GIST开发“单张图像采集即可精密分析”的AI光谱技术
超小型薄膜滤光片结合AI复原算法
有望用于移动医疗诊断和食品安全检测
光州科学技术院（GIST）于15日表示，电气电子计算机工程系Lee Heungno教授研究团队在其2022年发表的多层薄膜滤光片基础超小型传感器研究成果之上，将该传感器与人工智能（AI）复原算法相结合，开发出一种只需一次成像即可重构精密光谱信息的新概念计算光谱仪技术。
研究团队此前通过相关研究（刊登于《Scientific Reports》）已成功证明：利用半导体工艺水平的超精密工艺制作的多层薄膜滤光片结构，与互补金属氧化物半导体图像传感器（CMOS传感器）*相结合，仅通过单次图像拍摄即可精确复原500～850nm波段光谱的“单次拍摄计算光谱仪（single-shot spectrometer）”在硬件层面的实现可行性。
在本次研究中，团队在此基础上更进一步，对AI复原算法进行精密设计，并对整个系统进行优化，从而大幅提升测量精度和处理速度。尤其是通过在滤光片单元层面对光学信号进行压缩测量，再利用AI复原完整光谱，实现了硬件与软件深度融合的结构，在无需机械扫描的情况下完成高精度波长分析，最终构建出超光谱融合技术。
由此，该技术同时实现了突破传统光谱仪极限的高精度、低功耗和小型化，并具体展示了其作为移动终端或现场诊断传感器等下一代光学传感器平台的应用前景。
光谱仪是一种通过分析物质与光相互作用时呈现的特定波长特性，非侵入式获取其成分、结构与状态等信息的核心分析设备。在医疗诊断、食品质量检测、环境污染监测、艺术品鉴定等诸多领域，光谱仪已成为实现精准、快速分析的必备工具。
然而，传统高分辨率光谱仪为了实现精密波长分析，需要体积庞大、重量较重的机械装置，其结构复杂、测量时间较长，因此在实时现场应用方面存在诸多限制。若要适用于便携式或移动传感器，就必须同时满足“小型化、实时化和低成本化”的要求，但迄今为止开发的计算光谱仪因复原精度或滤光片分辨率的限制，在商业化方面一直面临困难。
为此，研究团队提出了一种将多层薄膜滤光片基础的超小型滤光传感器与基于U-Net的AI复原算法相结合的新型计算光谱仪结构，并通过实验验证了其性能。研究团队将折射率不同的二氧化钛与二氧化硅薄膜进行组合，设计出36种不同的滤光片，并以6×6阵列形式构成，安装于商用CMOS图像传感器之上。
通过该工艺制作的传感器，只需单次图像拍摄即可在滤光片单元层面对500～850nm范围内的波长信息进行分散测量。U-Net是一种专门用于图像分割的人工智能深度学习模型结构，通过U形的编码器—解码器结构，将输入图像复原为高分辨率输出，广泛应用于医学图像分析和光学信号复原等领域。
测得的图像信号通过在U-Net结构中引入残差连接的深度学习模型，复原为完整光谱。该模型基于共3,223组实测光谱数据进行训练，与传统的基于优化方法的复原方式相比，具备更高的速度和精度，并在500～850nm波段实现了均方根误差（RMSE）0.0288的高精度。
此外，通过实现仅凭单次拍摄即可测得完整光谱的无扫描结构，提升了测量速度；并依托与CMOS传感器的高兼容性，在小型化、批量生产和低功耗驱动等方面也具备商业化潜力。
研究团队利用扫描电子显微镜确认了多层薄膜滤光片在结构上的均一性和较高的制造良率。团队将传感器整体尺寸缩小至4.5×4.5mm²，实现了可直接搭载于移动终端、可穿戴设备、现场诊断平台等多种应用环境的超小型化水平。
该技术不仅有望成为可应用于移动医疗诊断、食品安全检测、伪造文件鉴别、实时环境监测等多领域的下一代精密光学传感器平台，同时作为一项基于AI的光学技术，有望成为引领光学产业范式转变的关键源头技术。
Lee Heungno教授表示：“本次研究通过将超小型硬件与AI算法整合，同时提升了计算光谱仪的精度与效率。今后若再与大型语言模型（Large Language Model，LLM）相结合，用户就有望通过搭载在智能手机内部的超光谱相机扫描自身健康状态或食品质量，并以自然语言形式实时获得结果提示。”
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
