[发明专利]一种二维材料样品位置可视化方法

说明书

本发明公开了一种基于人工智能的二维材料样品位置可视化方法，包括：数据集的制作，模型的训练，数据过滤筛选以及可视化四个过程。对数据集进行标注和划分，训练制作的数据集直到模型收敛。用生成的模型对带有硅片位置信息的图片进行检测，对检测后的图片进行多次数据筛选，数据筛选主要通过样品是否存在，是否为样品的概率和样品的面积三个方面来进行筛选，通过三次过滤后对剩余的图片位置信息进行提取，使用Python软件对其位置进行模拟可视化。本发明实现了硅片样品位置可视化，克服了传统手工寻样的速度慢、效率低的缺点，最主要的是将研究者从重复的寻样过程中解放出来。

技术领域

本发明实施涉及图像目标检测技术领域，特别涉及一种基于Mask RCNN的二维材料光学显微图片检测和可视化的方法。

背景技术

自从石墨烯问世以来，因其出色的导电性和导热性被广泛用于诸多领域,同时也开启了二维(2D)材料时代的大门。二维材料因其厚度达到了原子级尺度以及具有独特的光电属性一直处于研究领域的前沿。高质量的2D晶体材料不仅有利于探索2D极限条件下的新奇物理现象,而且在光电子器件应用领域同样展现出了诸多新奇的应用和光明的前景。目前用二维材料制作的光电探测器在通信、光电显示、成像、环境监测、宇宙探索以及国防军事等诸多方面都有着非常重要的应用。

二维材料的样品制作大多都是使用机械剥离法，通过使用透明胶带将样品撕到衬底上。当前使用的表征方法在快速确定二维材料位置和尺寸方面都面临着严峻的挑战。荧光显微镜已被用于增强薄层样品和基底之间的对比度，从而可以使用低倍率图像一次检查多个样品，但缺乏有关片厚度的信息。虽然AFM可以准确测量板材的厚度和尺寸，但速度较慢。AFM图像的尺寸通常限制为100μm×100μm，这限制了每个AFM图像中的薄层样品个数，需要大量时间才能获得具有统计意义的结果。

发明内容

为了改善寻找二维材料样品会消耗研究者大量时间的问题，本发明提出了一种基于人工智能算法Mask RCNN对二维材料光学显微图片进行目标检测及其位置可视化方法。该方法可以实现对大量二位材料图片的检测，并对其位置信息进行可视化，加速研究者对二维材料的科学研究。

为了实现上述目的，本发明采取了如下技术方案。

一种二维材料样品位置可视化方法，包括如下步骤：

S1：制作二维材料数据集，在改变光照强度，样品在图片中的位置和图片清晰度的情况下，拍摄带有样品的光学显微图片，并对所有的图片进行标注，标注完成后随机划分为训练集和测试集；

S2：通过检测训练集中图片的片状目标，建立可视化模型，对训练集进行训练直到模型收敛，并用测试集对可视化模型进行验证，将验证合格的可视化模型进行部署；

S3：针对待测试图片进行检测，对检测后的图片进行多次片状材料参数数据筛选，并采用可视化模型对待测试图片的目标位置进行模拟可视化。

作为本发明的进一步改进，所述二维材料选自石墨烯或者二硫化钼。

作为本发明的进一步改进，所述S2包括如下步骤：

S201：网络头权重的初始化使用数据集预训练获得的权重，网络权重的其余部分使用随机值进行初始化，优化器使用动量为0.9且权重衰减因子为0.1的随机梯度下降优化器；

S202：训练分为多个阶段；

S203：使用了数据增强方法增加训练数据集的数量；

S204：训练批次设置后，进行训练。

作为本发明的进一步改进，数据增强方法包括色彩通道乘法，旋转，水平/垂直翻转和水平/垂直平移。

作为本发明的进一步改进，采用MATLAB自带工具Image Labeler对数据集进行标注，标注完成后以8：2的比例将数据划分为训练集和测试集。