Een front-end lens, of meta-imager, gemaakt aan de Vanderbilt University, kan mogelijk de traditionele beeldoptica in machine vision-toepassingen vervangen, waardoor beelden met hogere snelheid worden geproduceerd en minder stroom wordt verbruikt.

De nanostructurering van lensmateriaal tot een meta-imager-filter vermindert de doorgaans dikke optische lens en maakt front-end-verwerking mogelijk die informatie efficiënter codeert. De imagers zijn ontworpen om samen te werken met een digitale backend om computationeel dure bewerkingen over te brengen naar snelle en energiezuinige optica. De beelden die worden geproduceerd, hebben potentieel brede toepassingen in beveiligingssystemen, medische toepassingen en de overheids- en defensie-industrie.

Hoogleraar werktuigbouwkunde Jason Valentine, adjunct-directeur van het Vanderbilt Institute of Nanoscale Science and Engineering, en de proof-of-concept meta-imager van collega's wordt beschreven in een artikel gepubliceerd in Nature Nanotechnology .

Andere auteurs zijn onder meer Yuankai Huo, universitair docent computerwetenschappen; Xiamen Zhang, een postdoctoraal onderzoeker in werktuigbouwkunde; Hanyu Zheng, Ph.D., nu postdoctoraal medewerker bij MIT; en Quan Liu, een Ph.D. student informatica; en Ivan I. Kravchenko, senior R&D-medewerker bij het Center for Nanophase Materials Sciences, Oak Ridge National Laboratory.

Deze architectuur van een meta-imager kan zeer parallel zijn en de kloof overbruggen tussen de natuurlijke wereld en digitale systemen, merken de auteurs op. "Dankzij de compactheid, de hoge snelheid en het lage energieverbruik zou onze aanpak een breed scala aan toepassingen kunnen vinden op het gebied van kunstmatige intelligentie, informatiebeveiliging en machine vision-toepassingen", aldus Valentine.

Het meta-optische ontwerp van het team begon met het optimaliseren van een optiek bestaande uit twee metasurface-lenzen die dienen om de informatie voor een bepaalde objectclassificatietaak te coderen. Er zijn twee versies gemaakt op basis van netwerken die zijn getraind op een database met handgeschreven nummers en een database met kledingafbeeldingen die gewoonlijk worden gebruikt voor het testen van verschillende machine learning-systemen. De meta-imager behaalde een nauwkeurigheid van 98,6% in handgeschreven cijfers en een nauwkeurigheid van 88,8% in kledingafbeeldingen.

Meer informatie: Hanyu Zheng et al, Meerkanaals-meta-imagers voor het versnellen van machinevisie, Natuurnanotechnologie (2024). DOI:10.1038/s41565-023-01557-2

Journaalinformatie: Natuurnanotechnologie

Aangeboden door Vanderbilt University