一种基于人工神经网络识别二维材料层数的方法

1.本发明涉及一种基于人工神经网络识别二维(2d)材料层数的方法，特别涉及基于任意定点取样函数的人工神经网络(ann)用来识别2d材料的层数的方法，属于人工智能和2d材料技术领域。


背景技术：

2.2d材料因其原子厚度、柔韧性以及优良的光电子学、磁学等特性而备受关注。同时2d材料层与层之间依靠范德瓦尔斯(vdws)力吸引在一起，不再受晶格匹配和加工兼容性的约束，这为构建不同的2dvdws异质结构提供了可能，为光电子工程开辟了一个新的维度。同时，2d材料的层数极大影响了其物理性质，相应的电子态密度、能带结构随着2d材料的层数会发生显著的变化。因此对2d材料进行层数识别和分类，对了解材料物性、器件制备至关重要。
3.目前，已有的表征2d材料层数的手段有原子力显微镜(afm)、拉曼光谱、x射线光电子能谱(xps)、透射电子显微镜(tem)等。但是，这些表征手段非常耗时且成本较高，不仅需要高精度的仪器支持，还会受到样品大小的限制。因此，迫切需要发明一种对2d材料的层数进行低成本、快速识别的方法。


技术实现要素：

4.本发明要解决的技术问题是：克服现有技术的不足，提出一种基于人工神经网络识别2d材料层数的方法，以解决现有2d材料层数识别手段操作繁琐、依赖昂贵设备以及识别速度慢的问题。
5.本发明的技术解决方案是：
6.一种基于人工神经网络识别2d材料层数的方法，该方法的具体步骤如下：
7.步骤一，提取光学图片中2d材料不同位置处的rgb以及hsv值；
8.步骤二，根据步骤一提取的不同位置处的rgb以及hsv值构建ann模型，并对构建的ann模型进行2d材料的rgb以及hsv值的学习、训练、分类识别，得到2d材料的层数。
9.所述的步骤二中，构建的ann模型的参数包括输入层神经元个数、隐藏层层数、每层隐藏层中神经元个数、输出神经元的个数、网络学习率以及网络训练次数。
10.所述的输入层神经元个数包括rgb和hsv值，一共六个值。
11.采用局部遍历算法a确定隐藏层层数。
12.所述的局部遍历算法a是以1层隐藏层为步长进行遍历，最终确定隐藏层的层数。
13.采用局部遍历算法b确定每层隐藏层中神经元个数。
14.所述的局部遍历算法b是以20个神经元为步长进行遍历，最终确定隐藏层以及隐藏层中含有的神经元个数。
15.所述的输出神经元的个数根据输出结果确定，输出结果为2d材料的层数，即输出神经元的个数为1。
16.采用局部遍历算法c确定网络学习率，局部遍历算法c采用0.1为步长进行遍历，最终确定网络学习率。
17.采用局部遍历算法d确定网络训练次数，局部遍历算法d采用1000为步长进行遍历，最终确定网络训练次数。
18.有益效果
19.(1)本发明的方法采用构建ann模型的方式，通过任意取点的方式提取光学图片中2d材料的rgb和hsv值，达到了区分识别2d材料层数的目的，从而依靠简单的机器学习的方法，实现低廉成本、高效快速识别，很好的解决了现有识别2d材料层数方法的昂贵、耗时以及低效的问题。
20.(2)本发明的方法提出基于任意取样的方式，构建ann模型进行层数的识别，并验证使用该方法后识别2d材料层数，具有优良的性能。
21.(3)本发明的方法，采用任意定点取样的方式，与其他把整个图片的所有像素作为输入相比，可以降低数据的维度，节省网络的训练时间和简化神经网络模型，并可达到任意选取位置的目的；
22.(4)本发明的方法采用提取rgb、hsv结合的方式进行识别、分类，可以区别不同光强、对比度下的光学图片中的2d材料层数。
23.(5)本发明的方法具有高效、能够准确快速识别层数的优势。
附图说明
24.图1是ann模型的示意图；
25.图2是2d材料的光学图片；
26.图3是从图2中2d材料区域提取的rgb值；
27.图4是不同光强、对比度下2d材料的光学图片；
28.图5是从图4中2d材料提取的rgb值；
29.图6是从图4中2d材料提取的hsv值；
30.图7为不同参数条件下ann模型识别结果。
具体实施方式
31.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
32.一种基于人工神经网络识别2d材料层数的方法，该方法主要通过构建ann模型，通过任意定点取样的方式对光学图片中2d材料的红色、绿色、蓝色(rgb)、色调、饱和度和明度(hsv)进行提取，这样避免了把整个图片的像素信息作为输入，降低了数据的维度。首先根据2d材料的特征，对光学图片中存在2d材料的区域进行提取，并提取1000个数据点以excel的形式保存提取出的rgb以及hsv值，下一步构建ann模型，确定ann中的输入层神经元个数为10个、隐藏层的层数为1层、每层隐藏层中神经元的个数为600个、输出层的神经元个数为
1个、网络的学习率为0.3以及网络的训练次数为3000次。确定好以上信息，需要把提取的数据点的60％用于训练网络，剩余40％用于检测网络。经过上述过程即可构建好模型，达到识别2d材料层数的目的；
33.该方法的具体步骤如下：
34.步骤一，提取光学图片中2d材料不同位置处的rgb以及hsv值，选取的不同位置为1000个，即得到该1000个位置处每个位置的rgb以及hsv值，并对得到2d材料1000个位置处的rgb以及hsv值进行保存；
35.步骤二，根据步骤一保存的2d材料1000个位置处的rgb以及hsv值，构建ann模型，并让构建的ann模型对2d材料的rgb以及hsv值进行学习、训练并最终进行识别分类，完成2d材料层数的识别。
36.所述的步骤二中，构建的ann模型参数包括输入层神经元个数、隐藏层层数、每层隐藏层中神经元个数、输出神经元的个数、网络学习率以及网络训练次数；
37.所述的输入层神经元个数包括rgb和hsv值，一共六个值，即输入层神经元个数为6；
38.采用局部遍历算法a确定隐藏层层数；
39.所述的局部遍历算法a是以1层隐藏层为步长进行遍历，最终确定隐藏层为1层；
40.采用局部遍历算法b确定每层隐藏层中神经元个数；
41.所述的局部遍历算法b是以20个神经元为步长进行遍历，最终确定隐藏层中含有600个神经元；
42.所述的输出神经元的个数根据输出结果确定，由于输出结果为2d材料的层数，即输出神经元的个数为1；
43.采用局部遍历算法c确定网络学习率，局部遍历算法c采用0.1为步长进行遍历，最终确定网络学习率为0.3；
44.采用局部遍历算法d确定网络训练次数，局部遍历算法d采用1000次训练为步长进行遍历，最终确定网络训练次数为3000次。
45.下面对本发明作进一步详细说明。
46.图1为本发明中构建的ann模型，从中可以看出输入神经元为6个分别对应r、g、b、h、s、v值，把其作为输入，中间隐藏层和隐藏层神经元可以通过步骤二确定中间隐藏层为1层，隐藏层神经元个数为600个，输出层可以根据步骤二确定为1个神经元，ann模型中学习率和循环次数可以根据步骤二确定为0.3和3000次循环。这样ann的模型即可搭建完毕。
47.实施例1
48.对于一张光学图片中，识别
①
、
②
两处的层数，如图2所示，首先根据图片中
①
、
②
两处的2d材料，进行任意采样取点1000个点，并保存这些点的rgb和hsv值。针对图2我们利用任意定点提取函数，选择
①
、
②
处的rgb值进行分析。如图3所示，其根据rgb空间就可以很好的区分开两种层数，识别率达到99％。虽然图2的情况，依靠光学显微镜也可以区分开但是对于图4的情况依靠光学显微镜很难区分开，但当我们采用我们任意定点取样函数可以很好的区分开。最终识别率在95％以上。
49.根据提取的rgb值，以三维空间的形式展示出，如图3所示，可以看出在rgb空间中，不同层数对应的rgb空间中分布不同。
50.进而根据提取的rgb以及hsv值，其中600个数据点用于网络训练，400个数据点用于识别检验。
51.进而构建ann模型，构建6个输入神经元、1个隐藏层、隐藏层含有600个神经元、1个输出神经元、学习率为0.3以及训练次数为3000次。
52.进而完成ann模型的构建，把其中600个数据点带入进行模型学习训练。
53.在完成模型训练之后，把400个数据点导入模型进行检验，即可达到识别2d材料层数的目的。
54.实施例2
55.对于不同光强、对比度下光学图片中，识别2d材料层数；
56.如图4所示，首先查找出
①
、
②
、
③
处的2d材料的区域，进而对三处的2d材料进行任意取1000个点，读取其所在区域位置的rgb、hsv的值，并保存。
57.如图5所示，可以看出提取的三处的rgb、hsv值对应的不同颜色的点，可以很好的识别区分2d材料的层数。
58.进而根据提取的rgb以及hsv值，其中600个数据点用于网络训练，400个数据点用于识别检验。
59.进而构建ann模型，构建6个输入神经元、1个隐藏层、隐藏层含有600个神经元、1个输出神经元、学习率为0.3以及训练次数为3000次。
60.进而完成ann模型的构建，并把其中600个数据点带入进行模型学习训练。
61.在完成模型训练之后，把400个数据点导入模型进行检验，即可达到识别2d材料层数的目的。
62.从图6可以看出，根据本发明的方法达到很好的效果，解决了目前大多数表征识别手段繁琐复杂、依赖大型昂贵设备的问题。
63.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。