材料学中,范德瓦尔斯异质结是一个非常热门的领域。范德瓦尔斯异质结是由二维材料按需堆叠形成的,优异的材料特性使其具备重要的研究意义。目前,构建范德瓦尔斯异质结需要依靠人工操纵机械设备进行构筑,效率低下且构筑复杂度低。针对此问题,中科院合肥研究院着手开发范德瓦尔斯异质结精准构筑系统,其中二维材料的快速识别是系统中关键的一部分。为满足系统对二维材料快速识别的需求,结合近年来人工智能在计算机图像处理领域的广泛应用,在此背景下,本文围绕二维材料快速识别这一研究方向,开展基于深度学习的二维材料分割算法研究。主要工作如下:(1)本文搭建了一个自动化的扫描平台。该平台可以对制备好的二维材料样本进行全方位的扫描,采集样本的图像,用于进行二维材料的识别。该自动化扫描平台可以将样本图像完整采集。在500倍放大倍率下,一个1平方厘米大小的样本可采集至少12500张图像,避免了人工搜寻的巨大工作量以及疏漏。(2)本文制作了一个二维材料分割数据集。利用所搭建的自动扫描平台采集到大量的样本图像。经过筛选,得到含有二维材料的有效图像,进行数据集的制作。数据集含有10000张带有分割标签的训练集图像,以及100张用于测试算法性能的测试集图像。(3)本文实现了一种适用于二维材料图像分割的深度学习算法。由于二维材料的图像特征复杂,且难以捕捉,传统的图形算法并不适用于二维材料图像分割。本文采用深度学习算法,在基于SegNet网络的基础上进行改进,以此来提取二维材料的特征。通过应用底层特征,弥补了SegNet网络输出特征图丢失细节特征的问题,改善了SegNet网络进行图像分割时目标边缘分割情况差的问题。实验结果表明,改进后的算法适用于二维材料分割,且性能得到了很大提高。