XPS常见问题与解答-科学指南针

在做X 射线光电子能谱(XPS)测试时,科学指南针检测平台工作人员在与很多同学沟通中了解到,好多同学仅仅是通过文献或者师兄师姐的推荐对XPS测试有了解,但是对于其原理还属于小白阶段,针对此,科学指南针检测平台团队组织相关同事对网上海量知识进行整理,希望可以帮助到科研圈的伙伴们;

Q:所测窄谱元素,含量比为啥跟预期不符?

1.样品表面被污染

2.样品分布不均匀

3.该元素不分布在样品表面,即不在XPS所测微区范围内

4.XPS是半定量分析,和元素的实际含量会有出入

PS:XPS是一种典型的表面分析手段,用于定性及半定量分析,测试得到的仅是样品表面几百甚至几 十um大小,几个nm深度的样品信息,不代表样品整体性质

Q:样品中,某元素窄谱曲线不光滑,峰刺较多,或没有测出该元素?

1.元素含量比较低

2.样品分布不均匀,所测试的光斑范围内,该元素含量较少

3.该元素不分布在样品表面,即不在XPS所测微区范围内

Q:分峰后,某元素结合能位置不对?

1.确认下数据是否校正(我们给的数据,一般是没有校正的数据)

2.分析下化学环境对该元素峰本身造成的影响,某些化学环境会导致峰有正常的偏移

3.确认下分峰是否正确

Q:元素的结合能测试范围和之前的不同,无法对比?

如果该元素的峰是完整的,可以自行截取至相同结合能范围进行对比,如果不影响分析也可以不进行截取

Q:分峰后,对应价态的峰没有?

1,需要分峰后进行分析,并需确认分峰是否正确

2,全谱的能量很高,如果测不出来,可能是污染碳很高,或者测试深度范围内的含量太少(整体该价 态比较高,但是表面很少),一般是后者原因居多

Q:所测2个元素的窄谱峰有重合,无法分峰?

可尝试测其中某一元素其它轨道峰,来避免与另一元素窄谱峰重合

Q:数据中C、N、O元素含量比实际样品的高,或没有C、N、O但是测出来了?

1.样品吸附了空气中的污染物导致,在数据处理时,把非样品所含有的污染物的峰先分出来,剔除掉 ,再重新计算含量;

2.如果对这个要求较严,建议后期样品制备后抽真空密封保存,测试时选择手套箱制样并测试;如果 是非粉体样品,可选择刻蚀后测试

Q:样品不含有这个元素,为什么全谱测出这个元素了(除CNO)?

1.样品理论上应该不含有,但是样品在处理过程中是有引入该元素的成分,在后续的处理过程没有完 全处理干净

2.待测试样品是在某种基底上测试的,但待测试样品量较少,测试到了基底

3.被同一批次的其他样品,或者有易挥发组分(如S、F),或者进行刻蚀后,污染了该样品表面

Q:某元素含量很高大概 5%,测出来信噪比很差,而有的元素含量很低0.5%,测出来信噪比反而很好?

1.不同元素的主峰的灵敏度因子和检测限不一样;

2.样品分布不均匀

3.该元素不分布在样品表面,即不在XPS所测微区范围内

以上如对实验结果有疑问,请尽快联系科学指南针工作人员或拨打 400-831-0631 ,我们会尽快给您确认并解决,由于我们工作的失误给您带来的不便,我们深感抱歉!

免责声明:部分文章整合自网络,因内容庞杂无法联系到全部作者,如有侵权,请联系删除,我们会在第一时间予以答复,万分感谢。

更多科研干货教程,可以点击下面链接获取哦~

XPS测试

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检的定义 目标检(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检一直是计算机视觉领域最具有挑战性的问题。 目标检任务可分为两个关键的子任务,目标定位和目标分类。首先检图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检算法主要分为两类:Two stage和One stage。Two stage方法将目标检过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检模型一般会给出目标的多个预边界框,对成百上千的预边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预类别匹配真实值(Ground truth)的类别 预边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预结果时,只有最高置信度分数的预结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值