铅卤化物钙钛矿纳米晶的掺杂研究综述:结构、电子、光学与LED的发展

0 下载量 33 浏览量 更新于2024-07-15 收藏 3.46MB PDF 举报
"A comprehensive review of doping in perovskite nanocrystals/quantum dots: evolution of structure, electronics, optics and light-emitting diodes" 这篇研究论文深入探讨了铅卤化物过氧化物纳米晶体(LHP NCs)/量子点(QDs)中的掺杂现象,特别是它们在光发射二极管(LEDs)应用中的结构演变、电子性质、光学性能以及电致发光性能。过氧化物纳米晶体因其直接带隙、窄带宽、可调带隙、长载流子扩散长度和高载流子迁移率等特点,在LED领域取得了显著的发展。掺杂技术被用来调控ABX3过氧化物的晶格结构、电子结构、发光特性、辐射复合动力学和电学性质。 论文首先介绍了掺杂对过氧化物纳米晶体结构的影响。掺杂离子可以改变晶体的晶体结构,如通过引入特定的阳离子或阴离子,可以调整晶格参数,从而影响纳米晶体的形貌和尺寸分布。这种结构调控对于优化材料的光学和电学性能至关重要。 接着,论文讨论了掺杂如何影响过氧化物的电子性质。掺杂可以引入新的能级,改变材料的导电类型(n型或p型),这对于构建高效能的光电设备至关重要。例如,通过掺杂阳离子可以调整电子亲和力,而掺杂阴离子则可能改变带隙宽度,从而优化电子和空穴的重组效率。 在光学性能方面,掺杂可以调节纳米晶体的光发射特性。通过改变内转换和辐射复合过程,掺杂可以改善量子产率,减少非辐射损耗,提高光亮度。此外,掺杂还可以实现颜色的精细调控,这对于全色域显示和照明应用具有重要意义。 论文还关注了掺杂在过氧化物LEDs中的应用。通过掺杂,可以提升器件的电致发光效率,降低电压驱动,增强稳定性,并有可能解决过氧化物LEDs中的一些关键问题,如效率衰退和器件寿命。 这篇论文提供了一个全面的视角,展示了掺杂在过氧化物纳米晶体和量子点中的重要作用,涵盖了从基础的物理化学原理到实际应用的各个方面。通过对这些领域的深入理解,科研人员能够更好地设计和优化基于过氧化物的新型光电设备,推动该领域的发展。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R