l'illuminazione è scarsa e alcuni pezzi sembrano quasi identici ad altri. Di solito, gli scienziati devono utilizzare software costosi e "scatola nera" per risolvere questi puzzle. Inserisci i dati e la macchina sputa fuori una risposta, ma non puoi vedere come l'ha risolta, e se la risposta è sbagliata, non hai idea del perché.

Entra in scena "kikuchipy".

Pensa a kikuchipy come a un nuovo "coltellino svizzero" open-source per questi detective. È una cassetta degli attrezzi gratuita scritta nel linguaggio di programmazione Python che permette agli scienziati di smontare il processo di risoluzione del puzzle passo dopo passo. Invece di una magica scatola nera, ti offre un banco di lavoro chiaro e trasparente dove puoi modificare, testare e migliorare ogni mossa che fai.

Ecco come il documento spiega cosa può fare questa cassetta degli attrezzi, utilizzando semplici analogie:

1. Pulire la Foto Disordinata

Prima di poter risolvere il puzzle, spesso devi pulire la foto. I pattern grezzi dal microscopio possono essere rumorosi o avere uno sfondo velato (come una foto scattata attraverso un vetro sporco).

• L'Analogia: Immagina di scattare una foto di una notte stellata, ma c'è una fitta nebbia e un bagliore di un lampione che cancella le stelle.
• Cosa fa kikuchipy: Dispone di strumenti per sottrarre quella "nebbia" (correzione dello sfondo) e mettere a fuoco l'immagine. Può persino prendere una foto sfocata e mescolarla con i suoi vicini per far risaltare chiaramente le stelle (le linee cristalline).

2. Calibrare la Telecamera

Per sapere esattamente dove punta un cristallo, devi sapere esattamente dove si trova la telecamera rispetto al campione.

• L'Analogia: Se stai cercando di mappare una città, devi sapere esattamente dove punta la tua bussola e quanto sei lontano dagli edifici. Se la tua bussola è sbagliata di pochi gradi, la tua mappa sarà errata.
• Cosa fa kikuchipy: Ti aiuta a "calibrare" la posizione della telecamera (chiamata "centro di proiezione") in modo che la mappa corrisponda alla realtà. Può persino regolare questa posizione per ogni singolo punto nella mappa, come un GPS che aggiorna la sua posizione mentre guidi.

3. Risolvere il Puzzle (Indicizzazione)

Una volta che l'immagine è pulita e la telecamera è calibrata, devi abbinare il pattern a una libreria di cristalli noti.

• L'Analogia: Immagina di avere una libreria di 10.000 impronte digitali diverse. Hai un'impronta sfocata dalla scena del crimine e devi trovare la corrispondenza.
• Due modi per farlo:
  • Indicizzazione Hough: È come scansionare rapidamente la libreria per la forma generale delle linee. È veloce ma potrebbe perdere dettagli sottili.
  • Indicizzazione a Dizionario: È come confrontare l'intera impronta sfocata con ogni singola impronta digitale nella libreria, pixel per pixel, cercando la corrispondenza perfetta. È più lenta ma molto più accurata, specialmente per casi difficili.
• Il Raffinamento: Se la corrispondenza è vicina ma non perfetta, kikuchipy può "spingere" leggermente la risposta per trovare l'adattamento esatto, come regolare una sintonia radio finché il fruscio non scompare e la musica diventa chiara.

4. Il "Controllo della Verità"

La parte più potente di kikuchipy è che ti permette di ricontrollare visivamente il tuo lavoro.

• L'Analogia: Invece di fidarti ciecamente della risposta del computer, puoi prendere la "migliore ipotesi" del computer e proiettare una versione simulata perfetta di come quel cristallo dovrebbe apparire. Poi, metti la foto reale e la simulazione una accanto all'altra.
• Cosa mostra: Se le linee e le ombre nella simulazione si allineano perfettamente con la foto reale, sai di aver risolto correttamente. Se non corrispondono, sai di aver commesso un errore e puoi tornare indietro e correggerlo.

Casi Reali dal Documento

Gli autori hanno testato questa cassetta degli attrezzi su tre difficili misteri metallici:

1. L'Acciaio "Super": Hanno esaminato un acciaio super-resistente che aveva sviluppato cristalli indesiderati e fragili al suo interno. Usando kikuchipy, hanno potuto mappare esattamente dove si erano formati questi cristalli cattivi e come erano orientati rispetto a quelli buoni. Era come vedere la pianta di un edificio dei suoi punti deboli.
2. Il Mix Alluminio vs Silicio: In una comune lega metallica, Alluminio e Silicio sembrano quasi identici sotto il microscopio perché le loro strutture cristalline sono così simili. È come cercare di distinguere due gemelli identici vestiti con gli stessi panni. La maggior parte dei software si confonde. Ma poiché kikuchipy guarda alla luminosità delle linee (non solo alla loro forma), è riuscito a distinguere con successo i gemelli e a mappare dove si nascondeva il Silicio.
3. La Lega Rumorosa: Hanno esaminato un metallo che era stato schiacciato e laminato così duramente che i pattern cristallini erano molto sfocati e rumorosi. Era come cercare di leggere un libro in un uragano. Usando la cassetta degli attrezzi per pulire il rumore e confrontare attentamente i pattern, sono riusciti comunque a identificare le minuscole particelle all'interno, anche quando il segnale era molto debole.

Il Quadro Generale

Il documento conclude che kikuchipy non riguarda solo risolvere i puzzle più velocemente; riguarda risolverli meglio e capire come li hai risolti. È costruito per la comunità scientifica da condividere, migliorare e adattare. Trasforma l'analisi EBSD da un processo di "fidati della macchina" in un'indagine trasparente, flessibile e collaborativa, permettendo a chiunque di sbirciare dietro le quinte e vedere chiaramente il mondo cristallino.

Sommario tecnico

Sintesi Tecnica: kikuchipy: una toolbox open-source per l'analisi di pattern EBSD

Enunciato del Problema
La Diffrazione di Elettroni Retrodiffusi (EBSD) è una tecnica standard per la caratterizzazione delle caratteristiche cristallografiche nella microscopia elettronica a scansione (SEM). Tuttavia, l'indicizzazione dei pattern EBSD (EBSP) è soggetta a varie fonti di errore, tra cui l'indicizzazione errata delle fasi cristallografiche, la dispersione dei punti di orientazione all'interno dei grani e le difficoltà nel differenziare fasi con strutture cristalline simili. Sebbene esistano soluzioni commerciali, queste spesso privilegiano l'automazione e la facilità d'uso a scapito della flessibilità e della trasparenza. Questo approccio "scatola nera" limita la capacità dei ricercatori di diagnosticare casi problematici, ottimizzare le fasi di indicizzazione o comprendere gli algoritmi sottostanti. Sebbene esistano alternative open-source (ad esempio EMsoft, EMSphinx, AstroEBSD, PyEBSDIndex), permane la necessità di una toolbox basata su Python, ampiamente accessibile e flessibile, che si integri perfettamente con l'ecosistema scientifico di Python per facilitare lo sviluppo iterativo dei flussi di lavoro e la validazione dei risultati.

Metodologia
Il documento introduce kikuchipy, una toolbox open-source in Python progettata per l'analisi degli EBSP. Il software estende la libreria HyperSpy per l'analisi di dataset multidimensionali e si basa su orix per la gestione delle rotazioni e della simmetria cristallina, e su diffsims per le simulazioni di diffrazione.

La metodologia centrale enfatizza un flusso di lavoro di indicizzazione offline flessibile e iterativo (illustrato nella Fig. 2 del documento), che include:

1. Caricamento e Ispezione dei Dati: Lettura di file dai principali produttori (Bruker, EDAX, NORDIF, Oxford) e generazione di mappe "pre-indicizzazione" (ad esempio, intensità media del pattern, immagini virtuali di elettroni retrodiffusi, mappe di qualità dell'immagine) per guidare la selezione delle fasi e convalidare i risultati senza pregiudizi dell'utente.
2. Elaborazione dei Pattern: Applicazione di correzioni di fondo statiche e dinamiche, riduzione del rumore tramite media dei vicini e binning per migliorare il rapporto segnale-rumore (SNR) o la velocità.
3. Calibrazione Geometrica: Determinazione del centro di proiezione (PC) e della geometria rivelatore-campione. Ciò comporta l'indicizzazione di Hough per stime iniziali e il raffinamento tramite corrispondenza dei pattern. Il software supporta sia modelli PC fissi che dinamici.
4. Indicizzazione:
   • Indicizzazione di Hough: Implementata tramite PyEBSDIndex per una rapida stima dell'orientazione basata sul rilevamento delle bande di Kikuchi.
   • Indicizzazione a Dizionario: Adattata da EMsoft, questo metodo confronta i pattern sperimentali con un dizionario di pattern master simulati dinamicamente. Utilizza la correlazione incrociata normalizzata (NCC) come metrica di similarità.
5. Raffinamento: Viene eseguito il raffinamento dell'orientazione e/o del centro di proiezione per migliorare l'accuratezza, ottimizzando il punteggio NCC utilizzando algoritmi di SciPy e NLopt.
6. Validazione: I risultati sono validati confrontando visivamente i pattern sperimentali con simulazioni geometriche, cinematiche e dinamiche, nonché analizzando le mappe della Figura del Polo Inverso (IPF).

Il software è progettato per gestire dataset più grandi della memoria disponibile utilizzando Dask e impiega Numba per la compilazione just-in-time delle sezioni critiche per le prestazioni.

Contributi e Risultati Chiave
Il documento dimostra le capacità di kikuchipy attraverso tre distinti esempi applicativi:

1. Relazioni di Orientazione nell'Acciaio Inossidabile Super Duplex (SDSS):

   • Il flusso di lavoro è stato applicato a un SDSS contenente fasi secondarie indesiderate (sigma, chi, R, $\pi$ e nitruri di cromo).
   • Le mappe pre-indicizzazione hanno identificato con successo le caratteristiche microstrutturali, comprese strutture lamellari e particelle con contrasto ad alto Z.
   • L'indicizzazione a dizionario ha distinto tra molteplici fasi, comprese quelle che tipicamente richiedono la Microscopia Elettronica in Trasmissione (TEM) a causa delle dimensioni (fino a ~0,52 $\mu$m).
   • Lo studio ha visualizzato le relazioni di orientazione (OR) tra le fasi (ad esempio, $\alpha$/$\gamma$, $\alpha$/$\sigma$, $\alpha$/$\chi$) utilizzando le distribuzioni di disorientazione nello spazio asse-angolo. Ha confermato la relazione Kurdjumov-Sachs per $\alpha$/$\gamma$ e ha identificato una relazione OR "Cube-on-cube" per $\alpha$/$\chi$, nonché una relazione CSL3 precedentemente non riportata tra chi e ferrite.

2. Differenziazione delle Fasi nelle Leghe Al–Si:

   • È stato affrontato la sfida di differenziare tra Alluminio (FCC) e Silicio (cubico a diamante), che hanno posizioni simili delle bande di Kikuchi.
   • Il documento dimostra che l'indicizzazione a dizionario utilizzando simulazioni dinamiche, che sfruttano le distribuzioni di intensità relativa piuttosto che solo le posizioni delle bande, può differenziare con successo queste fasi basandosi esclusivamente sugli EBSP.
   • La validazione ha coinvolto il confronto tra pattern sperimentali e simulati, mostrando che le discrepanze di intensità nelle simulazioni di Al (rispetto a Si) indicavano chiaramente la fase corretta.
   • L'analisi ha rivelato una texture nelle fibre di silicio e l'assenza di una forte relazione di orientazione tra Al e Si nella lega modificata.

3. Differenziazione delle Fasi nelle Leghe Al–Mn Rumorose:

   • Il software è stato utilizzato per indicizzare particelle costituenti di dimensioni micrometriche ($Al_6Mn$ e $\alpha$-AlMnSi) in una lega Al–Mn pesantemente laminata a freddo e ricotta, dove gli EBSP soffrivano di basso SNR a causa dell'energia immagazzinata e del rumore della fotocamera.
   • Combinando correzione di fondo, media dei vicini e indicizzazione a dizionario, il software ha identificato e distinto con successo le due fasi delle particelle.
   • I risultati sono stati validati rispetto a una mappa "ground truth" generata indipendentemente e derivata dall'imaging di Elettroni Retrodiffusi (BSE).
   • L'analisi ha rivelato un'orientazione preferenziale per le particelle $Al_6Mn$ e una grande rotazione sistematica del reticolo all'interno di una specifica particella $\alpha$-AlMnSi, attribuita a una forte deformazione.

Significato e Affermazioni
Il documento posiziona kikuchipy non come uno strumento per massimizzare la velocità di indicizzazione, ma come una risorsa per la comunità della microscopia elettronica per migliorare flessibilità, trasparenza e validazione dei risultati.

• Flessibilità e Iterazione: Il software consente agli utenti di costruire flussi di lavoro personalizzati in cui le fasi di indicizzazione possono essere ottimizzate e le fonti di errore identificate, affrontando la rigidità delle soluzioni commerciali.
• Validazione: Sottolinea l'importanza della validazione visiva (confronto tra pattern sperimentali e simulati) e della verifica indipendente (ad esempio, utilizzando mappe pre-indicizzazione o immagini BSE) per garantire l'accuratezza dell'indicizzazione.
• Scienza Aperta: Il codice è ospitato su GitHub, e i dati grezzi e i notebook di flusso di lavoro per gli esempi sono resi pubblicamente disponibili su Zenodo, aderendo ai principi FAIR.
• Risorsa per la Comunità: Gli autori affermano che il software è sviluppato per permettere a chiunque di migliorare il codice o integrarlo nei propri flussi di lavoro di analisi, promuovendo la collaborazione e l'avanzamento nell'analisi EBSD.

Il documento conclude che, sebbene esistano limitazioni attuali (come la necessità di una configurazione manuale per fase per l'indicizzazione a dizionario e la mancanza di una GUI nativa), l'integrazione dell'ecosistema scientifico di Python rende kikuchipy uno strumento potente per lo sviluppo di flussi di lavoro di analisi EBSD robusti e flessibili.