近年来, 二维材料由于其独特的性质而受到了广泛关注。 在制备二维层状晶体的各种方法中, 机械剥离法获得的薄层二维材料晶体质量高, 适用于基础研究及性能演示。 然而用机械剥离法从衬底上获得的材料具有一定的随机性, 可能包含了少许相对较厚的部分。 实现对这些二维薄层材料有效、 快速且智能化的表征有利于促进二维材料性能的进一步研究。 提出了一种基于深度学习的表征方法, 通过搭建的编解码结构的卷积神经网络语义分割算法, 可以根据光学显微镜图像进行分割和快速识别二维材料纳米片。 卷积神经网络作为深度学习在图像处理领域中的典型算法, 能够对光学显微镜图像中的复杂信息进行特征提取。 首先采用机械剥离制备MoS₂纳米片样本, 通过光学显微镜采集高光谱图像并对样本进行标记, 根据样本的厚度范围标记出不同的区域, 对标记后的图像进一步处理, 包括图像的颜色校准和剪切操作, 得到用于网络训练和测试的数据集。 针对光学图像中二维纳米薄片存在的低对比度、 碎裂等特点, 编码时加入残差结构和金字塔池化模型, 有助于特征信息的提取; 解码时融合编码路径中提取的浅层特征信息, 以提高网络分割精度。 实验中采用带权重的交叉熵损失函数解决类别数量不平衡问题和采用数据增强扩大数据集。 对训练后的网络测试结果表明, 模型像素精度为97.38%, 平均像素精度为90.38%, 均交并比为75.86%。 之后通过迁移学习成功地对剥离的单层和双层石墨烯纳米片样本进行了识别, 均交并比达到了81.63%, 表明该方法具有普适性。 通过MoS₂和石墨烯纳米片的识别演示, 实现了深度学习在二维材料的光学显微镜图像中的成功应用。 该方法有望在更多的二维材料上得到扩展并突破自动动态处理光学显微镜图像的问题, 同时为其他纳米材料的高光谱图像处理提供参考。

通过拼接角膜神经图像可以减小显微图像视场小的影响。由于显微图像存在渐晕效果，拼接图像会在拼接处产生伪影，影响医生诊断。为解决拼接图像的渐晕伪影问题，提出了一种通过非线性多项式函数建模进行图像渐晕校正的方法。首先，对单张角膜神经图像建立渐晕模型，设置符合渐晕物理性质的约束条件，利用L-M优化算法对渐晕模型参数进行迭代优化。在每次迭代优化过程中，计算对数信息熵，对当前渐晕模型的校正效果进行判断，防止图像过度校正。迭代优化结束后，将渐晕模型反向补偿原图像，完成渐晕校正处理。通过对比校正前后的拼接图像，校正后图像在拼接处无明显的渐晕伪影。实验测试5组不同患者的图像，校正后图像MSE、PSNR、SSIM评估指标平均值分别达到0.004 2、72.225 1 dB、0.960 0，具有最佳的校正效果。本文算法的校正效果明显优于其他同类算法的校正效果。该方法能够有效地对角膜图像渐晕效果进行校正，无须提前设置固定的相机和环境亮度参数。校正后图像拼接效果良好，可获得更加准确、清晰、视野范围大的角膜神经拼接图像。

显微图像普遍具有背景复杂、细胞多重叠的特点，传统的图像处理方法由于其技术局限性，无法实时准确地完成识别任务。针对上述问题，本文提出一种采用注意力机制的显微图像智能检测方法，该方法对目标检测模型DETR进行改进，利用分组卷积机制对输入特征进行降维并分别训练不同卷积核实现特征提取，从而提高模型对于显微图像中目标物体的注意力，并增加了检测准确率。本文以阴道炎致病微生物检测为应用场景，实验结果表明，改进的模型平均查准率均值mAP为96.3%，比原模型提高约10%。同时，本方法在细胞重叠、粘连以及背景杂质繁多等场景下，仍具有高鲁棒性和强检测能力。每张显微图像检测耗时约为88.8 ms，可以满足实时检测的需求。因此，本文提出的模型可实时准确地对常见的阴道炎致病微生物进行实时高效自动检测，可满足显微镜检临床使用的实际需求。