[发明专利]一种基于神经网络的光谱响应设计方法

说明书

本发明公开了一种基于神经网络的光谱响应设计方法。光谱响应不同的光谱调制器的组合可以看成是神经网络的一个线性连接层，同时使用另一神经网络对这一线性连接层参数的生成添加限制条件，通过对整个神经网络的训练，不仅可以实现对光谱调制器光谱响应的优化，而且能够直接生成对应的设计参数，从而应用于光谱识别、光谱探测以及光谱成像等场景。相比于传统的优化方法，本发明的优化目标明确，更易于评估优化结果的优劣，优化效果更好；而且实现了硬件与软件的协同设计，可以灵活地调整设计参数以适应不同的应用场景；同时还避免了过度依赖经验的设计过程，为光谱调制器件的反向设计提供了高通用性的设计框架。

技术领域

本发明属于光电检测、光谱分析、光电器件以及光学成像领域。本发明可以应用于各种光谱仪、光谱成像装置、光谱探测器的光谱响应设计，从而应用于光谱分析与高分辨成像、农业农产品检测以及卫生医药与健康领域。

背景技术

光谱仪、光谱成像等光谱探测技术为人们了解物质特性、识别目标提供了极大的便利。传统的光谱探测设备由于结构复杂、体积大、笨重、昂贵等缺点难以进入消费者的生活。近年来，随着压缩感知和机器学习等软件算法被引入光谱检测中,大批的计算型光谱探测技术涌现出来，从而有希望改善传统光谱仪的这些缺点。传统光谱探测设备分辨率的提高依赖于窄带滤光片的个数或者色散元件的色散能力，而计算型光谱探测设备由于对滤光片等光谱调制器的光谱曲线进行了优化设计，通过使用算法重构出光谱，可以使光谱通道数大于光谱调制器的个数，大大降低设备的体积、重量、复杂程度以及成本。

计算型光谱探测技术的核心难题之一是如何优化得到一组光谱探测器或光谱调制器的光谱响应，以达到更高的光谱分辨率、更准确的光谱识别率，实现更好的探测效果。计算型光谱探测技术一般是根据压缩感知原理进行设计。根据压缩感知原理，如果光谱信号为稀疏信号，那么可以使用满足独立同分布的随机矩阵作为测量矩阵。然而现实中的光谱调制器(滤光片、宽谱光源等)光谱响应曲线都具有一定的连续性和光滑性，不可能严格满足随机分布。另一方面，满足某种统计学分布规律的数值组合有很多种，仅用这一条原则来生成光谱响应曲线，并不能得出确定的最优解，而不同的优化结果之间也往往无法定量评估孰优孰劣。

另一个困扰计算型光谱探测技术发展的问题是如何设计光谱调制器件的物理参数，以使其光谱响应符合优化得出的光谱响应曲线。目前计算型光谱探测系统中的光谱调制器件多种多样，包括光学薄膜滤光片、量子点滤光片、光子晶体、超表面微纳器件等等。这些器件中，光学薄膜的反向设计工艺较为成熟，但由于其光谱响应对膜层厚度极其敏感，加工时微小的误差可能引起光谱曲线的巨大改变；而诸如微纳器件、量子点等新材料的反向设计尚不成熟，设计效果依赖于设计者的经验。现有对光谱调制器的设计方法大都为基于选择的设计，即在给定的光谱调制器集合中选择出光谱响应最符合设计要求的一组作为最优设计。虽然这种方法可以定量评估最优性，但这种方法无法保证所选择的光谱响应曲线集合能够覆盖所有可能的设计，从而很难进一步优化系统的表现。

近年来，随着人工智能和机器学习算法的发展，出现了一些使用深度学习进行系统优化和硬件设计的方法。在光谱优化方面，针对光谱重构、光谱识别具等体应用场景，深度学习方法可以通过设定具体的损失函数实现优化效果的定量评估，从而优化出一组目标光谱响应曲线。但是由于器件反向设计较为困难，实际中很难设计出具有目标光谱响应的光谱调制器，人们仍然只能依靠设计经验向曲线的优化过程添加限制条件，以使器件便于设计。这就极大地降低了优化的自由度，从而降低了优化效果。虽然近期也出现了利用深度学习进行反向设计的尝试，但是其稳定性还需提高。基于深度学习的反向设计网络很难达到正向预测网络的拟合精度。

发明内容