• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Fysik
    Maskininlärningsteknik rekonstruerar bilder som passerar genom en multimodfiber

    Kredit:CC0 Public Domain

    Genom innovativ användning av ett neuralt nätverk som efterliknar bildbehandling av den mänskliga hjärnan, ett forskarlag rapporterar korrekt rekonstruktion av bilder som överförs över optiska fibrer för avstånd på upp till en kilometer.

    I Optical Societys tidskrift för forskning med hög effekt, Optica , forskarna rapporterar att de lär ut en typ av maskininlärningsalgoritm som kallas ett djupt neuralt nätverk för att känna igen bilder av siffror från mönstret av fläckar som de skapar när de överförs till den bortre änden av en fiber. Arbetet skulle kunna förbättra endoskopisk avbildning för medicinsk diagnos, öka mängden information som överförs via fiberoptiska telekommunikationsnät, eller öka den optiska effekten som levereras av fibrer.

    "Vi använder moderna djupa neurala nätverksarkitekturer för att hämta ingångsbilderna från fiberns kodade utdata, sade Demetri Psaltis, Schweiziska federala tekniska institutet, Lausanne, som ledde forskningen i samarbete med kollegan Christophe Moser. "Vi visar att detta är möjligt för fibrer upp till 1 kilometer långa", tillade han, kallar arbetet "en viktig milstolpe".

    Dechiffrera suddigheten

    Optiska fibrer överför information med ljus. Multimode-fibrer har mycket större informationsbärande kapacitet än single-mode-fibrer. Deras många kanaler – kända som rumsliga lägen eftersom de har olika rumsliga former – kan sända olika informationsströmmar samtidigt.

    Medan multimodfibrer är väl lämpade för att bära ljusbaserade signaler, att överföra bilder är problematiskt. Ljus från bilden färdas genom alla kanalerna och det som kommer ut i andra änden är ett mönster av fläckar som det mänskliga ögat inte kan avkoda.

    För att ta itu med detta problem, Psaltis och hans team vände sig till ett djupt neuralt nätverk, en typ av maskininlärningsalgoritm som fungerar ungefär som hjärnan gör. Djupa neurala nätverk kan ge datorer möjligheten att identifiera objekt i fotografier och hjälpa till att förbättra taligenkänningssystem. Indata bearbetas genom flera lager av artificiella neuroner, som var och en utför en liten beräkning och skickar resultatet vidare till nästa lager. Maskinen lär sig att identifiera ingången genom att känna igen de utmatningsmönster som är associerade med den.

    "Om vi ​​tänker på ursprunget till neurala nätverk, som är vår egen hjärna, processen är enkel, " förklarar Eirini Kakkava, en doktorand som arbetar med projektet. "När en person stirrar på ett föremål, neuroner i hjärnan aktiveras, indikerar igenkänning av ett välbekant föremål. Vår hjärna kan göra detta eftersom den tränas under hela vårt liv med bilder eller signaler av samma kategori av objekt, som förändrar styrkan i förbindelserna mellan neuronerna." För att träna ett artificiellt neuralt nätverk, forskare följer i stort sett samma process, lära nätverket att känna igen vissa bilder (i det här fallet, handskrivna siffror) tills den kan känna igen bilder i samma kategori som träningsbilderna som den inte har sett tidigare.

    Att lära sig genom siffrorna

    Att träna sitt system, forskarna vände sig till en databas som innehåller 20, 000 exempel på handskrivna nummer, 0 till 9. De valde 16, 000 som ska användas som träningsdata, och höll undan 2, 000 för att validera utbildningen och ytterligare 2, 000 för att testa det validerade systemet. De använde en laser för att belysa varje siffra och skickade ljusstrålen genom en optisk fiber, som hade cirka 4, 500 kanaler, till en kamera längst bort. En dator mätte hur intensiteten av det utgående ljuset varierade över den tagna bilden, och de samlade en serie exempel för varje siffra.

    Även om fläckmönstren som samlades in för varje siffra såg likadana ut för det mänskliga ögat, det neurala nätverket kunde urskilja skillnader och känna igen intensitetsmönster förknippade med varje siffra. Testning med de avsatta bilderna visade att algoritmen uppnådde 97,6 procents noggrannhet för bilder som överfördes genom en 0,1 meter lång fiber och 90 procent noggrannhet med en 1 kilometer lång fiber.

    En enklare metod

    Navid Borhani, en forskargruppsmedlem, säger att detta tillvägagångssätt för maskininlärning är mycket enklare än andra metoder för att rekonstruera bilder som passerar genom optiska fibrer, som kräver att man gör en holografisk mätning av utmatningen. Det neurala nätverket kunde också hantera förvrängningar orsakade av miljöstörningar på fibern såsom temperaturfluktuationer eller rörelser orsakade av luftströmmar som kan lägga till brus till bilden – en situation som blir värre med fiberlängden.

    "Den anmärkningsvärda förmågan hos djupa neurala nätverk att hämta information som överförs genom multimodefibrer förväntas gynna medicinska procedurer som endoskopi och kommunikationstillämpningar, " sa Psaltis. Telekommunikationssignaler måste ofta färdas genom många kilometer fiber och kan utsättas för snedvridningar, som denna metod skulle kunna korrigera. Läkare kan använda ultratunna fibersonder för att samla in bilder av kanalerna och artärerna inuti människokroppen utan att behöva komplicerade holografiska registreringsenheter eller oroa sig för rörelse. "Lätta rörelser på grund av andning eller cirkulation kan förvränga bilderna som överförs genom en multimodfiber, " sa Psaltis. De djupa neurala nätverken är en lovande lösning för att hantera det bruset.

    Psaltis och hans team planerar att prova tekniken med biologiska prover, för att se om det fungerar lika bra som att läsa handskrivna siffror. De hoppas kunna genomföra en serie studier med hjälp av olika kategorier av bilder för att utforska möjligheterna och gränserna för deras teknik.

    © Vetenskap https://sv.scienceaq.com