Deep learning leidt momenteel tot toenemende onderzoeksinteresses en leidt tot een paradigmaverschuiving van op fysica gebaseerde modellering naar datagestuurd leren op het gebied van optische metrologie. Wetenschappers in China en Singapore publiceerden een overzichtsartikel getiteld "Deep learning in optical metrology:a review" in Light:Science &Applications . Ze bieden een uitgebreid overzicht van diep leren in verschillende optische metrologische taken, waaruit blijkt dat probleemspecifieke methoden voor diep leren in de meeste gevallen aanzienlijk beter presteren dan hun op fysieke modellen gebaseerde voorgangers.

Optische metrologie is de wetenschap en technologie van het doen van metingen met gebruik van licht als standaard of informatiedrager. Hoewel optische metrologie een snel groeiend gebied is, is het geen nieuwe discipline. De ontwikkeling van de natuurwetenschappen is vanaf het begin gedreven door optische metrologische technieken. In ruil daarvoor heeft optische metrologie een revolutie teweeggebracht door de uitvinding van de laser, het geladen gekoppelde apparaat (CCD) en de computer, en heeft het zich ontwikkeld tot een breed en interdisciplinair veld met betrekking tot diverse disciplines zoals fotomechanica, optische engineering, computervisie en computationele beeldvorming.

Onlangs heeft deep learning (DL), een deelgebied van machine learning, veel aandacht gekregen vanwege de uitgebreide toepassingen en enorme successen op het gebied van computervisie, natuurlijke taalverwerking en computerondersteunde diagnose. Ondertussen hebben technische giganten Google, Facebook, Microsoft, Apple en Amazon de "kunst" van gegevensmanipulatie ontstoken en gebruiksvriendelijke, open-source deep learning-frameworks ontwikkeld. Deep learning heeft de academische wereld zeer snel verlaten en is klaar om een ​​reeks bedrijven in meerdere sectoren opnieuw vorm te geven. In het licht van het grote succes van deep learning op deze verwante gebieden, konden onderzoekers in optische metrologie hun nieuwsgierigheid niet bedwingen met betrekking tot het adopteren van deze technologie om de grenzen van optische metrologie verder te verleggen en nieuwe oplossingen te bieden om de komende uitdagingen aan te gaan in het voortdurende streven naar hogere nauwkeurigheid, gevoeligheid, herhaalbaarheid, efficiëntie, snelheid en robuustheid.

In een recent overzichtsartikel gepubliceerd in Light Science &Application , presenteerden de onderzoeksteams onder leiding van professor Chao Zuo van Smart Computational Imaging (SCI) Laboratory, Nanjing University of Science and Technology, China, en professor Kemao Qian van de School of Computer Science and Engineering, Nanyang Technological University, Singapore, een overzicht van de huidige status en de laatste voortgang van de toepassing van DL in optische metrologie. In deze review vatten ze systematisch klassieke technieken en beeldverwerkingsalgoritmen in optische metrologie samen en bespraken ze de technische voordelen van het gebruik van DL in optische metrologietaken door het concept te interpreteren als een optimalisatieprobleem. Vervolgens werd een uitgebreid overzicht gegeven van specifieke toepassingen van DL in verschillende optische metrologische taken. De uitdagingen en toekomstige richtingen van DL-technieken op het gebied van optische metrologie werden ook gewezen en voorzien.

Optische metrologische methoden vormen vaak afbeeldingen (bijvoorbeeld franje/spikkelpatronen) voor verwerking. Ze kunnen full-field metingen leveren op schalen van millimeters tot nanometers met hoge snelheid, gevoeligheid, resolutie en nauwkeurigheid. Over het algemeen is de taak van optische metrologie om de gewenste monsterparameter uit de waargenomen beelden te verkrijgen, wat een typisch omgekeerd probleem is dat gepaard gaat met veel uitdagende problemen, zoals modelmismatch, foutaccumulatie en slecht gesteldheid. Op het gebied van computervisie en computationele beeldvorming is regularisatie de klassieke benadering voor het oplossen van een slecht gesteld invers probleem, waarbij het oorspronkelijke probleem wordt geherformuleerd tot een goed gesteld probleem door vooraf aannames over de oplossing op te leggen.

In optische metrologie daarentegen geven onderzoekers er, vanwege het feit dat de optische metingen vaak in een sterk gecontroleerde omgeving worden uitgevoerd, er de voorkeur aan om het oorspronkelijke slecht gestelde probleem te herformuleren tot een goed gesteld en voldoende stabiel regressieprobleem door het beeld actief te controleren. acquisitie proces. Voor veel uitdagende toepassingen kunnen zware bedrijfsomstandigheden dergelijke actieve strategieën echter tot een luxe of zelfs onredelijk verzoek maken. Onder dergelijke omstandigheden is deep learning bijzonder voordelig voor het oplossen van optische metrologische problemen, omdat de actieve strategieën worden verschoven van de eigenlijke meetfase naar de voorbereidingsfase (netwerktraining) en het "reconstructie-algoritme" direct kan worden geleerd van de experimentele gegevens. Als de trainingsgegevens worden verzameld onder de omgeving die de echte experimentele omstandigheden reproduceert, en de hoeveelheid gegevens voldoende is, zou het getrainde model de realiteit nauwkeuriger en vollediger moeten weerspiegelen, en zal naar verwachting betere reconstructieresultaten opleveren dan conventionele fysica-model- gebaseerde benaderingen.

Dankzij bovengenoemde voordelen heeft DL steeds meer aandacht gekregen in optische metrologie, een revolutie teweeggebracht in het concept van optische metrologie en bijna alle fundamentele taken van digitale beeldverwerking in optische metrologie opnieuw uitgevonden. Diep leren is geleidelijk "doorgedrongen" in bijna alle aspecten van optische metrologie, met veelbelovende prestaties en een groot potentieel in randanalyse, fase-opvraging, fase-uitpak, enz.

Desalniettemin wezen de auteurs erop dat deep learning zich nog in de vroege ontwikkelingsfase bevindt voor zijn toepassingen in optische metrologie en dat er op dit gebied nog aanzienlijke uitdagingen zijn. Als onmisbaar hulpmiddel bij industriële inspectie, medische diagnose en wetenschappelijk onderzoek, is het cruciaal om ervoor te zorgen dat de resultaten die worden verkregen door optische metrologiemethoden betrouwbaar, herhaalbaar en traceerbaar zijn. DL wordt echter vaak beschouwd als "zwarte dozen" zonder theoretische basis om duidelijk uit te leggen waarom een ​​bepaalde netwerkstructuur al dan niet effectief is in een bepaalde taak, wat ernstige gevolgen kan hebben. Bovendien leert DL en haalt het de "gewone" kenmerken uit de trainingsvoorbeelden, maar dit kan leiden tot onbevredigende resultaten bij "zeldzame voorbeelden", aangezien de informatie niet "uit het niets" kan worden geboren.

"De vooruitgang van de wetenschap komt van de voortdurende verkenning om het onbekende op te lossen." De inzichten die mogelijke routes demonstreren voor de verdere ontwikkeling van DL in optische metrologie werden overwogen:

1. Het gebruik van meer opkomende technologieën van DL voor optische metrologie zou de herkenning en acceptatie van DL in meer toepassingen kunnen bevorderen en versnellen.
2. Door Bayesiaanse statistieken te combineren met DL om kwantitatieve onzekerheidsschattingen te verkrijgen, kan worden beoordeeld wanneer DL onbetrouwbare voorspellingen oplevert.
3. Een synergie van de op fysica gebaseerde modellen die a priori kennis beschrijven en gegevensgestuurde modellen die een regularisatie leren van de experimentele gegevens, zal naar verwachting meer fysiek plausibele oplossingen bieden voor optische metrologie.

"Zal deep learning de komende jaren de rol van traditionele technologieën op het gebied van optische metrologie vervangen? Het is duidelijk dat niemand de toekomst kan voorspellen, maar we kunnen er wel mee aan de slag", aldus Zuo et al. still an 'outsider' or new to this field. We encourage you to try it out! It is easy, and often works."