sem如何调清晰

关键是聚焦，高倍聚焦，低倍成像。再就是调节对比度亮度得到一幅清晰的图像。 如果比较了解电镜的话，还要调节像散，对中等等之类的。

SEM想清楚这个要自己多试条件，不同的电压、扫描速度、工作距离都是会影响图片清晰度的，当然条件确认的情况下，就是要看你的技术咯，电子束对中，像散调节，wobble，最后就是focus清晰啦。

制样，成功制备出所要观察的位置，样品如果不导电，可能需要镀金境电，环镜处在无振动干扰和无磁场干扰的环境下，设备，电镜电子枪仍在合理的使用时间内，拍摄，找到拍摄位置，选择合适距离，选择合适探头，对中，调像散，聚焦，反复操作至最清晰。

扫描电镜作为一种基础显微成像工具，因具有超高的放大能力，从而被高校、科研院所、材料研发和质量分析部门广泛用于。

景深这个东西在电镜参数固定的条件下也是固定值。

SEM改变景深大概通过这么几个途径

（1）增大工作距离（WD）

（2）减小束斑尺寸（Spot）

（3）增加光阑数量

（4）有效的消除象散

另外，景深也是和放大倍数有关，在小的放大倍数下，景深要大很多。

7500F是日本电子卖的比较好的冷场，冷场的束斑较热场的要小很多，因此景深应该可以保证。

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

---