L'intelligenza artificiale sul sensore migliora l'imaging spettrale

Un fotorilevatore integrato con apprendimento automatico consente il riconoscimento in tempo reale, riducendo la richiesta di energia e accelerando il rilevamento ottico per ambienti complessi.

L'imaging spettrale è uno strumento vitale per l'analisi dei materiali, il monitoraggio delle colture e il monitoraggio degli inquinanti.Ma i sistemi convenzionali si trovano ad affrontare una sfida importante poiché producono grandi quantità di dati che devono essere inviati a un processore separato per l’analisi.Ciò rallenta il riconoscimento degli oggetti e consuma grandi quantità di energia, limitando la velocità e l’efficienza delle applicazioni AI.I ricercatori avevano bisogno di un sensore in grado di eseguire il riconoscimento intelligente direttamente durante l'acquisizione dell'immagine.

Gli scienziati del Lawrence Berkeley National Laboratory hanno sviluppato un sensore potenziato dall’intelligenza artificiale, primo nel suo genere, per soddisfare questa esigenza.Il dispositivo è stato progettato per integrare l’apprendimento automatico nel processo di fotorilevamento, eliminando la necessità di una fitta post-elaborazione digitale e consentendo l’identificazione in tempo reale degli oggetti target.

Il sensore può identificare gli oggetti in tempo reale “annusando” le caratteristiche spettrali da immagini di esempio e applicando tale conoscenza a scene nuove e mai viste.La luce che colpisce il sensore viene convertita in una corrente elettrica la cui intensità corrisponde al contenuto spettrale.Regolando la reattività del sensore, evidenzia le firme desiderate ed elimina i dati irrilevanti.Questo segnale analogico esegue efficacemente calcoli che imitano gli algoritmi di apprendimento automatico, eliminando la necessità di un'elaborazione digitale separata.

Durante l'addestramento, il sensore esamina i pixel etichettati delle immagini di esempio, apprendendo quali caratteristiche corrispondono ai target e quali allo sfondo.Quando viene presentato con nuove immagini, genera segnali positivi solo per il target, dimostrando la capacità di generalizzare a dati invisibili.Questo approccio riduce drasticamente il trasferimento dei dati, aumenta la velocità di elaborazione e riduce il consumo energetico rispetto all'imaging spettrale tradizionale.

Il prof. Ali Javey, EECS & MSE, UC Berkeley, che ha guidato questo lavoro di ricerca, afferma: “Per me, la parte più entusiasmante è dare intelligenza ai sensori”.Il sensore è stato addestrato su immagini di esempio utilizzando pixel etichettati e quindi testato su nuovi dati.Ha identificato con successo oggetti come uccelli, stati di idratazione delle foglie, spessore dello strato di ossido nei semiconduttori e sostanze chimiche trasparenti.Co-progettando hardware e algoritmi, il team ha aperto nuove possibilità per la visione tramite intelligenza artificiale e il rilevamento ottico oltre l’imaging spettrale.