[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

说明书

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。

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。