【光学前沿资讯】卷积光学神经网络:开启人工智能成像新纪元
近年来,人工智能技术的快速发展极大地推动了社会进步,特别是在产业变革方面发挥了重要作用。卷积神经网络(CNN)因其卓越的图像识别能力,在人工智能技术领域,尤其是在ChatGPT中,表现尤为突出。最近,一项创新性的科研成果将卷积神经网络的概念引入光学领域,为人工智能成像技术带来了革命性的进展。

上海理工大学智能科技学院的张启明教授和智能科技学院、张江实验室光计算所的顾敏院士领导的研究团队,成功开发了一种超快速的卷积光学神经网络(ONN)。该技术在不依赖光学记忆效应的情况下,实现了对散射介质后物体的清晰成像,这一成果不仅颠覆了传统光学成像技术,也深刻展示了卷积网络在人工智能中的应用潜力。该研究成果于6月14日以“基于超快卷积光学神经网络的非记忆效应散射成像”为题发表于《科学》子刊《科学进展》上,张雨超特聘研究员为第一作者,顾敏院士和张启明教授为共同通讯作者。
卷积神经网络,作为一种广泛应用的人工智能神经网络架构,其灵感来源于生物的视觉皮层系统。卷积操作作为其核心,通过提取图像的局部特征并逐层构建更为复杂和抽象的特征表示,极大地推动了图像处理和模式识别领域的发展。然而,将这一概念应用于光学领域,面临着将电子信号转换为光学信号的挑战。研究团队设计了一种全光学的解决方案,通过在光域中直接进行卷积网络操作,省去了繁琐的信号转换过程,实现了真正的光速计算。
这项技术的核心在于构建了一个多阶段的卷积网络,由多个并行核心组成,能够以光速进行操作,直接从散射光中提取特征,实现图像的快速重建。这一过程不仅极大地提高了成像速度,还显著增强了成像质量,使得在复杂散射环境中的成像成为可能。同时,卷积光学神经网络的计算速度达到了每秒1570万亿次操作,为实时动态成像提供了强大的支持。
此外,该技术还展示了其多任务处理能力。通过简单地调整网络结构,同一卷积光学神经网络能够同时执行多种不同的图像处理任务,这在光学人工智能领域尚属首次。张启明教授表示:“这种灵活性和效率的结合,不仅展示了卷积网络在人工智能中的重要性,也为光学成像技术开辟了新的道路。”
顾敏院士指出:“随着技术的不断发展和完善,我们有理由相信,卷积光学神经网络将在自动驾驶、机器人视觉、医学成像等多个领域将发挥更加重要的作用,为人类的生活带来更多便利,为科学研究提供更强大的工具。这是卷积网络的力量,也是人工智能的魅力。”
-
泰曼-格林与斐索干涉仪:两种经典干涉仪的原理、区别与选型
在光学面形与波前检测中,泰曼-格林(Twyman-Green)与斐索(Fizeau)干涉仪是两种最经典、最常见的构型。同样是干涉测量,两者在光路结构、适用范围、精度表现与使用门槛上却有着本质区别。很多工程师面对"该用哪一种"时常常犹豫。本文从光路原理出发,系统梳理两者的差异,并给出选型建议。
2026-11-20
-
离轴抛物面反射镜的面形检测:难点、方法与干涉测量
离轴抛物面镜(Off-Axis Parabolic Mirror, OAP)没有中心遮挡,能把点光源准直为理想平行光或把平行光无像差地聚焦,是空间光学、红外系统、激光应用中的关键元件。但它"离轴"的特性,也让面形检测变得格外棘手——没有旋转对称中心,传统检测方法往往失效。本文解析离轴抛物面的特点与面形检测难点,并介绍干涉检测方案。
2026-11-20
-
多层透明结构的分层测厚:低相干干涉如何"一层层剥开"测量
OLED 盖板与触控层的贴合、汽车夹胶玻璃、多层光学贴合模组、复合膜材……越来越多的产品不再是单一材料,而是多层透明材料叠在一起。要控制这些产品的质量,需要分别测出每一层的厚度,而不是只知道总厚。低相干干涉法凭借其界面分辨能力,能做到"一层层剥开"地测量各层厚度。本文解析多层结构分层测厚的原理与应用。
2026-11-20
-
摄像头模组检测的四道关卡:从一片镜片到一台整机
镜片到一台能用的模组,中间有四道质量关卡。每一关检测的参数不同、用的设备不同,任何一关漏检,问题都会流到下一关,最终变成整机返修或客户投诉。
2026-11-19
-
中心偏差和空气间隔,为什么要放在一台设备上测
一个镜头能不能用,取决于两件事:看得清不清,和对得准不准。
2026-11-19
