CN113283301A - 一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 - Google Patents
一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 Download PDFInfo
- Publication number
- CN113283301A CN113283301A CN202110457826.0A CN202110457826A CN113283301A CN 113283301 A CN113283301 A CN 113283301A CN 202110457826 A CN202110457826 A CN 202110457826A CN 113283301 A CN113283301 A CN 113283301A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- molybdenum disulfide
- sample
- machine learning
- 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
- 239000002356 single layer Substances 0.000 title claims abstract description 80
- CWQXQMHSOZUFJS-UHFFFAOYSA-N molybdenum disulfide Chemical compound S=[Mo]=S CWQXQMHSOZUFJS-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 229910052982 molybdenum disulfide Inorganic materials 0.000 title claims abstract description 59
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 title claims abstract description 26
- 238000012512 characterization method Methods 0.000 title claims abstract description 25
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 26
- 239000010703 silicon Substances 0.000 claims abstract description 26
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 13
- 239000010410 layer Substances 0.000 claims abstract description 12
- 239000003292 glue Substances 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 claims 1
- 238000012634 optical imaging Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 description 9
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002390 adhesive tape Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 229910052814 silicon oxide Inorganic materials 0.000 description 2
- 238000004506 ultrasonic cleaning Methods 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V20/693—Acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途。首先，将二硫化钼样品光学成像通过图形处理提取出可疑单层ROI区域；然后，将可疑单层ROI局域的像素值与硅片在光学显微镜下拍摄出来的特征值求差值向量，通过拉曼表征来区分单层和少层样品，通过肉眼观测的方式确定残胶，根据层数分类来建立目标值；将差值向量求平均值和标准值作为特征值，并与目标值组成数据集，最后通过对数据集降维并通过机器学习算法对该数据集进行分类，获得最佳单层表征模型。基于该模型，通过光学成像即可快速分辨出单层二硫化钼样品，极大的节约寻找单层二硫化钼所需要花费的时间。
Description
技术领域
本发明属于二维材料检测应用领域，涉及基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途，对二硫化钼进行单层识别。
背景技术
随着新型二维材料的不断发现，二维材料优异的物理性能受到广泛国内外科研人员的关注。单层二硫化钼晶体管的电子迁移率最高可达约500cm2/(V·s),电流开关率达到1×108等特性，使其成为科研人员重点研究的材料，然而化学气相沉积生长的单层二硫化钼容易出现缺陷并引入杂质，严重影响制备器件的物理性能。自然界存在的二硫化钼块体质地均匀、杂质少、性能优异等因素成为科研工作者热衷的材料来源。微机械剥离法操作简便，是目前制备单层样品最有效方法之一。二硫化钼在纳米晶体管领域拥有很广阔的应用空间。由于单层二硫化钼样品非常薄，在光学成像中往往与背景硅片颜色十分接近，导致科研工作者寻找单层的二硫化钼样品耗时较长，而且在寻找到类似单层的样品后还需要通过拉曼表征来进一步验证是否为单层，这样一种方式比较麻烦。近年来，机器学习技术发展越来越快，机器学习的判断准确率也已超过了人的判断能力，虽然技术的进一步发展，但是机器学习在二维材料领域的应用依然较少，主要问题是找不到合适的样品特征提取方法，因此本文发明了一种针对单层二硫化钼的光学表征的方法。
发明内容
针对现有技术中存在不足，本发明提供了一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途，克服单层的二硫化钼检测过程耗时长、困难的问题。
本发明是通过以下技术手段实现上述技术目的的。
一种基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，包括以下步骤：
(1)光学图像采集：制备承载在硅片上的单层二硫化钼样品，将二硫化钼样品置于显微镜下通过电镜拍摄图像；
(2)图像处理：将拍摄的二硫化钼样品图像进行图像处理，寻找疑似单层的ROI区域；
(3)图像像素差值特征提取：将疑似单层的ROI区域像素颜色特征值减去硅片颜色特征值得到差值向量；
(4)拉曼表征：将疑似单层的ROI区域二硫化钼样品进行拉曼表征，来区分单层和少层样品，根据层数分类来建立目标值；
(5)建立数据集：将步骤(3)中提取出来的差值向量求平均值和标准值作为特征值，并与步骤(4)获得的目标值组成数据集；
(6)数据集降维：将形成的数据集降维，并将数据集划分为训练集和测试集；
(7)机器学习模型训练：将训练集和测试集分别代入机器学习SVM算法中训练获得检测模型。
进一步地，所述步骤(1)中光学图像采集是通过显微镜采集，一幅图像采集样品区域面积为0.25mm2，采集光源为线性可调光源，光源稳定且温漂低。
进一步地，所述步骤(2)中图像处理是：首先通过高斯滤波滤除图像噪声，然后通过单通道分离图像将滤波后的图像的通道分离获得单层图像分离效果最好的图像；再对图像采用灰度图像直方图找到图像中的硅片像素特征值，再将灰度图像转换为二值化图像，最后对图像进行形态学开操作，滤除高斯滤波带来的类似单层的特征区域，即滤除高斯滤波后造成的假单层边缘；将上述图像通过Canny边缘检测获得的疑似样品区域标记为ROI区域，并将该边缘标记在原始图像上。
进一步地，所述二值化图像由公式：
进一步地，步骤(2)中经过图像处理后所获得的疑似单层的ROI区域是单层、少层或残胶，还包括剔除残胶区域的步骤。
进一步地，步骤(3)中，图像像素差值特征提取是通过疑似单层的ROI区域像素值与硅片特征像素值的差值，其公式为：
进一步地，步骤(5)建立数据集中，特征值数据集由图像差值特征做平均值和方差获得最终的ROI区域特征的向量：
目标数据集是通过肉眼分辨出大片残胶标记目标值为0，通过拉曼确认单层样品标记目标值是1，其余样品标记为2。
所述的基于机器学习的单层二硫化钼样品光学表征方法所建立的检测模型。
所述检测模型用于筛选单层二硫化钼样品。
本发明的有益效果是：本发明采用二维材料与机器学习的方法相结合，通过光学成像来对单层二硫化钼样品进行表征，表征精度高，有助于科研人员在没有拉曼等仪器的情况下，通过光学成像快速分辨出单层二硫化钼样品，极大的节约了科研工作者在寻找单层二硫化钼所需要花费的时间，也为未来科研工作者在光学对光学表征二维材料做出来贡献。
附图说明
图1为本发明所述机器学习的单层二硫化钼样品光学表征方法的流程图。
图2为光学显微镜下二硫化钼样品。
图3为图2中的图像经过单通道分离处理后获得的灰度图。
图4为标记的疑似单层的ROI区域。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
单层二维材料在光学显微镜下拍摄出来的图像颜色非常接近背景硅片颜色，较厚的样品在显微镜下成像颜色区分度较高，但是少层样品及残胶颜色也接近硅片颜色特征。本发明就是基于该事实所做出的。
图1所示是本发明所述基于机器学习的单层二硫化钼样品光学表征方法的流程图，主要包括光学图像采集、图像处理、寻找ROI区域、拉曼表征、图像像素差值特征提取、建立数据集、数据集划分、数据集降维、机器学习模型训练等步骤。
(1)光学图像采集
首先，制备承载在硅片上的单层二硫化钼样品，将二硫化钼样品置于显微镜下通过电镜拍摄图像。单层二硫化钼样品的制备过程如下：先超声波清洗硅片，通过微机械剥离法制备单层二硫化钼样品，再将二硫化钼样品转移到硅片上。
微机械剥离法制备单层二硫化钼的原理是通过微机械剥离法重复撕几次，可以使得二硫化钼逐渐变薄从而可能存在单层样品。衬底选用1*1cm的P型重掺300nm氧化硅片，将衬底先采用加入丙酮热10min超声清洗10min，然后用异乙醇超声清洗5min，去除残余的丙酮，最后用去离子水清洗并用氮气吹干，使衬底表面清洁。通过微机械剥离法制备二硫化钼样品，采用Nitto胶带粘取二硫化钼块体样品后，将将粘取的样品重复撕开3-6次使得样品充分变薄。用镊子夹取含有二硫化钼样品的胶带并用手指将样品按压在清洗好的硅片上，并挤出中间气泡，使得二硫化钼样品充分附着在氧化硅片上。将胶带撕去，得到最终的二硫化钼样品。
其中，光学图像采集通过显微镜采集，一幅图像采集样品区域面积为0.25mm2样品，采集光源为线性可调光源，光源稳定且温漂低。
(2)图像处理：将拍摄的二硫化钼样品图像进行图像处理，寻找疑似单层的ROI区域；
图像处理由高斯滤波、单通道分离图像、灰度图像直方图、二值化图像、形态学开操作处理图、ROI可疑区域标记组成。首先通过高斯滤波滤除图像噪声，然后通过单通道分离图像将滤波后的图像的通道分离获得单层图像分离效果最好的图像；再对图像采用灰度图像直方图找到图像中的硅片像素特征值，再将灰度图像转换为二值化图像，最后对图像进行形态学开操作，滤除高斯滤波带来的类似单层的特征区域，即滤除高斯滤波后造成的假单层边缘；将上述图像通过Canny边缘检测获得的疑似样品区域标记为ROI区域，并将该边缘标记在原始图像上。
所述二值化图像由公式：
经过图像处理后所获得的疑似单层的ROI区域是单层、少层或残胶，还包括剔除残胶区域的步骤。
(3)图像像素差值特征提取：将疑似单层的ROI区域像素颜色特征值减去硅片颜色特征值得到差值向量，其公式为：
(4)拉曼表征：将疑似单层的ROI区域二硫化钼样品进行拉曼表征，来区分单层和少层样品，根据层数分类来建立目标值；
(5)建立数据集：将步骤(3)中提取出来的差值向量求平均值和标准值作为特征值，并与步骤(4)获得的目标值组成数据集。
其中，特征值数据集由图像差值特征做平均值和方差获得最终的ROI区域特征的向量：
目标数据集是通过肉眼分辨出大片残胶标记目标值为0，通过拉曼确认单层样品标记目标值是1，其余样品标记为2。
(6)数据集降维：将形成的数据集降维，减少计算次数。
(7)机器学习模型训练：将数据集划分为训练集和测试集，将训练集和测试集分别代入机器学习SVM算法中训练获得检测模型，提高学习准确率，训练出最终单层二硫化钼的检测模型。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (9)
1.一种基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，包括以下步骤：
(1)光学图像采集：制备承载在硅片上的单层二硫化钼样品，将二硫化钼样品置于显微镜下通过电镜拍摄图像；
(2)图像处理：将拍摄的二硫化钼样品图像进行图像处理，寻找疑似单层的ROI区域；
(3)图像像素差值特征提取：将疑似单层的ROI区域像素颜色特征值减去硅片颜色特征值得到差值向量；
(4)拉曼表征：将疑似单层的ROI区域二硫化钼样品进行拉曼表征，来区分单层和少层样品，根据层数分类来建立目标值；
(5)建立数据集：将步骤(3)中提取出来的差值向量求平均值和标准值作为特征值，并与步骤(4)获得的目标值组成数据集；
(6)数据集降维：将形成的数据集降维；
(7)机器学习模型训练：将数据集划分为训练集和测试集，将训练集和测试集分别代入机器学习SVM算法中训练获得检测模型。
2.根据权利要求1所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，所述步骤(1)中光学图像采集是通过显微镜采集，一幅图像采集样品区域面积为0.25mm2，采集光源为线性可调光源。
3.根据权利要求1所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，所述步骤(2)中图像处理是：首先通过高斯滤波滤除图像噪声，然后通过单通道分离图像将滤波后的图像的通道分离获得单层图像分离效果最好的图像；再对图像采用灰度图像直方图找到图像中的硅片像素特征值，再将灰度图像转换为二值化图像，最后对图像进行形态学开操作，滤除高斯滤波带来的类似单层的特征区域，即滤除高斯滤波后造成的假单层边缘；将上述图像通过Canny边缘检测获得的疑似样品区域标记为ROI区域，并将该边缘标记在原始图像上。
4.根据权利要求3所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，所述二值化图像由公式：
来划分，其中，Pxy为该像素点坐标的灰度特征值，P硅为硅片所在像素点的灰度特征值，b1、b2为自定义常数，L硅为硅片区域的光强深度。
5.根据权利要求1-4中任一项所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，步骤(2)中经过图像处理后所获得的疑似单层的ROI区域是单层、少层或残胶，还包括剔除残胶区域的步骤。
6.根据权利要求1所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，步骤(3)中，图像像素差值特征提取是通过疑似单层的ROI区域像素颜色特征值与硅片像素颜色特征值的差值，其公式为：
其中，Errorn为误差向量[errorB，errorG，errorR]T，A(L)为光线校正补偿函数主对角矩阵diag(A1(L)，A2(L)，A3(L))，Pxy(B，G，R)为ROI区域内像素颜色深度特征值的向量[B，G，R]T，P硅(B，G，R)为硅片颜色深度特值征的向量[B，G，R]T，x、y分别表示像素点位于原始图像中的像素坐标，L硅为硅片的光强深度。
7.根据权利要求1所述的基于机器学习的单层二硫化钼样品光学表征方法，其特征在于，步骤(5)建立数据集中，特征值数据集由图像差值特征做平均值和方差获得最终的ROI区域特征的向量：
其中，SB,SG,SR分别为三种颜色特征的平均值，目标数据集是通过肉眼分辨出大片残胶标记目标值为0，通过拉曼确认单层样品标记目标值是1，其余样品标记为2。
8.权利要求1-7中任一项所述的基于机器学习的单层二硫化钼样品光学表征方法所建立的检测模型。
9.权利要求8所述检测模型用于筛选单层二硫化钼样品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110457826.0A CN113283301B (zh) | 2021-04-27 | 2021-04-27 | 一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110457826.0A CN113283301B (zh) | 2021-04-27 | 2021-04-27 | 一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283301A true CN113283301A (zh) | 2021-08-20 |
| CN113283301B CN113283301B (zh) | 2024-05-17 |
Family
ID=77277434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110457826.0A Active CN113283301B (zh) | 2021-04-27 | 2021-04-27 | 一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283301B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
| CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
| CN112348831A (zh) * | 2020-11-05 | 2021-02-09 | 中国石油大学(华东) | 基于机器学习的页岩sem图像分割方法 |
-
2021
- 2021-04-27 CN CN202110457826.0A patent/CN113283301B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
| CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
| CN112348831A (zh) * | 2020-11-05 | 2021-02-09 | 中国石油大学(华东) | 基于机器学习的页岩sem图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283301B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103761743B (zh) | 一种基于图像融合分割的实木地板表面缺陷检测方法 | |
| AU2013353154B2 (en) | Cell monitoring device, cell monitoring method and program thereof. | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN106952258A (zh) | 一种基于梯度方向直方图的瓶口缺陷检测方法 | |
| WO2016070462A1 (zh) | 基于方向梯度直方图的显示面板缺陷检测方法 | |
| CN104651462A (zh) | 基于显微图像分析的稻瘟病菌孢子检测方法 | |
| Isa | Automated edge detection technique for Pap smear images using moving K-means clustering and modified seed based region growing algorithm | |
| WO2009058171A2 (en) | Computerized image analysis for a acetic acid induced cervical intraepithelial neoplasia | |
| Moshavegh et al. | Automated segmentation of free-lying cell nuclei in pap smears for malignancy-associated change analysis | |
| US11488401B2 (en) | Prostate cancer tissue image classification with deep learning | |
| CN112435235B (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
| CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
| WO2020114134A1 (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
| Shah et al. | Automatic detection and classification of tuberculosis bacilli from ZN-stained sputum smear images using watershed segmentation | |
| Shah et al. | Automatic detection and classification of tuberculosis bacilli from camera-enabled Smartphone microscopic images | |
| CN113283301B (zh) | 一种基于机器学习的单层二硫化钼样品光学表征方法、模型及其用途 | |
| Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background | |
| US20200134817A1 (en) | Segmentation of histological tissue images into glandular structures for prostate cancer tissue classification | |
| CN114022539A (zh) | 一种显微镜图像细胞位置判断方法 | |
| CN113270154B (zh) | 基于机器学习的二硫化钼样品三维表征方法、系统及应用 | |
| CN105701816A (zh) | 一种图像自动分割方法 | |
| US11908118B2 (en) | Visual model for image analysis of material characterization and analysis method thereof | |
| Chun et al. | Wafer particle inspection technique using computer vision based on a color space transform model | |
| Xu et al. | A segmentation algorithm for mycobacterium tuberculosis images based on automatic-marker watershed transform | |
| CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 |
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 |