社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

上海技物所提出超构表面与深度学习协同的高光谱偏振成像方案

MEMS • 1 周前 • 133 次点击  

光同时携带着强度、光谱、偏振等多维度信息,完整获取这些信息能够显著提升目标识别、遥感探测、生物诊断等场景的感知精度,尤其对于经过辐射特性调控的伪装目标,光谱与偏振特征的联合检测是实现高准确率识别的关键。超构表面凭借亚波长结构对光的振幅、相位、偏振的精准调控能力,成为替代传统光学系统的理想平台。

据麦姆斯咨询报道,近日,中国科学院上海技术物理研究所的研究团队提出超构表面与深度学习协同的高光谱偏振成像(HSPI)方案,在1150–1650 nm短波红外波段实现了单次曝光、高精度的全斯托克斯高光谱偏振实时成像。研究团队设计的硅纳米柱超构表面可同时完成偏振复用与光谱色散双重编码,结合定制化高光谱偏振成像残差注意力网络(HSPI-net),可从单幅灰度图中解调出包含空间、光谱、全斯托克斯偏振的四维信息立方体。系统光谱分辨率达3 nm(λ/Δλ=433),偏振重建角度偏差仅0.134°,图像分辨率较此前最优水平提升7倍,全流程处理耗时仅18 ms,支持55帧/秒的实时高光谱偏振成像,各项核心指标均实现数倍至一个数量级的提升,为紧凑型多维红外感知系统提供了变革性的技术路径。研究成果以“High-accuracy hyperspectro-polarimetric real-time imaging via a deep learning empowered infrared meta-sensor”为题发表在Light: Science & Applications期刊上。

器件结构与工作原理

研究团队提出“物理编码+计算解码”的一体化设计思路:用一层超构表面作为多维信息编码器,将光谱与偏振信息耦合编码到二维灰度图像中;再用深度神经网络作为解码器,从编码图像中高精度重建出完整的高光谱全偏振数据立方体。二者协同,在单片器件上实现了传统大型系统才能完成的多维感知功能。研究团队设计的超构表面由高度1000 nm的硅纳米柱阵列构成,周期560 nm,通过调控纳米柱的横向尺寸与面内旋转角,可独立控制两个正交偏振态的传播相位与几何相位,实现对任意偏振态的精准调控。整个超构表面由三套相互嵌套的子超构表面组成,分别对应三组偏振通道。

图片

图1 器件结构与工作原理

超构表面的偏振与光谱编码

在偏振分束的同时,超构表面利用结构色散效应实现光谱编码。不同波长的入射光因广义斯涅尔定律产生不同的偏转角,沿径向按波长从小到大依次展开,形成“偏振分通道、光谱沿径向色散”的二维编码图案。这样一来,入射光的空间、光谱、偏振信息被全部映射到InGaAs焦平面的二维灰度分布中,完成了高维信息的压缩编码。相关实验结果如图2所示,实验表征验证了编码方案的有效性。

图片

图2 超构表面样品的仿真与实验表征

偏振与光谱信息的重建性能

编码后的二维灰度图包含了高度耦合的光谱与偏振信息,传统解析方法难以实现高精度重建。为此,研究团队定制了名为HSPI-net的残差注意力神经网络,专门用于四维信息的解耦重建。网络架构分为输入层、隐藏层与输出层三部分。图3展示了HSPI‑Net网络架构以及偏振与光谱信息的重建性能,定量测试展现了极高的重建精度。

图片

图3 HSPI‑Net网络架构以及偏振与光谱信息的重建性能

真实场景中的光学信息往往不是光谱与偏振相互独立的,而是呈现“不同波长对应不同偏振态”的深度耦合特征,例如生物组织的偏振响应随波长变化、伪装涂层的光谱偏振特性具有波长依赖性。传统光谱仪或偏振仪无法同时解析这种耦合信息,为评估光谱分辨率,研究团队生成了一系列双峰光谱,凭借双光路训练的数据集,具备了复杂耦合信息的解耦能力。图4展示了双波长下复杂偏振态的探测。

图片

图4 双波长下复杂偏振态的探测

实时高光谱偏振成像演示

为验证系统的实用化潜力,研究团队进一步完成了面阵成像与实时性测试。通过线性渐变滤光片引入空间维度的光谱分布,结合图案化掩模,系统可重建出完整的高光谱偏振图像立方体,相关结果如图5所示。实验结果显示,在1443–1618 nm的成像范围内,系统等效实现了167个光谱通道,相邻像素的中心波长间隔仅3 nm;尤为关键的是系统的实时性能:图像采集、数据预处理与网络推理全流程耗时仅18 ms,对应成像帧率达55帧/秒。

图片

图5 实时高光谱偏振成像演示

总结

综上所述,这项研究提出的超构表面-深度学习协同方案,实现了短波红外波段高光谱全偏振成像的性能跨越。首次将偏振复用、光谱色散与计算成像深度融合,用单层超构表面完成多维信息编码,结合专用神经网络实现高精度解码,构建了紧凑型多维成像的全新技术范式。未来,通过拓展工作波段、提升面阵规模、优化算法轻量化,该技术有望在伪装目标识别、工业无损检测、生物医学成像、环境遥感等领域发挥重要价值,推动红外感知从“强度成像”全面进入“多维智能成像”的新阶段。

论文链接:

https://doi.org/10.1038/s41377-026-02407-1

延伸阅读:

《苹果在量子点光电传感器领域的发明专利与产业布局分析》

《量子点光电传感器专利态势分析-2024版》

《红外热成像与传感技术及市场-2025版》

《短波红外、中波红外和制冷型红外成像-2025版》

《汽车级长波红外摄像头产品对比分析-2025版》

《汽车红外摄像头技术及市场-2024版》

《铟镓砷(InGaAs)光电探测器专利态势分析-2025版》

《迈来芯MEMS远红外热电堆传感器MLX90632产品分析》

《自动驾驶及舱内感知应用的红外相机技术及市场-2025版》

《高光谱和多光谱成像技术、应用和市场趋势-2025版》

《CMOS图像传感器产业现状-2026版》

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200338