[发明专利]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

权利要求书

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，P_xy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，Error_n为误差向量[error_B，error_G，error_R]^T，A(L)为光线校正补偿函数主对角矩阵diag(A₁(L)，A₂(L)，A₃(L))，P_xy(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，S_B,S_G,S_R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。