【技术实现步骤摘要】
本专利技术涉及二维材料的自动识别，尤其是一种基于目标实时检测模型的二维材料快速精准识别方法。
技术介绍
1、二维材料，即二维原子晶体材料。一般是指电子被限制在两个非纳米尺度上运动的材料。自从2004年由曼彻斯特大学geim首次通过机械剥离方法得到单层石墨烯后，二维材料开始进入大众视野。由于电子被限制在一个平面上，二维材料表现出和普通材料完全不同的各种奇异的性质。各种二维材料尤其是石墨烯，tmd等已经成为目前科学研究的前沿，在通信，光电子学，量子计算等领域都有着非常重要的应用前景。
2、然而，对二维材料进行机械剥离后，如何寻找位于硅片上的薄层材料位置一直是一个难题。传统的方法是通过人力在显微镜下进行寻找，这种方法在机械剥离产率较高的石墨烯上卓有成效，但是在产率非常低的材料像是tmd，又或者空气敏感的材料像是黑鳞上就会耗费大量的时间和精力。因此迫切需要一种能够对二维材料进行快速自动识别的系统。最开始的方案是通过简单的颜色对比度对二维材料进行识别，但是由于硅片环境变化的剧烈影响，识别率异常低下。后面提出的基于传统机器学习的识别方法仍然如此。虽然通过大量训练集来对rgb参数空间进行训练，但是实际环境的复杂性仍然让单纯依靠rgb的模型难以做到很高的准确率。
3、现有的基于maskrcnn模型的二维材料识别主要有两个缺点：
4、第一个是识别的误检率，虽然得到的模型在数据集上有着不错的识别率，但是在实际对硅片的扫描下，由于使用胶带进行机械剥离后的硅片上环境复杂，往往会将一些不是样品的东西误识别成样品(主要是
5、第二个是识别速度，maskrcnn模型的识别速度较低，从rcnn到faster rcnn模型一直采用的思路是候选框(proposal)+分类(class)的检测模式,其中候选框提供位置信息，分类提供类别信息，由于双模式(two-stage)的处理速度不行，在理论上上限只有5fps(0.2s一张)，而在实际应用时，想要得到较高的识别准确性，拍摄的图片的分辨率也要相应的提高，一般可能只有1-2fps(0.5s-1s一张)甚至更慢，难以达到实时的效果，离人工寻找达到的速度相差甚远。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种基于目标实时检测模型的二维材料快速精准识别方法，误检率低，识别速度快。
2、为解决上述技术问题，本专利技术提供一种基于目标实时检测模型的二维材料快速精准识别方法，包括如下步骤：
3、步骤1、制作二维材料数据集；
4、步骤2、根据步骤1中的数据集进行ai模型初训练；
5、步骤3、针对步骤2中的模型进行负样本反馈调节；
6、步骤4、将输出的结果进行可视化式设计。
7、优选的，步骤1中，制作二维材料数据集具体包括如下步骤：
8、步骤11、拍摄所需识别二维材料的清晰光学显微镜照片；
9、步骤12、对步骤11得到的照片进行多边形标注；
10、步骤13、将标注后的文件分成训练集和测试集。
11、优选的，步骤2中，ai模型初训练采用rtmdet-l模型，数据集采取数据增强方法，网络权重初始值选择rtmdet的原始权重，根据gpu数量和每个gpu上训练的图片数选择初始学习率，采用梯度下降的学习率进行第一批次的训练，直到损失值收敛。
12、优选的，初始学习率＝0.000015625×gpu数量×每个gpu上训练图片数目。gpu数量的选取会影响到训练收敛的速度，而每个gpu上训练图片数目取决于gpu内存的大小，一般情况下取能使训练正常进行的最大值。
13、优选的，模型的config文件中损失函数(loss)选择qualityfocalloss，学习率梯度选择线性下降(linearlr)，经过第一批次(总共有300个epoch)，直到损失值的曲线收敛，数值围绕一个数值上下波动。
14、优选的，使用labelme-image-data-augment package对原始数据集进行增强，采用其中的旋转变换，水平翻转和平移，垂直翻转和平移共五种变换方式对数据进行增强。
15、优选的，每种变换进行一次，使数据集扩增五倍，变换次数最多不超过10次。在原始数据集较小的情况下可以适当提高变换的次数，否则模型会学习到较多的无用特征。
16、优选的，步骤3中，使用自动扫描系统扫描实际的硅片，并使用ai对扫描所有图片进行识别，从中挑出模型误检出的图片作为负样本，使用空白标注后放入原数据集中进行二次训练反馈，合适的负样本和正样本比为1比2。
17、使用新数据集重复步骤2的过程，使用步骤2已经训练得到的初始模型进行训练，加快训练的进度。这一步骤经过一次后可以大大降低模型的误检率，后续也可以重复这个步骤多次，不断降低模型的误检率，直到达到实际的要求。
18、优选的，步骤4中，将扫描得到的图片输入模型，没有样品则跳过，有样品则输出含有标注的图片，在图片上标注样品的位置和对应的类别，同时输出图片在硅片上对应的位置，方便后续的寻找。
19、本专利技术的有益效果为：本专利技术基于目标实时检测yolo系列rtmdet模型的深度学习算法，相较于传统的机器学习具有极高的准确率和鲁棒性，而相比与同样的深度学习maskrcnn算法，rtmdet具有更快的识别速度，300+fps(1秒钟识别超过300张图片)，远远高于电动位移台的自动扫描速度，使得能够在扫描的同时得到扫描的结果，完全能够完成实时的检测；本专利技术采用的负样本反馈调节方法则极大的降低了模型的误检率，本专利技术使得ai自动识别二维材料的方法能够真正的投入到实际的应用中，极大的减少了研究者在这种费时费力的重复劳动上所耗费的时间，并且也提升了材料的寻找速度，而对于通过人力寻找非常困难的空气敏感材料如黑鳞等，本专利技术能够起到更加重要的作用。
本文档来自技高网...【技术保护点】
1.一种基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤1中，制作二维材料数据集具体包括如下步骤：
3.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤2中，AI模型初训练采用RTMDet-l模型，数据集采取数据增强方法，网络权重初始值选择RTMDet的原始权重，根据GPU数量和每个GPU上训练的图片数选择初始学习率，采用梯度下降的学习率进行第一批次的训练，直到损失值收敛。
4.如权利要求3所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，初始学习率＝0.000015625×GPU数量×每个GPU上训练图片数目。
5.如权利要求3所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，模型的config文件中损失函数loss选择QualityFocalLoss，学习率梯度选择线性下降LinearLR，经过第一批次共有300个Epoch，直到损失值的曲线收敛，数值
6.如权利要求3所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，使用LabelMe-Image-Data-Augment package对原始数据集进行增强，采用其中的旋转变换，水平翻转和平移，垂直翻转和平移共五种变换方式对数据进行增强。
7.如权利要求6所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，每种变换进行一次，使数据集扩增五倍，变换次数最多不超过10次。
8.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤3中，使用自动扫描系统扫描实际的硅片，并使用AI对扫描所有图片进行识别，从中挑出模型误检出的图片作为负样本，使用空白标注后放入原数据集中进行二次训练反馈，合适的负样本和正样本比为1比2。
9.如权利要求8所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，使用新数据集重复步骤2的过程，使用步骤2已经训练得到的初始模型进行训练，加快训练的进度。
10.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤4中，将扫描得到的图片输入模型，没有样品则跳过，有样品则输出含有标注的图片，在图片上标注样品的位置和对应的类别，同时输出图片在硅片上对应的位置，方便后续的寻找。
...【技术特征摘要】
1.一种基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤1中，制作二维材料数据集具体包括如下步骤：
3.如权利要求1所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，步骤2中，ai模型初训练采用rtmdet-l模型，数据集采取数据增强方法，网络权重初始值选择rtmdet的原始权重，根据gpu数量和每个gpu上训练的图片数选择初始学习率，采用梯度下降的学习率进行第一批次的训练，直到损失值收敛。
4.如权利要求3所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，初始学习率＝0.000015625×gpu数量×每个gpu上训练图片数目。
5.如权利要求3所述的基于目标实时检测模型的二维材料快速精准识别方法，其特征在于，模型的config文件中损失函数loss选择qualityfocalloss，学习率梯度选择线性下降linearlr，经过第一批次共有300个epoch，直到损失值的曲线收敛，数值围绕一个数值上下波动。
6.如权利要求3所述的基于目标实时检测模型的二维材料快速精...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。