人工智能驱动的传感器以无与伦比的速度检测农作物和树叶的光谱特征
劳伦斯伯克利国家实验室，伯克利，加利福尼亚州
伯克利实验室的科学家开发了一种智能传感器，它首先“嗅出”示例物体中感兴趣的光谱特征——这里是一种作物（上图）或树叶（下图）。然后，它会在一个新的环境中寻找指定的目标——一个它以前从未见过的环境，同时避免繁琐的数字处理。 （图片来源：Ali Javey/伯克利实验室）光谱成像工具——捕捉超出我们眼睛可见的 RGB 光谱颜色的相机——对于收集有关物体材料和结构特性的信息至关重要。将它们与机器学习相结合，为识别现实应用中的特征提供了强大的管道，包括半导体制造、污染物跟踪和作物监测。
通过将人工智能算法融入相机传感器本身，能源部劳伦斯伯克利国家实验室（伯克利实验室）的研究人员现已消除了长期困扰光谱成像技术性能的数据处理瓶颈。其结果是智能传感器能够快速有效地识别化学品和表征材料。
“我们致力于将现有光谱机器视觉技术的速度、分辨率和功率效率提高两个数量级以上，”领导该设备的科学研究的科学家 Ali Javey 说。 Javey 是伯克利实验室的高级科学家，也是加州大学伯克利分校材料科学与工程系的教授。这项工作是与加州大学洛杉矶分校的 Aydogan Ozcan 密切合作完成的。
该传感器设计展示了如何将新颖的功能内置到半导体设备本身中，以提高其效率和实用性，并实现新型人工智能视觉硬件。
当今的光谱成像技术具有独立的传感器和计算模块。传感器首先捕获一堆图像，每个图像对应于某种颜色。然后，密集的图像堆栈被发送到数字处理器进行进一步计算，从而产生对象识别结果。这就是问题出现的地方。
伯克利实验室材料科学部博士后、该研究的主要作者张德辉表示：“传感器必须收集比普通相机更多的数据并向数字处理器发送更多数据，数据量大约是普通相机的十到一百倍。”因此，传感器和计算机硬件常常不堪重负，导致物体识别任务极其缓慢且耗电。
相反，伯克利实验室团队开发了在图像捕获（或光电检测）过程本身执行人工智能计算和光谱分析的传感器。
“光电检测可以被视为一种自动物理计算过程，”张解释道。当光线照射到传感器时，其强度会自动映射到电流强度。由于传感器对光的响应度可以轻松调整，因此研究人员有一个调谐旋钮，用于选择突出显示哪些光谱特征和抑制哪些光谱特征。因此，离开传感器并由电路读取的电流可作为有关图像光谱内容的推断。
“我们证明了计算过程在数学上类似于通常用于数字机器学习的算法，”张说。这种类比使得可以将传感器用作机器学习计算机并对入射光本身执行机器学习计算。
“对我来说，最令人兴奋的部分是为传感器提供智能的概念，”贾维说。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。
通过共同设计半导体材料、器件和算法，团队使传感器能够学习和计算，而无需对数据进行数字后处理。
但该技术的应用远远超出了识别鸟类的范围。研究人员利用黑磷光电二极管，通过实验证明了其他几种有趣的可能性。他们成功地识别了半导体样品中的氧化层厚度（制造巨头需要完全均匀）以及不同植物叶子中的水合状态、光学图像中的对象分割以及培养皿中的透明化学物质。
“我对此类设备的更广泛应用的未来持乐观态度，”贾维说。未来，智能传感器不仅可以在光谱机器视觉领域找到应用，还可以在“其他先进光学传感及其他领域”找到应用。
如需了解更多信息，请联系 此电子邮件地址已受到垃圾邮件机器人保护。您需要启用 JavaScript 才能查看它..
传感器