Djupt lärande leder för närvarande till ökande forskningsintressen och leder till ett paradigmskifte från fysikbaserad modellering till datadrivet lärande inom området optisk metrologi. Forskare i Kina och Singapore publicerade en översiktsartikel med titeln "Deep learning in optical metrology:a review" i Light:Science &Applications . De ger en omfattande genomgång av djupinlärning i olika optiska metrologiuppgifter, och avslöjar att problemspecifika djupinlärningsmetoder i de flesta fall avsevärt överträffar sina fysiska modellbaserade föregångare.

Optisk metrologi är vetenskapen och tekniken för att göra mätningar med användning av ljus som standarder eller informationsbärare. Även om optisk metrologi är ett snabbt växande område är det ingen ny disciplin. Utvecklingen av fysikaliska vetenskaper har drivits på från allra första början av optisk metrologi. I gengäld har optisk metrologi revolutionerats av uppfinningen av laser, laddad kopplad enhet (CCD) och dator, och utvecklats till ett brett och tvärvetenskapligt fält som relaterar till olika discipliner som fotomekanik, optisk ingenjörskonst, datorseende och beräkningsavbildning.

Deep learning (DL), ett underområde av maskininlärning, har nyligen fått stor uppmärksamhet för sina omfattande tillämpningar och enorma framgångar inom datorseende, naturlig språkbehandling och datorstödd diagnos. Samtidigt har teknikjättarna Google, Facebook, Microsoft, Apple och Amazon antänt "konsten" att manipulera data och utvecklat lättanvända ramverk för djupinlärning med öppen källkod. Deep learning har lämnat den akademiska världen mycket snabbt och är redo att omforma en rad företag inom flera branscher. I ljuset av den stora framgången med djupinlärning inom dessa relaterade områden kunde forskare inom optisk metrologi inte hålla tillbaka sina nyfikenheter när det gäller att anta denna teknik för att ytterligare tänja på gränserna för optisk metrologi och tillhandahålla nya lösningar för att möta de kommande utmaningarna i den eviga strävan efter högre noggrannhet, känslighet, repeterbarhet, effektivitet, hastighet och robusthet.

I en ny recension publicerad i Light Science &Application , presenterade forskarteamen ledda av professor Chao Zuo från Smart Computational Imaging (SCI) Laboratory, Nanjing University of Science and Technology, Kina, och professor Kemao Qian från School of Computer Science and Engineering, Nanyang Technological University, Singapore, en översikt av aktuell status och de senaste framstegen med att tillämpa DL i optisk metrologi. I den här recensionen sammanfattade de systematiskt klassiska tekniker och bildbehandlingsalgoritmer inom optisk metrologi, och diskuterade de tekniska fördelarna med att använda DL i optisk metrologiuppgifter genom att tolka konceptet som ett optimeringsproblem. Sedan gavs en omfattande genomgång av specifika tillämpningar av DL i olika optiska metrologiuppgifter. Utmaningarna och framtida riktningar för DL-tekniker inom området optisk metrologi påpekades och föreställdes också.

Optiska metrologimetoder bildar ofta bilder (t.ex. frans-/fläckmönster) för bearbetning. De kan ge fullfältsmätningar på skalor från millimeter till nanometer med hög hastighet, känslighet, upplösning och noggrannhet. I allmänhet är uppgiften för optisk metrologi att erhålla den önskade provparametern från de observerade bilderna, vilket är ett typiskt omvänt problem som är förknippat med många utmanande problem, såsom modellfelmatchning, felackumulering och dålig ställning. Inom områdena datorseende och beräkningsavbildning är det klassiska tillvägagångssättet för att lösa ett dåligt ställt omvänd problem regularisering, som omformulerar det ursprungliga problemet till ett väl ställt genom att införa tidigare antaganden om lösningen.

Däremot, inom optisk metrologi, på grund av det faktum att de optiska mätningarna ofta utförs i en mycket kontrollerad miljö, föredrar forskare att omformulera det ursprungliga illa ställda problemet till ett välpositionerat och tillräckligt stabilt regressionsproblem genom att aktivt kontrollera bilden förvärvsprocessen. Men för många utmanande applikationer kan hårda driftsförhållanden göra sådana aktiva strategier till en lyxig eller till och med orimlig begäran. Under sådana förhållanden är djupinlärning särskilt fördelaktigt för att lösa dessa optiska metrologiproblem eftersom de aktiva strategierna flyttas från det faktiska mätstadiet till förberedelsestadiet (nätverksträning), och "rekonstruktionsalgoritmen" kan läras direkt från experimentdata. Om träningsdata samlas in under en miljö som återger de verkliga experimentella förhållandena, och mängden data är tillräcklig, bör den tränade modellen spegla verkligheten mer exakt och heltäckande, och förväntas ge bättre rekonstruktionsresultat än konventionell fysikmodell- baserade tillvägagångssätt.

Tack vare ovan nämnda fördelar har DL fått ökad uppmärksamhet inom optisk metrologi, revolutionerat konceptet med optisk metrologi och återuppfunnit nästan alla grundläggande uppgifter för digital bildbehandling inom optisk metrologi. Deep learning har gradvis "trängt in" i nästan alla aspekter av optisk metrologi, och visar lovande prestanda och stor potential inom fransanalys, fasåtervinning, fasavveckling, etc.

Ändå påpekade författarna att djupinlärning fortfarande är i det tidiga utvecklingsstadiet för dess tillämpningar inom optisk metrologi och betydande utmaningar kvarstår inom detta område. Som ett oumbärligt verktyg vid industriell inspektion, medicinsk diagnos och vetenskaplig forskning är det avgörande att säkerställa att resultaten som erhålls med optiska metrologiska metoder är tillförlitliga, repeterbara och spårbara. Emellertid har DL ofta betraktats som "svarta lådor" utan någon teoretisk grund för att tydligt förklara varför en viss nätverksstruktur är effektiv i en given uppgift eller inte, vilket kan orsaka allvarliga konsekvenser. Dessutom lär DL sig och extraherar de "vanliga" funktionerna från träningsproverna, men detta kan leda till otillfredsställande resultat när man möter "sällsynta prover" eftersom informationen inte kan "födas ur ingenting."

"Vetenskapens framsteg kommer från den kontinuerliga utforskningen för att lösa det okända." De insikter som visar möjliga vägar för vidareutveckling av DL inom optisk metrologi förutsågs:

1. Att utnyttja fler framväxande DL-tekniker till optisk metrologi kan främja och påskynda igenkännandet och acceptansen av DL i fler tillämpningar.
2. Att kombinera Bayesiansk statistik med DL för att erhålla kvantitativa osäkerhetsuppskattningar gör det möjligt att bedöma när DL ger otillförlitliga förutsägelser.
3. En synergi mellan de fysikbaserade modellerna som beskriver a priori kunskap och datadrivna modeller som lär sig en regularisering från experimentdata förväntas ge mer fysiskt rimliga lösningar för optisk metrologi.

"Kommer djupinlärning att ersätta den roll som traditionella teknologier inom området optisk metrologi spelar under de kommande åren? "Det är uppenbart att ingen kan förutsäga framtiden, men vi kan engagera oss," sa Zuo et al. "Om du är fortfarande en "outsider" eller ny på detta område. Vi uppmuntrar dig att prova! It is easy, and often works."