X-ray Diffraction Data Analysis by Machine Learning Methods—a review

Table 1.
Attributes groups to be identified from synchrotron data streams images. Data from
reference [
91
].
Group Number
Group Attributes
Labels
G1
Experiments
GIWAXS, GISAXS, TSAXS, TWAXS, GTSAXS, Theta sweep, and phi sweep.
G2
Instrumentation
Beam off image, photonics CCD, MarCCD, Linear beamstop, saturation,
asymmetric (left/right), and circular beamstop.
G3
Imaging
Specular rod, weak scattering, 2D detector obstruction, strong scattering,
saturation artifacts, misaligned, beam streaking, blocked, bad beam shape,
direct, object obstruction, empty cell, parasitic slit scattering, and point
detector obstruction.
G4
Scattering Features
Horizon, peaks: isolated, ring: oriented z, halo: isotropic, ring: isotropic, ring:
textured, higher orders: 2 to 3, ring: oriented xy, vertical streaks, peaks:
many/field, diffuse high-q: isotropic, higher orders: 4 to 6, higher orders: 7 to
10, Bragg rods, ring: anisotropic, peaks: along ring, diffuse low-q: isotropic,
Yoneda, halo: oriented z, high background, ring: spotted, peak: line Z, peaks:
line xy, diffuse low-q: anisotropic, many rings, diffuse low-q: oriented z,
diffuse low-q: oriented xy, diffuse specular rod, smeared horizon, symmetry
ring: 4-fold, higher orders: 10 to 20, ring doubling, halo: anisotropic, specular
rod peaks, ring: oriented other, peaks: line, diffuse high-q: oriented z, peak
doubling, halo: oriented xy, diffuse high-q: oriented xy, peaks: line other,
waveguide streaks, higher orders: 20 or more, substrate streaks/Kikuchi,
diffuse low-q: oriented other, halo: spotted, diffuse low-q: spotted, and diffuse
high-q: spotted.
G5
Samples
Thin film, ordered, single crystal, grating, amorphous, composite, nanoporous,
powder, and polycrystalline.
G6
Materials
Polymer, block–copolymer, and superlattice.
G7
Specific Substances
P3HT, SiO
2
, PCBM, rubrene, PS-PMMA, silicon, MWCNT, PDMS, AgBH, and
LaB
6
.
The detection of synchrotron image features was also studied by Czyzewski et al. [
92
],
which aimed to identify seven types of flaws: ice rings, diffuse scattering, background rings,
nonuniform detector responses, loop scattering, strong background, and digital artefacts.
The group compared several algorithms (SVM; naïve Bayes—NB; k-nearest neighbors—
KNNs; random forest—RF) with CNN, in which they used different inputs (cartesian
coordinates and polar coordinates with different interpolation methods: min and max). The
dataset used in the study comprised 6311 diffraction images from the Integrated Resource
for Reproducibility in Macromolecular Crystallography, from which 5048 were used as
a training set, 631 were used as a validation set, and, subsequently, 632 were used in the
testing set. The accuracy of class-specific predictive performance for the different classifier
algorithms is shown in Table
2
. Their results clearly show that CNN performance was
consistently better than any other of the tested classifiers. Moreover, it is worth mentioning
that the differences among the CNNs were generally approximately 0.01–0.02.

---

Appl. Sci. 2023, 13, 9992
11 of 22