Mit der Entwicklung der Flüssigkristallanzeigetechnologie sind blaue Phasen-Flüssigkristalle aufgrund ihrer zahlreichen Vorteile ins Blickfeld von Forschern gerückt und ziehen weiterhin große Aufmerksamkeit auf sich. In Forschung und Anwendung gibt es jedoch viele Schwierigkeiten, beispielsweise existiert die blaue Phase nur in einem sehr engen Temperaturbereich, weshalb die schnelle Erkennung der blauen Phase und die schnelle Berechnung des Temperaturbereichs der blauen Phase besonders wichtig sind. In dieser Arbeit wurde ein Modell durch maschinelles Lernen trainiert, das in Kombination mit der Labview-Software eine schnelle Erkennung des Phasenzustands von Flüssigkristallen und eine schnelle Ablesung des Temperaturbereichs der blauen Phase ermöglicht. Im Experiment lag die Gesamtgenauigkeit bei der Erkennung von 159.840 Phasenbildern von Probenpunkten über 93%. Die Ergebnisse dieser Studie ermöglichen eine effizientere Erkennung der blauen Phase und Berechnung ihres Temperaturbereichs sowie eine schnellere Auswahl geeigneter Blue-Phase-Flüssigkristallformulierungen, was die Forschungseffizienz verbessert und die frühzeitige Anwendung der blauen Phase in Anzeigegeräten vorantreibt.

Blue-Phase-Flüssigkristalle; maschinelles Lernen; Convolutional Neural Networks; Bilderkennung