电子发烧友App
在自动化和智能技术发展日益成熟的今天，机器视觉系统在许多领域被广泛应用，包括自动驾驶汽车、智能制造、自动化手术和生物医学成像等。
这些机器视觉系统大多使用基于普通光学镜头模组的相机，在拍摄通常高达具有数百万像素的图像或视频后，通常将其馈送到如GPU等数字逻辑处理单元从而来执行一定的机器学习任务，例如物体识别、分类和场景分割等。
第一，高像素传感器拍摄带来大量信息使其难以实现极高速的图像或视频数字化存储和分析，尤其在使用移动设备和电池供电的设备时更是带来了能耗和性能的平衡问题；
第二，所捕获的图像通常包含许多对机器学习任务无用的冗余信息，带来了后端处理器某种程度上的性能负担，和资源浪费，从而导致在功耗和内存需求方面效率低下。
第三，在可见光的波长以外的电磁波段制造高像素数图像传感器（如手机相机中的传感器）具有很大的挑战性，且其成本十分昂贵，因而也限制了机器视觉系统在更长波段（如太赫兹）上的应用。
与常规的基于镜头模组的相机不同，该衍射光学神经网络以被宽带光照明的物体作为其输入，将物体的空域特征信息提取并编码到衍射光的光谱上，而后光谱信号由具有频谱探测能力的单像素超快传感器所收集。通过将物体对应的不同的类别分配给不同波长的光频谱分量，该系统仅使用单像素传感器探测到的输出光谱即可自动对输入对象完成分类，从而无需图像传感器阵列和后端数字处理。这种框架实现了全光学推理和机器视觉，在帧速率、内存需求和功耗效率方面具有明显优势，这些特点对于移动计算应用而言尤为重要。
审核编辑：汤梓红
工商网监
评论