基于机器学习并带色彩校正的显微镜图像石墨烯自动检测方法
应用物理
2021-03-26 v1 介观与纳米尺度物理
机器学习
图像与视频处理
数据分析、统计与概率
摘要
石墨烯在各个领域具有重要的应用与研究价值。然而，制备高质量、大批量的石墨烯耗时费力，且需要大量人力资源成本。本文提出一种基于机器学习并带色彩校正的自动石墨烯检测方法（MLA-GDCC），可从显微图像中可靠且自主地检测石墨烯。MLA-GDCC 包括白平衡（WB）以校正图像上的色彩失衡，以及改进的 U-Net 和支持向量机（SVM）来分割石墨烯薄片。考虑到不同相机引起的图像色彩偏移，我们应用 WB 校正来修正色彩像素的不平衡。引入一种改进的 U-Net 模型（一种用于快速精确图像分割的卷积神经网络（CNN）架构）以从背景中分割石墨烯薄片。为提高像素级精度，我们在改进 U-Net 模型后实现 SVM 以区分单层与双层石墨烯薄片。MLA-GDCC 对单层石墨烯的薄片级检测率达 87.09%，对双层达 90.41%，像素级精度单层为 99.27%，双层为 98.92%。MLA-GDCC 不仅实现了较高的石墨烯薄片检测率，还将检测过程的延迟从数小时缩短至数秒。
引用
@article{arxiv.2103.13495,
title = {Machine Learning-based Automatic Graphene Detection with Color Correction for Optical Microscope Images},
author = {Hui-Ying Siao and Siyu Qi and Zhi Ding and Chia-Yu Lin and Yu-Chiang Hsieh and Tse-Ming Chen},
journal= {arXiv preprint arXiv:2103.13495},
year = {2021}
}
备注
14 pages, 8 figures