Bildanalys av grafen genom maskininlärning

Resultat

Vi strävade efter att tillhandahålla en allmän bildteknik med hög genomströmning, låg kostnad, som möjliggör noggrann och kvantitativ utvärdering av grafen-flingor. Med litteraturundersökning, väl förberedda prover och bilder tagna från optiskt mikroskop, användes en oövervakad metod för att träna datorn med dussintals optiska bilder, och det är möjligt att klassificera tjockleken på grafen-flingor. Tillsammans med resultaten från Raman kan grafen-flingor med 1-9 lager identifieras. Det tillbringade längre tid än förväntat för att förbereda prover och hitta rätt plats att ta bilder, vilket gjorde att vi upptäckte att minst 25 procent av området från bilden borde täckas av grafen-flingor för att extrahera informationen från olika grafen lager för gällande maskininlärningsmetod.

Den valda maskininlärningsmetoden är användbar för att gruppera objekt i en bild, och den är också mycket känslig för förändringar av optiska mikroskop-parametrar. Detta projekt kan ses som ett utforskningssteg och i framtiden behöver det mer avancerade datorseendemetoder för att ge en robust lösning. Genom att driva projektet fick vi mer förståelse för vad grafenföretag behöver för kvalitetskontroll av grafen, och lärde oss komplexiteten i provberedning och maskininlärning med stor flingskikts-fördelning av grafen jämfört med de från litteraturen.

För nästa steg kommer mer grafen-standardisering att införas för provberedning och karakterisering, en stor mängd bilder kommer att samlas in och till och med djupinlärning kommer att tillämpas för att ge mer exakt kvantifiering av grafenets kvalitet. Vi förväntar oss att fler grafen-leverantörer och -inköpare kommer att ansluta sig till framtida projekt.

Abstract in English

Image analysis of graphene through machine learning

Results

We aimed to bring a high-throughput, low-cost, general imaging technique that allows accurate and quantitative evaluation of graphene flakes. With literature survey, well prepared samples and images taken from optical microscope, an unsupervised method was applied to train the computer with dozens of optical images, and it is possible to classify the thickness of graphene flakes. Together with the results from Raman, graphene flakes with 1-9 layers can be identified.

It did spend longer time than expected to prepare samples and find right place to take pictures, which let us to find out that at least 25% of the area from image should be covered by graphene flakes to extract the information of different layers of graphene by present machine learning method. The selected machine learning method is useful for grouping objects in an image, and it is also very sensitive to the change of optical microscope parameters.

This project can be seen as an exploration step and in the future, it needs more advanced computer vision methods to provide a robust solution. By running the project, we got more understanding on what graphene companies need on graphene quality control and learned the complexity of sample preparation and machine learning with large flake layer distribution of graphene compared to the ones from literature. For the next step, more graphene standardization will be introduced for sample preparation and characterization, a large amount images will be collected, and even supervised method will be applied to provide more accurate quantification of graphene quality. We are expecting more graphene suppliers and purchasers to join the future project.

Utlysning:
Samverkan kring kommersiella tillämpningar med grafen, 2021

Projektpartners: Chalmers Industriteknik, 2D fab, Chalmers, Grafren

Projektledare: Lilei Ye, Chalmers Industriteknik

Projektform: Genomförbarhetsstudie

Bidrag: 300 000 kr

Projektets löptid: Mars - november 2022

Relaterade styrkeområden: