[Computational Materials Science] 告别昂贵表征：基于 RGB 阈值分割的 WSe2 层数识别新方案

TL;DR

来自布鲁克海文国家实验室（BNL）的研究团队在《Computational Materials Science》上发表了一项实用性极强的工作。他们开发了一种基于光学图像阈值分割的方法，能够以 >99% 的精度 瞬间识别 WSe2（二硒化钨） 的单层、双层和三层结构。该方法无需 GPU 算力支持，仅凭普通的彩色图像处理即可替代耗时的原子力显微镜（AFM）扫描。

1. 背景：二维材料研究的“速度瓶颈”

二维过渡金属硫族化合物（TMDs）如 WSe2，其物理性质（如能隙类型）极度依赖于厚度（层数）。在实验室中，我们通常使用机械剥离法产生的随机碎片。如何从成千上万个微米级碎片中快速挑出“单层”目标，一直是困扰实验科学家的难题：

• AFM/TEM：虽然是原子级精度，但像蜗牛一样慢，且设备贵得惊人。
• Raman/PL 光谱：虽然是非接触的，但对每个碎片点扫一遍依然非常耗时。
• 深度学习（CNN）：虽然快，但需要手动标注几千张图来训练，这本身就是个悖论。

作者提出：既然人眼能通过颜色深浅看出层数，那我们能不能用最直接的**颜色通道分布（Color Channel Distribution）**来量化这个过程？

2. 技术核心：为什么是“红光”通道？

研究团队利用 QPress 自动化剥离系统获取了大量样本，并针对 Red (R), Green (G), Blue (B) 三个通道进行了像素强度的深度统计分析。

2.1 统计分布直觉

通过对像素中位数和四分位距（IQR）的分析，研究发现了一个关键物理现象：层数增加会导致红光和绿光的反射率显著降低，但不同层数在“红光”通道下的区分度（Contrast）最为陡峭且互不干扰。

图 1: (a-c) 不同通道下的像素分布。可以明显看到红光通道（红色区域）在单层、双层、三层之间存在清晰的间隙，而蓝光通道完全重叠。

2.2 算法流程

1. 背景消除：使用线性回归模拟基底（Substrate）的非均匀照明，从原图中减去基底效应，获取原始材料的纯净信号。
2. 静态阈值应用：
   • 单层（Monolayer）: 111.0 – 118.0 (Red Channel)
   • 双层（Bilayer）: 103.0 – 110.0 (Red Channel)
   • 三层（Tri-layer）: 93.0 – 103.0 (Red Channel)
3. 交互式微调：为了应对不同的光照环境，作者还开发了一个 GUI 滑块，允许研究员手动微调这些阈值。

3. 实验结果：效率与精度的平衡

研究者引入了计算机视觉界的金标准——IoU (Intersection over Union) 来衡量准确性。实验表明：

• 红光通道 (Red)：平均 IoU 达到 99%，简直完美。
• 绿光通道 (Green)：平均 IoU 约 90%，在区分双层和三层时略显乏力。
• 蓝光通道 (Blue)：基本不可用。

图 2: 红、绿、蓝三通道分割效果对比。第一行为原图，第二行为基于红光通道的分割结果，可以看到层边界识别极度精准。

4. 深度洞察：在 SOTA 坐标系中的定位

作者对比了当前主流的各种表征技术（见下表）：

结论：该方法虽然在绝对物理厚度的测量上不如 AFM 到了 sub-nm 级别，但在**层数分选（Classification）**这一任务上，它以极低的资源消耗达到了可商用的精度。

5. 局限性与展望

尽管在机械剥离的 WSe2 上表现优异，但作者也坦言，该方法目前主要针对特定的 SiO2/Si 基底（285nm 氧化层）。对于通过 CVD（化学气相沉积）制备的连续薄膜，或者基底厚度发生变化的情况，阈值需要重新定标。

未来的研究方向将探索 CMYK 颜色空间 是否能提供比 RGB 更多的信息维度，以及如何将此算法集成到全自动机器人剥离生产线中，实现真正的二维材料“无人工厂”。

关键词：WSe2, 图像分割, 阈值法, 二维材料表征, 开源科学