AI赋能传感器以无与伦比的速度检测作物与叶片的光谱特征

劳伦斯伯克利国家实验室（Berkeley Lab）的科学家们开发出一种智能传感器，它首先在示例对象（如上图所示的某种作物或下图所示的叶片）中“嗅探”出感兴趣的光谱特征，随后在从未见过的新环境中寻找指定目标，且无需繁琐的数字处理。（图片来源：Ali Javey/Berkeley Lab）

突破光谱成像的数据处理瓶颈

光谱成像工具——能够捕捉人眼可见RGB光谱之外色彩的相机——对于获取物体的材料和结构属性信息至关重要。将其与机器学习相结合，为半导体制造、污染物追踪和作物监测等现实应用中的特征识别提供了强大的流程。

伯克利实验室的研究人员将AI算法直接嵌入相机的传感器中，消除了长期困扰光谱成像技术性能的数据处理瓶颈。结果是一种能够快速高效识别化学物质和表征材料的智能传感器。

“我们专注于将现有光谱机器视觉技术的速度、分辨率和能效提升两个数量级以上，”领导该《Science》研究的科学家Ali Javey表示。Javey是伯克利实验室高级教职科学家，也是加州大学伯克利分校材料科学与工程教授。这项工作与UCLA的Aydogan Ozcan紧密合作完成。

该传感器设计展示了如何将新功能构建到半导体器件本身中，以提高其效率和实用性，并赋能新一代AI视觉硬件。

当今的光谱成像技术采用分离的传感器和计算模块。传感器首先捕获一组图像堆栈，每幅图像对应特定颜色。然后将密集的图像堆栈发送到数字处理器进行进一步计算，产生物体识别结果。问题就出在这里。

“传感器必须收集并发送比普通相机多得多的数据给数字处理器，数据量大约大10到100倍，”伯克利实验室材料科学部博士后、该研究第一作者Dehui Zhang说。因此，传感器和计算机硬件往往不堪重负，使物体识别任务极其缓慢且耗能。

伯克利实验室团队开发的传感器在图像捕获——即光电探测——过程中直接执行AI计算和光谱分析。

“光电探测可被视为一种自动的物理计算过程，”Zhang解释道。当光线照射到传感器上时，其强度会自动映射为电流强度。由于传感器对光的响应度易于调节，研究人员拥有了一个调节旋钮，用于选择突出哪些光谱特征、抑制哪些特征。离开传感器、被电路读取的电流，因此就是对图像光谱内容的一种推断。

“我们证明了这一计算过程在数学上类似于数字机器学习中常用的算法，”Zhang说。这一类比使得传感器可作为机器学习计算机，直接在入射光上执行机器学习计算。

“对我来说，最激动人心的是赋予传感器智能的概念，”Javey说。普通传感器只是收集原始环境信息，将智能识别任务留给数字处理器。

通过协同设计半导体材料、器件和算法，团队使传感器能够在无需数字后处理数据的情况下进行学习和计算。

利用黑磷光电二极管，研究人员在实验中展示了其他多个引人注目的可能性。他们成功识别了半导体样品中的氧化层厚度——制造巨头需要其完美均匀——以及不同植物叶片的水合状态、光学图像中的物体分割，以及培养皿中的透明化学品。

“我对这类设备在更广泛应用中的未来持乐观态度，”Javey说。未来，这种智能传感器不仅可用于光谱机器视觉，还可用于“其他先进光学传感及更广阔领域”。

更多信息请联系：[邮箱地址]

传感器