Grafenbildanalys genom maskininlärning

Viktiga resultat som projektet gav

Vi strävar efter att tillhandahålla en allmän bildteknik med hög genomströmning, låg kostnad, som möjliggör noggrann och kvantitativ utvärdering av grafenflingor. Den oövervakade metoden användes för att träna datorn med dussintals optiska bilder, för att klassificera tjockleken på grafenflingor. Tillsammans med resultaten från Raman kan grafenflingor med få lager identifieras. Den tar också reda på att minst 25 % av området från bilden bör täckas av grafenflingor för att extrahera användbar information om olika lager med nuvarande maskininlärningsmetod.

Långsiktiga effekter som förväntas

Med litteraturundersökning, väl förberedda prover och bilder tagna från optiskt mikroskop valdes en oövervakad maskininlärningsmetod för att klassificera grafenflingorna enligt bildpixlar. Den valda maskininlärningsmetoden är användbar för att gruppera invändningar i en bild, och den är också mycket känslig för förändringar av optiska mikroskopparametrar. Detta projekt kan ses som ett utforskningssteg och i framtiden behöver det mer avancerade datorseendemetoder för att ge en robust lösning.

Upplägg och genomförande

Förstudien ger möjlighet att testa konceptet att kombinera optisk mikroskopi och bearbetningsinlärning för kvalitetskontroll av grafen. Alla samarbetspartners är mycket hängivna, och speciellt för grafenföretag att visa sin önskan och förväntningar på att ha en karakteriseringsmetod med hög genomströmning för sin uppskalande grafenprodukt. Vi fick också ett fruktbart förslag från företagen för kvalitetskontroll och lärde oss komplexiteten i provberedning och maskininlärning på stora varianter av grafenlager jämfört med de från litteraturen.