基于卷積神經(jīng)網(wǎng)絡(luò)的高通量藍(lán)相液晶識(shí)別

張亞倩，崔永豐，王 浩，何萬里，張 磊，楊 洲，曹 暉，王 冬，李宇展

（北京科技大學(xué) 材料科學(xué)與工程學(xué)院，北京 100083）

1 引言

藍(lán)相（Blue phase）是液晶中具有特殊性質(zhì)的一個(gè)相態(tài)，是各種膽甾相液晶在稍低于清亮點(diǎn)時(shí)存在的熱力學(xué)穩(wěn)定相。它是介于膽甾相和各向同性相狹窄溫度區(qū)間（約0.5～2 ℃）的一種相態(tài)，由于通常呈現(xiàn)藍(lán)色，故稱藍(lán)相［1］。由于選擇性反射，迄今為止，所有已知的藍(lán)相在沒有電場(chǎng)的情況下都是光學(xué)各向同性的，這是藍(lán)相在實(shí)際應(yīng)用中最重要的特性之一［2-5］。

類似于普通棒狀和盤狀液晶能夠應(yīng)用于顯示以及有機(jī)太陽能電池［6］等領(lǐng)域，藍(lán)相液晶（Blue phase liquid crystal，BPLC）也可以應(yīng)用于顯示領(lǐng)域，而且具有寬視角、無需定向?qū)?、亞毫秒?jí)的響應(yīng)速度等優(yōu)點(diǎn)，因而吸引著國(guó)內(nèi)外眾多感興趣科學(xué)家的關(guān)注［7-10］。當(dāng)然藍(lán)相液晶用于顯示也存在以下亟待解決的問題：存在的溫度區(qū)間過窄，它只存在于各向同性相與膽甾相之間大約0.5～2 ℃的范圍中。雖然隨著聚合物穩(wěn)定藍(lán)相液晶的發(fā)現(xiàn)，BPLC 存在的溫度范圍已擴(kuò)展到-10～50 ℃甚至更寬［11-12］，但是仍然面臨著驅(qū)動(dòng)電壓過高，透明度不夠高，長(zhǎng)期穩(wěn)定性不佳等諸多挑戰(zhàn)。由于藍(lán)相液晶存在的溫度區(qū)間過窄，且在觀察藍(lán)相時(shí)升降溫的速率非常緩慢，目前關(guān)于藍(lán)相液晶的檢測(cè)都是單通道的，使得不同批次測(cè)量的數(shù)據(jù)很容易產(chǎn)生不同，所以在觀察和記錄不同液晶體系配方藍(lán)相的存在溫度區(qū)間時(shí)，需要花費(fèi)大量的時(shí)間和精力，同樣現(xiàn)有方法無法快速大批量篩選出具有藍(lán)相液晶的配比方案，并且藍(lán)相液晶檢測(cè)對(duì)外界條件的變化非常敏感，所以很容易出現(xiàn)誤差。因此，如何在短時(shí)間內(nèi)判斷大量液晶樣品是否具有藍(lán)相相態(tài)，并且在確認(rèn)樣品出現(xiàn)藍(lán)相之后，獲得其藍(lán)相溫域區(qū)間成為本領(lǐng)域亟待解決的問題。

隨著信息技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）成為最流行的神經(jīng)網(wǎng)絡(luò)模型，在分類、人臉識(shí)別等許多領(lǐng)域取得了長(zhǎng)足的進(jìn)步，并能夠解決各種問題［13］。1998年推出的LeNet 是第一個(gè)減少參數(shù)數(shù)量并能夠從原始圖像自動(dòng)學(xué)習(xí)特征的CNN 架構(gòu)。該模型可用于識(shí)別郵局的數(shù)字手稿模式和郵政編碼［14］。隨后的AlexNet 被認(rèn)為是第一個(gè)用于分類和識(shí)別任務(wù)的深層CNN 體系結(jié)構(gòu)，但是訓(xùn)練過程非常復(fù)雜，該模型直到2012 年才被使用［15］。2013 年，在ZFNet 模型（AlexNet 的改進(jìn)版）上創(chuàng)建了一種可視化技術(shù)，即所謂的去卷積網(wǎng)絡(luò)［16］。GoogleNet，也稱為Inception-V1，于2014 年推出，該體系結(jié)構(gòu)的主要目的是通過降低計(jì)算成本實(shí)現(xiàn)高精度［17］。牛津大學(xué)的研究人員在2014 年推出了一個(gè)名為Visual Geometry Group（VGG）的模型，同時(shí)使用較小尺寸的過濾器可以完成與較大過濾器相同的任務(wù)，還可以降低計(jì)算復(fù)雜度［18］。2015 年引入的殘差神經(jīng)網(wǎng)絡(luò)（ResNet）改變了CNN 的產(chǎn)生。在ImageNet 數(shù)據(jù)集上進(jìn)行訓(xùn)練和實(shí)施后，甚至比人類識(shí)別精度高［19］。隨后推出的Inception-v3是GoogleNet 的改進(jìn)版，參數(shù)數(shù)量進(jìn)一步減少，該模型還使用多級(jí)提取，使其執(zhí)行速度更快［20］。2017 年推出的ResNeXt 是ResNet 和VGGNet 模型的組合，該模型使用了一個(gè)簡(jiǎn)單的模塊化架構(gòu)對(duì)圖像進(jìn)行分類，“分割-轉(zhuǎn)換-合并”策略取代了標(biāo)準(zhǔn)剩余塊［21］。DenseNet 是2017 年推出的用于識(shí)別視覺對(duì)象的最新、最強(qiáng)大的神經(jīng)網(wǎng)絡(luò)之一。它可以減少梯度計(jì)算問題，最小化參數(shù)數(shù)量，并重用特征［22］。在2017 年推出的Xception 可以被認(rèn)為是改進(jìn)后的Inception。Xception 架構(gòu)是具有殘差連接的深度可分離Conv 段的線性堆棧，理論基礎(chǔ)是卷積神經(jīng)網(wǎng)絡(luò)特征圖中的跨通道相關(guān)性和空間相關(guān)性可以完全解耦。這個(gè)想法比Inception-V3、ResNet-50、ResNet-101、ResNet-152、VGGNet 更有效，表明網(wǎng)絡(luò)在計(jì)算方面變得更加高效［23］。

基于上述藍(lán)相液晶的性質(zhì)和研究者對(duì)于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，本文將機(jī)器學(xué)習(xí)中的圖像識(shí)別和分類應(yīng)用于材料學(xué)科，通過將制作好的不同液晶相態(tài)的數(shù)據(jù)集送入到搭建的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)而得到一種機(jī)器學(xué)習(xí)模型。此模型可以實(shí)現(xiàn)輸入一張某溫度下液晶相態(tài)的圖片，可以輸出此圖片屬于哪種液晶相態(tài)，如果將不同溫度下的液晶相態(tài)圖片依次輸入到該模型中，則可以判斷得到藍(lán)相存在時(shí)的溫度區(qū)間。同樣地，通過將不同配比的液晶體系在不同溫度下的相態(tài)圖片依次輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，則可以得到這一批樣品藍(lán)相存在的溫度區(qū)間，達(dá)到高效快速篩選液晶體系配方的目的。本文通過Labview 軟件調(diào)用Python 接口的方式實(shí)現(xiàn)了高通量藍(lán)相液晶相態(tài)的識(shí)別和相應(yīng)藍(lán)相溫域的讀取，經(jīng)過粗略計(jì)算，此機(jī)器學(xué)習(xí)方法結(jié)合高通量液晶體系制備在識(shí)別計(jì)算1 000 個(gè)樣品點(diǎn)時(shí)比普通混配在偏光顯微鏡下觀察測(cè)試藍(lán)相溫域效率高近100 倍，為藍(lán)相液晶的高效快速識(shí)別和相應(yīng)的配方篩選提供了一種新思路，大大節(jié)省了人力和時(shí)間。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)中采用噴墨打印機(jī)高通量制備的不同配比液晶庫作為數(shù)據(jù)來源。通過攝像機(jī)采集降溫時(shí)不同溫度下偏光設(shè)備中的各樣品相態(tài)圖片，截取感興趣區(qū)域（Region of interest，ROI）樣品點(diǎn)位置大約30×30 像素大小的圖像進(jìn)行分類并制作成數(shù)據(jù)集。該數(shù)據(jù)集依據(jù)液晶相態(tài)的顏色和織構(gòu)信息主要?jiǎng)澐譃? 個(gè)類別，分別是各向同性相（Isotropic phase）、藍(lán)相（Blue phase）、膽甾相（Cholesteric）。每個(gè)類別大致由1 000 張圖像組成，總計(jì)3 000 張圖像，每個(gè)類別分別按照9∶1 的比例制作成訓(xùn)練集和測(cè)試集。圖1 分別為3 種不同相態(tài)樣品在偏光顯微鏡下和數(shù)據(jù)集中截取的圖像展示。

圖1 偏光顯微鏡下（左）和數(shù)據(jù)集內(nèi)（右）的部分液晶相態(tài)圖像。（a1）～（a2）各向同性相部分圖像；（b1）～（b2）藍(lán)相部分圖像；（c1）～（c2）膽甾相部分圖像。Fig.1 Partial liquid crystal phase state images under polarized light microscope（left）and in the data set（right）.（a1）～（a2）Images of isotropic phase；（b1）～（b2）Images of blue phase；（c1）～（c2）Images of cholesteric Phase.

2.2 神經(jīng)網(wǎng)絡(luò)模型的搭建和訓(xùn)練

本模型均在TensorFlow 框架下進(jìn)行試驗(yàn)。硬件環(huán)境：Inter（R）Xeon（R）W-2123 CPU@3.6 GHz，92GBRAM，NVIDIAGeForceGTX1080GPU，8GBVideoMemory。軟件環(huán)境：CUDAtoolkit10.0，cuDNN10.0，Windows10 64 bit，Python3.7，TensorFlow2.0.0。

由于Python 易讀、易維護(hù)和用途廣泛等優(yōu)點(diǎn)，成為了大量用戶所歡迎的的語言。并且Python 提供大量機(jī)器學(xué)習(xí)的代碼庫和框架，在數(shù)學(xué)運(yùn)算方面有NumPy、SciPy，在可視化方面有MatplotLib、SeaBorn，結(jié)構(gòu)化數(shù)據(jù)操作可以通過Pandas。針對(duì)各種垂直領(lǐng)域，如圖像、語音，文本在預(yù)處理階段都有成熟的庫可以調(diào)用，所以在機(jī)器學(xué)習(xí)領(lǐng)域被廣泛使用。圖2 為本文高通量藍(lán)相液晶識(shí)別的整體流程圖。

圖2 高通量識(shí)別藍(lán)相液晶流程圖Fig.2 Flow chart of high-throughput blue phase liquid crystal recognition

本文利用Python 中的模塊提取出數(shù)據(jù)集中每個(gè)圖像的RGB 信息，將訓(xùn)練信息送入圖3 所示的神經(jīng)網(wǎng)絡(luò)中。該神經(jīng)網(wǎng)絡(luò)利用TensorFlow 框架搭建而成，搭建的神經(jīng)網(wǎng)絡(luò)包括由輸入至輸出依次連接的輸入層、隱藏層、輸出層，輸入層是由訓(xùn)練集的實(shí)例特征向量傳入，輸入的數(shù)據(jù)為RGB 3 個(gè)參數(shù)，經(jīng)過連接節(jié)點(diǎn)的權(quán)重傳入下一層，在下一層中加權(quán)求和，隱藏層設(shè)置有3 層，3 層的神經(jīng)元個(gè)數(shù)分別為512，1 024，512，每層隱藏層的每個(gè)神經(jīng)元是前一層的所有神經(jīng)元的權(quán)重相加，然后經(jīng)過非線性激活函數(shù)（ReLu 函數(shù)）的轉(zhuǎn)化將輸出作為下一層的輸入，經(jīng)過多層的訓(xùn)練學(xué)習(xí)從而得到神經(jīng)網(wǎng)絡(luò)模型，公式如式（1）所示：

圖3 神經(jīng)網(wǎng)絡(luò)模型示意圖Fig.3 Schematic diagram of neural network model

其中，f(x)為某神經(jīng)元的值；Aj為該神經(jīng)元前一層的所有神經(jīng)元的權(quán)重之和，表達(dá)式如式（2）：

其中，xi表示上一層的第i個(gè)神經(jīng)元，wji表示第i個(gè)神經(jīng)元的權(quán)重，權(quán)值的初始值可采用任意值。

首先讀取制作好的數(shù)據(jù)集圖片，并對(duì)圖片進(jìn)行大小尺寸變換，統(tǒng)一設(shè)置尺寸為100×100 大小，然后將3 通道的顏色數(shù)據(jù)值經(jīng)過歸一化處理壓縮到0～1 之間，數(shù)據(jù)歸一化可以消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響，且會(huì)使最優(yōu)解的尋優(yōu)過程明顯變得平緩，更容易正確地收斂到最優(yōu)解。然后將歸一化后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，依次經(jīng)過由3 組卷積-池化-舍棄層組成的隱藏層后送入到全連接層，然后再經(jīng)過舍棄層隨機(jī)放棄一部分神經(jīng)元的更新后進(jìn)入輸出層返回訓(xùn)練結(jié)果。其中3 組隱藏層的濾波器（卷積核）大小為3，卷積核數(shù)量為64，池化區(qū)域大小和池化步幅均為2，使用的激活函數(shù)為ReLu 激活函數(shù)，隨后的全連接層使用的也為ReLu 激活函數(shù)，所有的舍棄層均隨機(jī)舍棄50%的神經(jīng)元，最后的輸出層使用Softmax 激活函數(shù)，通過此激活函數(shù)將輸出值轉(zhuǎn)換為概率值，則在所有輸出中得分最高的也就是最有可能的類別，可以很直觀地表示分類問題。

在神經(jīng)網(wǎng)絡(luò)中，每次訓(xùn)練結(jié)束都可以得到一個(gè)輸出值，通過損失函數(shù)（交叉熵）可以對(duì)比輸出值和目標(biāo)值從而監(jiān)測(cè)模型的誤差，交叉熵?fù)p失函數(shù)公式如式（3）所示：

其中，M表示類別的數(shù)量，yic表示符號(hào)函數(shù)（0 或1），如果樣本i的真實(shí)類別等于c取1，否則取0，pic表示觀測(cè)樣本i屬于類別c的預(yù)測(cè)概率。

然后根據(jù)誤差來調(diào)整神經(jīng)網(wǎng)絡(luò)中的權(quán)重參數(shù)，經(jīng)過多層訓(xùn)練學(xué)習(xí)后，通過不斷調(diào)整網(wǎng)絡(luò)中的參數(shù)使得損失函數(shù)達(dá)到最小時(shí)，輸出值和目標(biāo)值基本一致，最終得到誤差較小的預(yù)期神經(jīng)網(wǎng)絡(luò)模型，證明網(wǎng)絡(luò)符合預(yù)期，模型穩(wěn)定可用。本文中模型訓(xùn)練時(shí)使用交叉熵（CrossEntropy）作為損失函數(shù)，選擇自適應(yīng)矩估計(jì)（Adam）優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001，使用GPU 進(jìn)行訓(xùn)練，訓(xùn)練后得到的損失和準(zhǔn)確率變化如圖4 所示。

圖4 模型訓(xùn)練時(shí)的損失（a）和準(zhǔn)確率（b）變化圖。Fig.4 Loss（a）and accuracy rate（b）change graph of model training.

從模型訓(xùn)練時(shí)的損失圖和準(zhǔn)確率圖可以看出，隨著模型訓(xùn)練迭代輪數(shù)的增加，模型的損失越來越小，輸出值與目標(biāo)值之間的誤差越來越小，在40 輪迭代之后，模型的損失基本趨于穩(wěn)定；模型的準(zhǔn)確率在40 輪迭代之后準(zhǔn)確率接近1，并且浮動(dòng)非常小，說明整體模型在訓(xùn)練集上表現(xiàn)良好。

2.3 藍(lán)相溫域的高通量讀取

Labview 作為一款成熟的工程化應(yīng)用軟件，為用戶提供了豐富的使用接口。其中Labview2018提供了關(guān)于Python 的接口，此接口可以實(shí)現(xiàn)對(duì)Python 程序的調(diào)用，從而將相應(yīng)的結(jié)果輸出。Labview 強(qiáng)大的自動(dòng)化測(cè)試、測(cè)量及分析、處理能力非常適用于本實(shí)驗(yàn)中高通量識(shí)別和計(jì)算，所以利用Labview 調(diào)用Python 可以完美地滿足本實(shí)驗(yàn)的需求。

藍(lán)相存在的溫度區(qū)間即藍(lán)相溫域的計(jì)算方法為：在降溫過程中，樣品點(diǎn)從各向同性相開始轉(zhuǎn)變?yōu)樗{(lán)相的溫度作為藍(lán)相溫域的起始溫度，藍(lán)相轉(zhuǎn)變?yōu)槟戠尴嗟臏囟茸鳛樗{(lán)相溫域的終止溫度，藍(lán)相存在的起始溫度與終止溫度的差值即該樣品點(diǎn)的藍(lán)相溫域。每個(gè)樣品點(diǎn)的藍(lán)相溫域計(jì)算是通過Labview2018 調(diào)用Python 接口來實(shí)現(xiàn)的，其中利用Python 模塊進(jìn)行機(jī)器學(xué)習(xí)模型的訓(xùn)練，訓(xùn)練好的模型可以實(shí)現(xiàn)給定ROI 位置樣品點(diǎn)的相態(tài)識(shí)別，并將識(shí)別結(jié)果輸出。Labview2018通過調(diào)用Python 接口得知不同溫度下所述位置樣品點(diǎn)的液晶相態(tài)，其中位置的給定是Labview2018 通過識(shí)別制作的定位圖中圓的中心坐標(biāo)來實(shí)現(xiàn)的，以定位圖中圓的中心坐標(biāo)為依據(jù)，將其作為樣品點(diǎn)ROI 方形的中心，以此提取每個(gè)樣品點(diǎn)的RGB 顏色信息。將提取到的不同溫度下每個(gè)樣品點(diǎn)的顏色信息自動(dòng)讀取到模型中進(jìn)行識(shí)別，識(shí)別后依次輸出每個(gè)樣品點(diǎn)分別屬于的相態(tài)類別，這樣就可以知曉每個(gè)樣品點(diǎn)藍(lán)相出現(xiàn)的上下限溫度，通過將藍(lán)相出現(xiàn)的上下限溫度作差即可得到該樣品的藍(lán)相溫域，同時(shí)也可以知曉該樣品的清亮點(diǎn)，對(duì)各不同配方樣品的篩選具有極其重要的指導(dǎo)意義。圖5 為L(zhǎng)abview2018 調(diào)用Python 接口基本框架和Python 節(jié)點(diǎn)展示。

圖5 （a）Labview2018 調(diào) 用python 接 口 的基本框架；（b）Python 節(jié)點(diǎn)各引腳展示。Fig.5 （a）Basic framework of Labview2018 calls python interface；（b）Display of each pin of Python node.

該Labview 程序?qū)崿F(xiàn)批量讀取藍(lán)相溫域時(shí)需要將被調(diào)用Python 子程序所在路徑、名稱以及Python 的版本號(hào)告知給Labview，通過對(duì)Python子程序中識(shí)別函數(shù)（Identify）的調(diào)用，可以實(shí)現(xiàn)單個(gè)樣品點(diǎn)的相態(tài)識(shí)別，調(diào)用識(shí)別函數(shù)時(shí)同樣需要輸入待識(shí)別樣品點(diǎn)的路徑，然后經(jīng)過建立Labview 中的循環(huán)函數(shù)結(jié)合定位圖中給定的樣品點(diǎn)位置，即可實(shí)現(xiàn)高通量樣品的藍(lán)相溫域檢測(cè)，并且實(shí)際識(shí)別效率非常高。此Labview 程序在進(jìn)行識(shí)別時(shí)可以實(shí)時(shí)輸出當(dāng)前樣品序號(hào)、坐標(biāo)位置和樣品相態(tài)，最后 依次自動(dòng)寫入到excel 表格中，方便數(shù)據(jù)處理和分析，同時(shí)可以通過設(shè)計(jì)多線程程序的方式進(jìn)一步提高識(shí)別效率。

拍攝圖像時(shí)，將高通量打印制備好的樣品點(diǎn)置于偏光設(shè)備中進(jìn)行升降溫處理并拍攝各溫度下所有樣品點(diǎn)的相態(tài)圖。本實(shí)驗(yàn)共采集了148 張降溫過程中的液晶相態(tài)圖像，每張圖像上有1 080 個(gè)樣品點(diǎn)，降溫時(shí)的平均降溫速率為0.5 ℃/min，總的溫度區(qū)間為90～16 ℃。

2.4 實(shí)驗(yàn)結(jié)果

利用訓(xùn)練穩(wěn)定的神經(jīng)網(wǎng)絡(luò)模型來識(shí)別圖片中樣品點(diǎn)處的相態(tài)信息，我們將偏光設(shè)備中獲得的某溫度下某樣品點(diǎn)真實(shí)相態(tài)為藍(lán)相約30×30大小的圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，結(jié)果如圖6 所示，模型可以輸出該樣品點(diǎn)的液晶相態(tài)圖片和利用人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANN）對(duì)液晶相態(tài)的預(yù)測(cè)結(jié)果。可以看到ANN 對(duì)該圖片相態(tài)的預(yù)測(cè)結(jié)果為BP，并且預(yù)測(cè)為BP 的概率接近100%，這與偏光顯微鏡下觀察到的液晶組織相態(tài)完全一致。所以測(cè)試圖片的樣品點(diǎn)被準(zhǔn)確地分類，并且識(shí)別時(shí)間很短，證明了這種方法對(duì)不同溫度下各個(gè)樣品點(diǎn)液晶相態(tài)的識(shí)別和表示是精確且快速的。此外，還可以根據(jù)不同溫度下各個(gè)樣品點(diǎn)的液晶相態(tài)計(jì)算出該樣品點(diǎn)的藍(lán)相溫域以及清亮點(diǎn)。

圖6 調(diào)用模型識(shí)別單個(gè)樣品相態(tài)結(jié)果圖（圖中顯示了識(shí)別的結(jié)果及概率，BP 表示藍(lán)相，1.0 表示識(shí)別結(jié)果為藍(lán)相的概率為1）。Fig.6 Result of calling the model to identify a single sample phase state.The figure shows the recognition result and probability，BP means blue phase，1.0 means the probability of the recognition result being blue phase is close to 1.

圖7 是不同溫度下各個(gè)樣品點(diǎn)液晶相態(tài)的分類準(zhǔn)確率，對(duì)角線上的元素是不同溫度下各個(gè)樣品點(diǎn)液晶相態(tài)被準(zhǔn)確識(shí)別的準(zhǔn)確率，非對(duì)角線上的元素是某溫度下某個(gè)樣品點(diǎn)的液晶相態(tài)和某溫度下其他樣品點(diǎn)的液晶相態(tài)混淆的概率。可以看到識(shí)別不同溫度下各個(gè)樣品點(diǎn)液晶相態(tài)的準(zhǔn)確率都在93%以上。

圖7 液晶相態(tài)的高通量分類準(zhǔn)確率混淆矩陣圖Fig.7 High throughput classification accuracy confusion matrix of liquid crystal phase states

3 機(jī)器學(xué)習(xí)效率

在不考慮手工制樣或者高通量打印樣品所需時(shí)間的情況下，我們可以通過簡(jiǎn)單的計(jì)算得出傳統(tǒng)的手工制作液晶盒測(cè)試藍(lán)相溫域的方法與高通量打印機(jī)器學(xué)習(xí)識(shí)別測(cè)試藍(lán)相溫域的方法在時(shí)間效率方面的差異：

（a）常規(guī)方式測(cè)試1 080 個(gè)樣品需要時(shí)間：1 min/（0.5 ℃）（降溫速率）×2×10（藍(lán)相平均溫域）×1 080（樣品點(diǎn)數(shù)）=21 600 min=360 h=15 天；

（b）高通量打印機(jī)器學(xué)習(xí)識(shí)別測(cè)試1 080 個(gè)樣品需要時(shí)間：1 min/（0.5 ℃）（降溫速率）×2×（100-30）（所有點(diǎn)最高到最低溫）+60 min（機(jī)器學(xué)習(xí)識(shí)別需要時(shí)間）=200 min=3.33 h。

以上計(jì)算可以看出兩者之間明顯的差異。高通量打印機(jī)器學(xué)習(xí)識(shí)別的方法具有非常高的效率，這種快速識(shí)別不同溫度下各個(gè)樣品點(diǎn)液晶相態(tài)的方法對(duì)液晶的應(yīng)用有著巨大意義，它大幅縮短了測(cè)試藍(lán)相溫域所需的時(shí)間，能夠快速篩選出不同配比下液晶體系中藍(lán)相溫域較大的配比，從而指導(dǎo)實(shí)驗(yàn)研究。

4 結(jié)論

本實(shí)驗(yàn)將人工神經(jīng)網(wǎng)絡(luò)與高通量噴墨打印制備液晶混合體系相結(jié)合，以不同溫度下所述打印液晶體系截取圖像的色度值R、G、B 作為輸入神經(jīng)元，近3 000 張所述打印液晶體系截圖作為數(shù)據(jù)集，訓(xùn)練出一種可以利用偏光設(shè)備中攝像機(jī)拍攝的圖像來分辨3 種液晶相態(tài)的神經(jīng)網(wǎng)絡(luò)模型。液晶相態(tài)包括各向同性相、藍(lán)相、膽甾相，其中有1 080個(gè)不同配比的液晶體系高通量打印在旋涂好的玻璃基板上，通過搭建好的卷積神經(jīng)網(wǎng)絡(luò)來訓(xùn)練模型，同時(shí)使用Labview2018 調(diào)用Python接口的方式實(shí)現(xiàn)了對(duì)不同溫度下液晶相態(tài)快速、準(zhǔn)確的識(shí)別和分類以及藍(lán)相溫域的高效準(zhǔn)確計(jì)算，在實(shí)驗(yàn)過程中對(duì)159 840 張樣品點(diǎn)相態(tài)圖像的整體識(shí)別準(zhǔn)確率在93%以上。希望此實(shí)驗(yàn)研究可以為藍(lán)相溫域的拓寬以及寬溫域藍(lán)相液晶配方的篩選提供一種有效可行的方法。