• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • De la modélisation basée sur la physique à l'apprentissage basé sur les données ? Le changement de paradigme en métrologie optique

    L'apprentissage en profondeur crée de nouvelles applications en métrologie optique. À titre d'exemple illustré par la figure, la phase du motif de franges acquise à partir d'un interféromètre Fizeau peut être démodulée par apprentissage en profondeur avec à la fois une grande précision et une grande efficacité. Crédit :Chao Zuo, Jiaming Qian, Shijie Feng, Wei Yin, Yixuan Li, Pengfei Fan, Jing Han, Kemao Qian et Qian Chen

    L'apprentissage en profondeur suscite actuellement des intérêts de recherche croissants et conduit à un changement de paradigme de la modélisation basée sur la physique à l'apprentissage basé sur les données dans le domaine de la métrologie optique. Des scientifiques de Chine et de Singapour ont publié un article de synthèse intitulé "Apprentissage profond en métrologie optique :une synthèse" dans Light :Science &Applications . Ils fournissent un examen complet de l'apprentissage en profondeur dans diverses tâches de métrologie optique, révélant que les méthodes d'apprentissage en profondeur spécifiques à un problème, dans la plupart des cas, surpassent considérablement leurs prédécesseurs basés sur des modèles physiques.

    La métrologie optique est la science et la technologie consistant à effectuer des mesures en utilisant la lumière comme étalon ou support d'information. Bien que la métrologie optique soit un domaine en croissance rapide, ce n'est pas une nouvelle discipline. Le développement des sciences physiques a été porté dès le début par les techniques de métrologie optique. En retour, la métrologie optique a été révolutionnée par l'invention du laser, du dispositif à couplage de charge (CCD) et de l'ordinateur, se développant en un domaine vaste et interdisciplinaire lié à diverses disciplines telles que la photomécanique, l'ingénierie optique, la vision par ordinateur et l'imagerie computationnelle.

    Récemment, l'apprentissage en profondeur (DL), un sous-domaine de l'apprentissage automatique, a suscité une attention considérable pour ses applications étendues et ses énormes succès dans la vision par ordinateur, le traitement du langage naturel et le diagnostic assisté par ordinateur. Pendant ce temps, les géants de la technologie Google, Facebook, Microsoft, Apple et Amazon ont enflammé «l'art» de la manipulation des données et développé des cadres d'apprentissage en profondeur open source faciles à utiliser. L'apprentissage en profondeur a quitté les couloirs du monde universitaire très rapidement et est prêt à remodeler un éventail d'entreprises dans de multiples secteurs. Devant le grand succès de l'apprentissage profond dans ces domaines connexes, les chercheurs en métrologie optique n'ont pas pu retenir leur curiosité quant à l'adoption de cette technologie pour repousser davantage les limites de la métrologie optique et apporter de nouvelles solutions afin de relever les défis à venir. dans la poursuite perpétuelle d'une précision, d'une sensibilité, d'une répétabilité, d'une efficacité, d'une rapidité et d'une robustesse supérieures.

    Dans un récent article de synthèse publié dans Light Science &Application , les équipes de recherche dirigées par le professeur Chao Zuo du laboratoire Smart Computational Imaging (SCI) de l'Université des sciences et technologies de Nanjing, en Chine, et le professeur Kemao Qian de l'École d'informatique et d'ingénierie de l'Université technologique de Nanyang, à Singapour, ont présenté un aperçu de l'état actuel et les derniers progrès de l'application de DL en métrologie optique. Dans cette revue, ils ont systématiquement résumé les techniques classiques et les algorithmes de traitement d'image en métrologie optique, et ont discuté des avantages techniques de l'utilisation de DL dans les tâches de métrologie optique en interprétant le concept comme un problème d'optimisation. Ensuite, un examen complet des applications spécifiques de DL dans diverses tâches de métrologie optique a été fourni. Les défis et les orientations futures des techniques DL dans le domaine de la métrologie optique ont également été pointés et envisagés.

    Les méthodes de métrologie optique forment souvent des images (par exemple, des motifs de franges/taches) pour le traitement. Ils peuvent fournir des mesures plein champ à des échelles allant du millimètre au nanomètre avec une vitesse, une sensibilité, une résolution et une précision élevées. En général, la tâche de la métrologie optique est d'obtenir le paramètre d'échantillon souhaité à partir des images observées, ce qui est un problème inverse typique associé à de nombreux problèmes difficiles, tels que l'inadéquation des modèles, l'accumulation d'erreurs et le caractère mal posé. Dans les domaines de la vision par ordinateur et de l'imagerie computationnelle, l'approche classique pour résoudre un problème inverse mal posé est la régularisation, qui reformule le problème original en un problème bien posé en imposant des hypothèses préalables sur la solution.

    En revanche, en métrologie optique, du fait que les mesures optiques sont fréquemment effectuées dans un environnement hautement contrôlé, les chercheurs préfèrent reformuler le problème original mal posé en un problème de régression bien posé et suffisamment stable en contrôlant activement l'image processus d'acquisition. Cependant, pour de nombreuses applications difficiles, des conditions de fonctionnement difficiles peuvent faire de ces stratégies actives une demande luxueuse, voire déraisonnable. Dans de telles conditions, l'apprentissage en profondeur est particulièrement avantageux pour résoudre ces problèmes de métrologie optique car les stratégies actives sont déplacées de l'étape de mesure réelle à l'étape de préparation (apprentissage du réseau), et « l'algorithme de reconstruction » peut être directement appris à partir des données expérimentales. Si les données de formation sont collectées dans un environnement reproduisant les conditions expérimentales réelles et que la quantité de données est suffisante, le modèle formé devrait refléter la réalité de manière plus précise et complète et devrait produire de meilleurs résultats de reconstruction que le modèle physique conventionnel. approches basées.

    En raison des changements importants que l'apprentissage en profondeur apporte au concept de technologie de métrologie optique, presque toutes les tâches élémentaires de traitement d'images numériques en métrologie optique ont été réformées par l'apprentissage en profondeur. Crédit :Chao Zuo, Jiaming Qian, Shijie Feng, Wei Yin, Yixuan Li, Pengfei Fan, Jing Han, Kemao Qian et Qian Chen

    En raison des avantages mentionnés ci-dessus, DL a attiré une attention croissante en métrologie optique, révolutionnant le concept de métrologie optique et réinventant presque toutes les tâches fondamentales du traitement d'image numérique en métrologie optique. L'apprentissage en profondeur a progressivement "pénétré" dans presque tous les aspects de la métrologie optique, montrant des performances prometteuses et un grand potentiel dans l'analyse des franges, la récupération de phase, le déballage de phase, etc.

    Néanmoins, les auteurs ont souligné que l'apprentissage en profondeur est encore à un stade précoce de développement pour ses applications en métrologie optique et que des défis importants subsistent dans ce domaine. En tant qu'outil indispensable de l'inspection industrielle, du diagnostic médical et de la recherche scientifique, il est crucial de s'assurer que les résultats obtenus par les méthodes de métrologie optique sont fiables, reproductibles et traçables. Cependant, DL est souvent considéré comme des "boîtes noires" sans fondement théorique pour expliquer clairement pourquoi une structure de réseau particulière est efficace dans une tâche donnée ou non, ce qui peut entraîner de graves conséquences. De plus, DL apprend et extrait les caractéristiques "communes" des échantillons d'apprentissage, mais cela peut conduire à des résultats insatisfaisants face à des "échantillons rares" car les informations ne peuvent pas "naître de rien".

    "Le progrès de la science vient de l'exploration continue pour résoudre l'inconnu." Les idées démontrant les voies possibles pour le développement ultérieur de DL en métrologie optique ont été envisagées :

    1. L'utilisation d'un plus grand nombre de technologies émergentes de DL pour la métrologie optique pourrait promouvoir et accélérer la reconnaissance et l'acceptation de DL dans davantage d'applications.
    2. Combiner les statistiques bayésiennes avec DL pour obtenir des estimations quantitatives de l'incertitude permet d'évaluer quand DL produit des prédictions non fiables.
    3. Une synergie des modèles basés sur la physique décrivant des connaissances a priori et des modèles basés sur les données apprenant une régularisation à partir des données expérimentales devrait fournir des solutions plus plausibles physiquement à la métrologie optique.

    « L'apprentissage en profondeur remplacera-t-il le rôle des technologies traditionnelles dans le domaine de la métrologie optique pour les années à venir ? « Il est clair que personne ne peut prédire l'avenir, mais nous pouvons l'engager », ont déclaré Zuo et al. « Si vous êtes still an 'outsider' or new to this field. We encourage you to try it out! It is easy, and often works." + Explore further

    Optical sciences researcher dishes up new method for measuring radio antennas




    © Science https://fr.scienceaq.com