Projekty / 2023-2026
Udział w grupie NETCAT
Rozwój narzędzi software'owych dla grupy NETCAT: analiza STM/EC-STM, detekcja i tracking obiektów, metrologia sieci, deep learning wspierający eksperta oraz workflow human-in-the-loop od surowych obrazów do ilościowo zwalidowanych wyników.
Kontekst
NETCAT Group — Nanomaterials for Electrocatalysis Group — jest moim głównym kontekstem badawczym dla prac związanych z analizą danych STM, EC-STM oraz pokrewnych danych obrazowych powierzchni. W ramach tego obszaru rozwijam narzędzia software’owe, które łączą eksperyment, analizę obrazów, uczenie maszynowe i ilościową walidację wyników.
Moja rola koncentruje się na tworzeniu praktycznych workflow dla trudnych danych eksperymentalnych: zaszumionych obrazów mikroskopowych, sekwencji operando, danych wielokanałowych oraz pomiarów wymagających ręcznej kontroli jakości. Celem jest przejście od surowych obrazów do powtarzalnych, udokumentowanych i ilościowo porównywalnych wyników.
Kontekst badawczy
Grupa NETCAT zajmuje się nanomateriałami dla elektrokatalizy, ze szczególnym naciskiem na magazynowanie i konwersję energii, katalityczne interfejsy, materiały 2D oraz procesy zachodzące na granicy faz ciało stałe-ciecz.
W praktyce oznacza to pracę z obrazami i sekwencjami, w których istotne są zarówno detale atomowe, jak i zmienność w czasie, potencjale elektrochemicznym lub warunkach obrazowania. Typowe problemy danych to dryf, zniekształcenia skanera, niska powtarzalność kontrastu, lokalne defekty, różnice między kanałami topografii i prądu oraz konieczność porównywania wyników między wieloma ramkami lub eksperymentami.
Mój wkład
Mój wkład obejmuje rozwój narzędzi, które wspierają analizę danych powierzchniowych od strony programistycznej i metrologicznej:
- projektowanie aplikacji desktopowych w Pythonie i PyQt6,
- budowę workflow human-in-the-loop do kuracji danych i kontroli jakości,
- integrację klasycznych algorytmów przetwarzania obrazów z metodami deep learning,
- rozwój narzędzi do detekcji, segmentacji, śledzenia i rejestracji obrazów,
- przygotowywanie eksportów danych, sesji, tabel i wyników gotowych do dalszej analizy,
- porządkowanie kodu, dokumentacji i opisów technicznych tak, aby narzędzia mogły być używane w powtarzalny sposób.
Powiązane narzędzia software
LFA — Lattice Fourier Analyzer
LFA jest opublikowanym narzędziem do ilościowej analizy STM/EC-STM w przestrzeni Fouriera. Aplikacja wspiera lokalizację pików Bragga, korekcję dryfu i zniekształceń skanera, wyznaczanie parametrów sieci oraz analizę relacji adsorbat-podłoże.
MolDetA v2
MolDetA v2 służy do kuracji i analizy molekuł w wieloskanowych danych STM. Łączy rejestrację obrazów, propagację geometrii, detekcję, ręczną edycję bboxów, grupowanie obiektów i downstream analysis.
NaParA — Nanoparticle Analyzer
NaParA wspiera analizę nanocząstek w obrazach STM: preprocessing, wybór ROI, detekcję konturów, obliczanie metryk i eksport wyników. Narzędzie jest rozwijane z myślą o szybkiej, powtarzalnej kwantyfikacji obiektów na powierzchni.
NanoTrack
NanoTrack służy do pracy z sekwencjami STM. Umożliwia rejestrację ramek, tworzenie seedów, śledzenie obiektów i analizę krawędzi stopni. W projekcie testowane są różne backendy trackingu i segmentacji.
Deep learning i human-in-the-loop
W części narzędzi deep learning jest warstwą wspomagającą eksperta, a nie jedynym źródłem prawdy. Modele są używane do detekcji, segmentacji, seed generation, trackingu i porównania wyników z klasycznym przetwarzaniem obrazów.
Ten model pracy jest szczególnie ważny w danych STM/EC-STM, gdzie kontrast zależy od warunków tunelowania, potencjału elektrochemicznego, kanału obrazowania i lokalnej struktury powierzchni. Dlatego workflow musi pozwalać użytkownikowi zobaczyć, poprawić i zweryfikować każdy istotny etap analizy.
Stack technologiczny
| Obszar | Technologie i biblioteki |
|---|---|
| GUI desktopowe | Python, PyQt6, pyqtgraph |
| Analiza numeryczna | NumPy, SciPy |
| Przetwarzanie obrazów | scikit-image, OpenCV, filtry morfologiczne, rejestracja, optical flow |
| Deep learning | PyTorch, YOLO, U-Net, SAM-family, backendy trackingowe |
| Wizualizacja | matplotlib, pyqtgraph, overlaye na obrazach, tabele wyników |
| Dane | STM/EC-STM/LEED formats, CSV, JSON, STP, pliki sesji |
| Walidacja | testy jednostkowe, testy regresyjne, porównanie z referencją manualną, metryki jakości |
| Dokumentacja | README, user guides, opisy workflow, dokumentacja techniczna |
Przykładowe zastosowania
Analiza rejestru adsorbat-podłoże w EC-STM
LFA umożliwia ilościową analizę układów, w których podłoże i adsorbat są obserwowane w różnych warunkach kontrastu. Workflow pozwala zakotwiczyć metrologię w znanej sieci podłoża i przenieść korekcję na obraz adsorbatu.
Kuracja obiektów molekularnych w wielu kanałach STM
MolDetA v2 wspiera pracę z wieloma skanami tego samego obszaru, pozwalając wykrywać, propagować, ręcznie poprawiać i grupować obiekty w spójne zestawy.
Ilościowa analiza nanocząstek
NaParA wspiera detekcję i pomiar obiektów na powierzchni: pole, centroid, liczność, rozkład wielkości i odległości najbliższych sąsiadów.
Śledzenie dynamiki w sekwencjach STM
NanoTrack pozwala łączyć rejestrację ramek, seed detection, tracking i analizę metryk dla sekwencji, w których obiekty lub krawędzie stopni zmieniają położenie albo kształt w czasie.
Status projektu
To aktywnie rozwijany obszar pracy. Część narzędzi ma charakter badawczo-produkcyjny i jest używana w realnych analizach, część pozostaje w fazie testów lub refaktoryzacji. Wspólnym celem jest budowa stabilnego ekosystemu narzędzi do ilościowej analizy danych STM, EC-STM i pokrewnych technik obrazowania powierzchni.