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.
