二维材料因其原子级的厚度、较弱的层间范德华相互作用以及可调控的能带结构，展现出诸多独特现象，如谷度自由度、单光子发射以及强烈的激子效应[[1], [2], [3], [4]]。这些特性使得二维材料可应用于柔性电子、集成光电子学、传感以及异质集成电路等领域[[5], [6], [7], [8], [9]]。尤其是对于过渡金属硫属化合物而言，层数会显著影响其能带结构、激子动力学以及载流子传输特性；因此，准确的层识别是进行物理性质分析和器件制备的前提[10,11]。
制备二维材料的常用方法包括机械剥离[12]、物理气相沉积（PVD）[13]和化学气相沉积（CVD）[14]。其中，由于操作简单且能够获得高质量的单层及少层片材，机械剥离在实验室研究中仍被广泛使用[12]。无论样品是通过剥离还是可控生长获得的，可靠的层表征对于样品选择、工艺优化以及器件制备都至关重要[15]。拉曼光谱[16]和原子力显微镜（AFM）[17]能够高精度地测定层厚度与质量。然而，这些技术需要昂贵的仪器、相对较长的测量时间，且依赖经验丰富的操作者，这限制了它们在高通量筛选和现场表征中的应用。相比之下，光学显微镜操作快捷、成本低廉，还能利用层依赖的光学对比度初步区分单层、少层和块状区域[[18], [19], [20]]。不过，人工检测效率较低，且易受照明条件、对比度以及操作者技能的影响。
近年来，机器学习和深度学习方法被引入到二维材料的光学图像分析中，用于层识别、分割及表征[[21], [22], [23], [24], [25], [26]]。数据驱动的模型可以减轻人工筛选的负担，提高厚度识别的一致性。近期研究还探索了轻量级、实时且高效的数据处理方法，用于二维材料的自动光学分析[[27], [28], [29]]，包括轻量级的层识别模型、实时片材筛选平台以及基于颜色特征的层数识别方法。尽管取得了这些进展，但在光学对比度较弱、层间边界模糊的情况下，实现共存的单层、少层和多层区域在像素级上的精确分离仍然具有挑战性。现有的分割方法往往依赖于参数量较大的通用架构，或者主要针对离线精度进行评估，对显微镜端本地部署的考虑较少。此外，有限的标记数据也可能限制其性能[30,31]。在样本数量较少的情况下，这类模型可能无法识别出薄层区域，导致边界模糊，且在不同材料间的泛化能力较差[22,[24], [25], [26]]。
在本研究中，我们提出了RepELA-Net，这是一种轻量级的编码器-解码器网络，可用于二维材料在像素级上的层识别，同时还配套了用于本地推理和交互式可视化的显微镜端平台。较浅层的RepConv模块能够保留局部对比度和边缘信息，而更深层的ELA模块则可捕捉弱对比度层区域的整体特征。在解码器中，W-MSF模块整合多尺度的语义信息和空间特征，BE模块则在预测前优化弱层间边界。RepELA-Net设计旨在以较低的参数量识别出单层、少层和多层二硫化钼区域，同时具备较强的抗非可控照明变化能力。在石墨烯、WS?以及独立的二硫化钼图像上的迁移学习结果表明，该模型具有跨材料的泛化能力，是实现显微镜端快速层识别的理想轻量级解决方案。
