CN112906540A - 一种基于衬底上生长的三角形二硫化钼的识别方法 - Google Patents
一种基于衬底上生长的三角形二硫化钼的识别方法 Download PDFInfo
- Publication number
- CN112906540A CN112906540A CN202110172208.1A CN202110172208A CN112906540A CN 112906540 A CN112906540 A CN 112906540A CN 202110172208 A CN202110172208 A CN 202110172208A CN 112906540 A CN112906540 A CN 112906540A
- Authority
- CN
- China
- Prior art keywords
- substrate
- molybdenum disulfide
- triangular
- identifying
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于衬底上生长的三角形二硫化钼的识别方法,具体包括以下步骤:S1、对衬底进行快速成像,得到完整清晰的全局衬底图像;S2、对所述衬底图像进行筛选识别;S3、对所述筛选识别的结果进行拟合和分析。本发明将500倍的平移变换图片拍摄整合得到一个样品的全貌,且具有更高的清晰度和完整度;本发明通过Faster R‑CNN专用深度神经网络的识别处理得到边长在30微米左右的正三角形的二硫化钼,取其中心点坐标导入到matlab中进行三次样条插值拟合,得到的拟合函数代表生长的二硫化钼优质样品的分布规律,能够更加直观的感受到优质样品在衬底的分布,避免了人工观察可能会出现的重复性机械劳动,减轻了负担。
Description
技术领域
本发明属于无机功能材料识别技术领域,特别是涉及一种基于衬底上生长的三角形二硫化钼的识别方法。
背景技术
传统技术中,对于生长在衬底上的二硫化钼的识别,需要人眼进行筛选与识别长势良好的单层二硫化钼,并且还会带来一系列人工不断调整位置,调节焦距,记录位置,判断大小的操作等弊端,从而会出现重复性机械劳动,给人工增加了负担。
因此,寻找一种无需人工操作并且成像更具清晰化的生长在衬底上的二硫化钼的识别方法成为研究人员关注的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于衬底上生长的三角形二硫化钼的识别方法,将带有目标二硫化钼的衬底放到显微摄像机下面,摄像机即可自动启动,对摆放的样品进行处理分析,免除了一系列人工不断调整位置,调节焦距,记录位置,判断大小的操作,可以直接通过该识别方法,得到优良的单层二硫化钼的具体位置。
为实现上述目的,本发明提出一种基于衬底上生长的三角形二硫化钼的识别方法,具体包括以下步骤:
S1、对衬底进行快速成像,得到完整清晰的衬底图像;
S2、对所述衬底图像进行筛选识别;
S3、对所述筛选识别的结果进行拟合和分析。
优选地,所述步骤S1具体为:
S11、对光学显微镜下的衬底进行图像采集,得到一系列局部视场下的衬底图像;
S12、对所述局部视场下的衬底图像采用全局图片自动拼接算法,得到完整清晰的全局衬底图像。
优选地,所述光学显微镜的放大倍数为500倍。
优选地,所述图像采集具体为:
将所述光学显微镜固定在电动载物平台的上方,设置所述光学显微镜的光轴与载物台表面垂直,载物平台在二维平面内移动,所述载物平台的水平垂直方向平动产生图像平移变换,得到一系列局部视场下的衬底图像;同时,相邻的图像取一部分重叠进行拍摄,合并时去掉重叠。
优选地,所述步骤S2具体为:
S21、基于Faster R-CNN深度神经网络算法,对所述衬底图像进行筛选识别,得到满足筛选条件的所有具有优质三角形结构的单层二硫化钼的坐标集合;
S22、取所述所有单层二硫化钼的三角形结构的中心位置作为坐标点,并以该坐标点进行标记。
优选地,所述筛选条件为所述单层二硫化钼结构是否为三角形、所述三角形的边长是否相等、所述三角形的边长长度是否在30微米左右;若均满足以上条件,则筛选出具有优质三角形结构的单层二硫化钼;所述优质三角形结构为边长接近30微米的正三角形。
优选地,所述步骤S3具体为:
S31、将所述坐标点导入matlab软件中进行坐标转化;
S32、将所述完整衬底转化为二维坐标平面,并将所述二维坐标平面划分为A*A个基元,其中A为任意正整数;
S33、统计每个基元的坐标点个数,得到所述具有优质三角形结构的单层二硫化钼的密度分布函数;
S34、将所述密度分布函数导入所述matlab软件中,并通过三次样条插值进行数学函数拟合,得到优质单层二硫化钼的密度分布函数关于二维空间横纵坐标的函数关系式;
S35、画出所述函数关系式的三维曲面图像,并对所述三维曲面图像中分布在衬底上的优质单层二硫化钼进行数据分析。
本发明的有益效果在于:
(1)本发明通过将二硫化钼放到设置好的移动载物台上面,将拍摄得到的500倍的平移变换图片拍摄整合,得到一个样品的全貌,相比于传统在10倍等情况下拍摄出来的图片具有更高的清晰度和完整度;
(2)本发明通过Faster R-CNN这种用于目标检测与定位领域的专用深度神经网络的识别处理,得到与目标二硫化钼边长在30微米左右的正三角形二硫化钼,取其中心点坐标,导出数据到matlab中,进行三次样条插值拟合,得到的拟合函数代表生长的二硫化钼优质样品的分布规律,能够更加直观的感受到优质样品在衬底的分布,避免了人工观察可能会出现的重复性机械劳动,减轻了负担。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为本发明实施例优质单层二硫化钼三角形结构的中心坐标点位置示意图;
图3为本发明实施例优质单层二硫化钼三角形结构的中心坐标点在matlab中的位置示意图;
图4为本发明实施例三次样条插值拟合的优质单层二硫化钼三维曲面分布情况示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示,本发明提出一种基于衬底上生长的三角形二硫化钼的识别方法,具体包括以下步骤:
S1、对衬底进行快速成像,得到完整的衬底图像;
首先使用摄像机在光学显微镜下对具有一定尺寸的衬底进行连续拍照。由于显微镜摄影机的视场限制,其采集到的图像只是衬底的一小部分,因此,本发明采用全局图片自动拼接算法,在同一焦距下拍摄多张照片,然后组合在一起形成完整的衬底图像,通过这种算法能够将有限视场得到的图像连续准确地、快速地经过校准拼接在一起,供给后续的识别筛选所用。
其中,本发明的单层二硫化钼理想的形状为边长为30微米左右的正三角形,所以当显微镜放大倍数为500倍时最优。在图像采集系统中,将显微镜固定在电动载物平台的上方,设置显微镜的光轴与载物台表面垂直,载物平台在二维平面内移动,平台的水平垂直方向平动产生图像平移变换。为了保持图像细节,相邻图可取一部分重叠进行拍摄,合并时去掉重叠即可。
S2、对所述衬底图像进行筛选识别;
筛选识别的要求是对所得到的与衬底尺寸相同的衬底图像中满足条件的优质三角形结构样品进行快速准确的识别,因此,本发明采用Faster R-CNN这种用于目标检测与定位领域的专用深度神经网络算法实现这一功能,通过输入的标准的二硫化钼图片进行训练,利用计算设备对从显微镜观察所分析得到的完整图像进行对比分析,通过对比三角形的形状和大小,对存在边长为30微米左右的正三角形的区域进行数字化处理,从而得到对每个单层二硫化钼样品的相应的坐标集合及其中心位置坐标。考虑到深度神经网络具有高计算复杂度、高功耗的特征,将数据传输到云端服务器进行处理,再将处理结果发送到终端设备。
其中,识别目标为边长为30微米的正三角形,三角形结构的二硫化钼要求尺寸均一、具有良好的正三角形结构,即为优质的单层硫族金属过渡化合物样品。可以从是否为三角形、边长是否相等、边长是否在30微米左右等方面进行识别。
本发明以显微镜放大500倍的视场为例,通过图像识别,最终确定每个优质单层二硫化钼样品的识别结果和区域坐标,取其三角形中心为坐标点,并用小黑圆点进行标记,如图2所示。
S3、对所述筛选识别的结果进行拟合和分析。
首先将识别结果全部导入matlab软件,其中,数据形式为独立的坐标点,每个坐标点代表一个优质的二硫化钼样品。还是以上述中500倍视场为例,以衬底中心为原点,横向为x轴,纵向为y轴,数据点在matlab中可以转化为x和y坐标,如图3所示。
然后将完整衬底转化为二维坐标平面,并将该平面划分为A*A个基元,具体情况视衬底大小及视场选择大小而定。统计每个基元内的坐标点个数,以个数作为因变量,坐标作为自变量,即可得到优质单层二硫化钼的密度分布函数。
最后将分布密度函数导入matlab软件中,通过三次样条插值进行数学函数拟合,得到优质单层二硫化钼的密度分布函数关于二维空间横纵坐标的函数关系式。其中,拟合生成的函数关系式代表生长的二硫化钼优质样品的分布规律,并没有统一的形式和内容,但是可以指导我们接下来的转移、掺杂等工作的进行。该函数关系式可以画出三维曲面图像,直观感受到优质样品在衬底的分布,参照图4所示。
综上,本发明通过将二硫化钼放到设置好的可以移动的载物台上面,将拍摄得到的500倍的平移变换图片拍摄整合,得到一个样品的全貌,相比于之前的在10倍等情况下拍摄出来的图片,这样得到的图片具有更高的清晰度和完整度;通过Faster R-CNN这种用于目标检测与定位领域的专用深度神经网络的识别处理,得到与目标二硫化钼边长在30微米左右,形状为正三角形的二硫化钼,取其中心点坐标,导出数据到matlab中,进行三次样条插值拟合,得到的拟合函数可以代表生长的二硫化钼优质样品的分布规律,能够更加直观的感受到优质样品在衬底的分布,避免了人工观察可能会出现重复性机械劳动,减轻了负担。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,具体包括以下步骤:
S1、对衬底进行快速成像,得到完整清晰的衬底图像;
S2、对所述衬底图像进行筛选识别;
S3、对所述筛选识别的结果进行拟合和分析。
2.根据权利要求1所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述步骤S1具体为:
S11、对光学显微镜下的衬底进行图像采集,得到一系列局部视场下的衬底图像;
S12、对所述局部视场下的衬底图像采用全局图片自动拼接算法,得到完整清晰的全局衬底图像。
3.根据权利要求2所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述光学显微镜的放大倍数为500倍。
4.根据权利要求2所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述图像采集具体为:
将所述光学显微镜固定在电动载物平台的上方,设置所述光学显微镜的光轴与载物台表面垂直,载物平台在二维平面内移动,所述载物平台的水平垂直方向平动产生图像平移变换,得到一系列局部视场下的衬底图像;同时,相邻的图像取一部分重叠进行拍摄,合并时去掉重叠。
5.根据权利要求1所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述步骤S2具体为:
S21、基于Faster R-CNN深度神经网络算法,对所述衬底图像进行筛选识别,得到满足筛选条件的所有具有优质三角形结构的单层二硫化钼的坐标集合;
S22、取所述所有单层二硫化钼的三角形结构的中心位置作为坐标点,并以该坐标点进行标记。
6.根据权利要求5所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述筛选条件为所述单层二硫化钼结构是否为三角形、所述三角形的边长是否相等、所述三角形的边长长度是否在30微米左右;若均满足以上条件,则筛选出具有优质三角形结构的单层二硫化钼;所述优质三角形结构为边长接近30微米的正三角形。
7.根据权利要求1所述的基于衬底上生长的三角形二硫化钼的识别方法,其特征在于,所述步骤S3具体为:
S31、将所述坐标点导入matlab软件中进行坐标转化;
S32、将所述完整衬底转化为二维坐标平面,并将所述二维坐标平面划分为A*A个基元,其中A为任意正整数;
S33、统计每个基元的坐标点个数,得到所述具有优质三角形结构的单层二硫化钼的密度分布函数;
S34、将所述密度分布函数导入所述matlab软件中,并通过三次样条插值进行数学函数拟合,得到优质单层二硫化钼的密度分布函数关于二维空间横纵坐标的函数关系式;
S35、画出所述函数关系式的三维曲面图像,并对所述三维曲面图像中分布在衬底上的优质单层二硫化钼进行数据分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172208.1A CN112906540B (zh) | 2021-02-08 | 2021-02-08 | 一种基于衬底上生长的三角形二硫化钼的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172208.1A CN112906540B (zh) | 2021-02-08 | 2021-02-08 | 一种基于衬底上生长的三角形二硫化钼的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906540A true CN112906540A (zh) | 2021-06-04 |
CN112906540B CN112906540B (zh) | 2022-02-01 |
Family
ID=76122720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172208.1A Active CN112906540B (zh) | 2021-02-08 | 2021-02-08 | 一种基于衬底上生长的三角形二硫化钼的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906540B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258493A (zh) * | 2020-10-30 | 2021-01-22 | 上海交通大学 | 快速识别定位衬底上二维材料的方法、系统、设备及介质 |
CN112818835A (zh) * | 2021-01-29 | 2021-05-18 | 南京大学 | 一种利用机器学习方法快速识别和分析二维材料的方法 |
CN112884705A (zh) * | 2021-01-06 | 2021-06-01 | 西北工业大学 | 一种二维材料样品位置可视化方法 |
-
2021
- 2021-02-08 CN CN202110172208.1A patent/CN112906540B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258493A (zh) * | 2020-10-30 | 2021-01-22 | 上海交通大学 | 快速识别定位衬底上二维材料的方法、系统、设备及介质 |
CN112884705A (zh) * | 2021-01-06 | 2021-06-01 | 西北工业大学 | 一种二维材料样品位置可视化方法 |
CN112818835A (zh) * | 2021-01-29 | 2021-05-18 | 南京大学 | 一种利用机器学习方法快速识别和分析二维材料的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112906540B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516319B (zh) | 一种高精度简易交互式抠图方法、存储设备及终端 | |
CN111679291B (zh) | 基于三维激光雷达的巡检机器人目标定位配置方法 | |
CN113112504B (zh) | 一种植物点云数据分割方法及系统 | |
CN111199556B (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN109919007B (zh) | 一种生成红外图像标注信息的方法 | |
CN109741325B (zh) | 一种布线垂直度智能检测方法 | |
CN111241615A (zh) | 一种高度真实感的变电站多源融合三维建模方法 | |
WO2021213068A1 (zh) | 基于人工智能的图像显示方法、装置、设备及介质 | |
Adallah et al. | 3D point cloud analysis for automatic inspection of aeronautical mechanical assemblies | |
CN113096058B (zh) | 空间目标多源数据参数化仿真与MixCenterNet融合检测方法 | |
CN112906540B (zh) | 一种基于衬底上生长的三角形二硫化钼的识别方法 | |
CN113065506B (zh) | 一种人体姿态识别方法及系统 | |
US20100309304A1 (en) | Method and Device for the Reconstruction of the Shape of an Object from a Sequence of Sectional Images of Said Object | |
CN109636856A (zh) | 基于hog特征融合算子的物体六维度位姿信息联合测量方法 | |
CN117218192A (zh) | 一种基于深度学习与合成数据的弱纹理物体位姿估计方法 | |
CN117133014A (zh) | 一种生猪面部关键点检测方法 | |
Zhang et al. | A shape reconstruction and measurement method for spherical hedges using binocular vision | |
RU2647645C1 (ru) | Способ устранения швов при создании панорамных изображений из видеопотока кадров в режиме реального времени | |
CN115439731A (zh) | 一种农作物果实采摘的果实识别定位方法 | |
CN113932712A (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
CN112995641A (zh) | 一种3d模组成像装置及方法、电子设备 | |
CN112070840A (zh) | 一种多深度相机融合的人体空间定位与跟踪方法 | |
Wang et al. | Research on FAE cloud image processing method based on background subtraction and region growing | |
Tao et al. | Measurement algorithm of notch length of plastic parts based on video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |