图像传感器兼作神经网络

新型的超快机器视觉设备使用图像传感器（也是人工神经网络），可以比传统技术处理图像快数千倍。

图片来源于互联网

机器视觉技术通常使用人工神经网络来分析图像。在人工神经网络中，被称为“神经元”的组件被馈送数据并协作解决诸如识别图像之类的问题。神经网络反复调整其神经元之间的连接或“突触”的强度，并查看所得的行为模式是否更能解决问题。随着时间的流逝，网络发现哪种模式最适合计算解决方案。然后，将这些作为默认值，模仿人脑中的学习过程。

机器视觉技术经常遇到相机必须逐行扫描像素，将视频帧转换为数字信号并将此类数据传输到计算机进行分析的延迟。国外已有电气工程师试图通过减少中间人来加快机器视觉，他们创建了一个图像传感器，该传感器本身构成了可以同时获取和分析图像的人工神经网络。

传感器由一个像素阵列组成，每个像素代表一个神经元。每个像素又由多个子像素组成，每个子像素代表一个突触。每个光电二极管均基于二硒化钨层，二硒化钨是一种对光具有可调响应的二维半导体。这种可调节的光响应能力允许每个光电二极管以可编程的方式记住并响应光。然后，科学家们基于这些光电二极管之间的链接创建了一个神经网络，可以对它们进行训练，例如将图像分类为字母“ n”，“ v”或“ z”。

据说，该图像传感器在运行时不会消耗任何电能。被感测的光子本身为电流提供能量。在实验中，研究人员使用激光将字母“ v”和“ n”投射到神经网络图像传感器上。传统的机器视觉技术通常能够每秒处理100帧，而一些更快的系统则可以每秒处理1,000帧。相比之下，新型图像传感系统每秒可工作2000万帧。

系统运行的速度仅受电路中电子速度的限制。从原则上讲，这种策略的工作速度可以达到皮秒级，即万亿分之一秒，或者比目前演示的速度快三到四个数量级。

此外，科学家们指出，原则上，他们可以使用计算机模拟来训练神经网络，并将该神经网络传输到设备。

这样的传感器可以用来做什么？目前，这些应用程序主要植根于特定的科学应用程序，例如，流体动力学，燃烧过程或机械故障过程可以从更快的视觉数据获取中受益。对于像自动驾驶中的机器视觉这样的更复杂的任务，需要更多的复杂性。

以上内容摘自《自然》杂志，有删减。

机器视觉技术日新月异，创想智控，专注于机器视觉技术研发及生产，目前，专为焊接机器人提供激光传感器，赋予其感知功能，解决工装偏差、焊接形变或机器人行走轨迹规划问题。