隨著二維（2D）材料其優越的性能與其具有晶圓級合成方法而引起了越來越多的關注，然而目前對於二維材料實現奈米結構的大面積表徵、精準度、智能自動化和高效率的檢測還未達工業級水準的成功應用，因此在這我們使用大數據分析與深度學習方法，成功開發一套可見光超頻譜影像技術達到自動識別二維材料的薄膜層數特徵分析。
對於分類演算法的部分，我們提出深度神經網絡(Deep Neural Networks, DNN)、一維卷積神經網絡(1D Convolutional Neural Network,1D-CNN)與三維卷積神經網絡(3D Convolutional Neural Network,3D-CNN)模型以探討模型識別的準確性與二維材料光學特徵之間的關聯性，實驗結果表明三維卷積神經網絡在泛化能力(generalization ability)優於其它分類模型，該模型適用空間域和頻譜域的特徵輸入。這樣的方法與先前研究的差異在於本研究無須特定基板，並且可經由自動光圈快門所給予在樣本上不同動態範圍(DR)區間之影像，因此無須調整到相同色對比條件下的成像品質，也不用傳統影像處裡過程，以達到最大視野(FOV)識別範圍~1.92 mm^2，解析度可達~100 nm與檢測時間30 sec/image。

我們透過大數據分析與深度學習之方法，結合遙感領域中常見的超頻譜影像，為了解決先前文獻他們所遇到之困難(光強度分布不均、影像動態範圍校正、影像雜訊濾波處理)，通過分析先前未採用過的其他維度中的特徵值來實現(形態特徵)，以輔助提升預測的準確性。以便在二維材料層數識別這方面的研究，能達到智能檢測之程度。

二維材料其優越性能與其具有晶圓級合成方法而引起了越來越多的關注，引起了人們的極大興趣並引發了相應器件應用的革命。發明人透過大數據分析與深度學習成功開發一套可見光超頻譜影像技術自動識別二維材料的光學層數特徵分析。優勢是能將提取薄膜邊緣區域的光學形態特徵值和頻譜特性，應用於光學影像並結合超頻譜影像技術。