CN117911555A - 基于超构表面的宽谱集成快照式光谱仪构建方法 - Google Patents
基于超构表面的宽谱集成快照式光谱仪构建方法 Download PDFInfo
- Publication number
- CN117911555A CN117911555A CN202410021959.7A CN202410021959A CN117911555A CN 117911555 A CN117911555 A CN 117911555A CN 202410021959 A CN202410021959 A CN 202410021959A CN 117911555 A CN117911555 A CN 117911555A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- super
- micron
- transmittance
- structured surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000002834 transmittance Methods 0.000 claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 39
- 238000013461 design Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 229910052751 metal Inorganic materials 0.000 claims abstract description 4
- 239000002184 metal Substances 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical group [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 claims description 3
- 229910001634 calcium fluoride Inorganic materials 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 37
- 238000001914 filtration Methods 0.000 description 21
- 238000000701 chemical imaging Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 244000007853 Sarothamnus scoparius Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002086 nanomaterial Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012984 biological imaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
- G01J3/0227—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using notch filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
- G01J2003/282—Modified CCD or like
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于超构表面的宽谱集成快照式光谱仪构建方法,是一种片上快照式光谱相机设计,采用数值仿真模拟,设计金属‑介质‑金属三层微结构单元搭建超表面滤光元件。通过优化设计超构表面每个检测通道内的超构单元的尺寸和排布方式构建多个透射率响应关系相异的光谱通道。采用光电传感器接收经过超表面调制的光强信息,利用事先训练完成的神经网络算法重构入射光谱。本发明的工作波段范围为1~10微米的宽红外波段,相较于传统光谱探测方式可以降低空间分辨率的损耗,在像素大小为30微米级别的面积内重建探测光谱透射曲线。并且还能快速得到光谱信息、实现动态光谱探测,拥有平衡采集空间和光谱信息的优点。
Description
技术领域
本发明属于宽谱滤波的超构表面器件领域,具体涉及一种基于超构表面的宽谱快照式可集成光谱仪构建方法。
背景技术
光不仅是人类观察客观世界的重要媒介,还具有传播信息和能量的作用。光束携带的信息包括在时域、频域以及空间的分布特征,人眼能直观感知的颜色和强度只是其中的一部分,其他隐含信息往往需要借助仪器来进行观测。物体的光谱特征是由其分子和原子组成决定的,因此光谱是物质的固有特征,通过分析光谱可以揭示物质的化学组成成分,在材料分析、食品安全、医学诊断和生物成像等领域有广泛的应用。但是传统的光谱仪的原理是基于棱镜的分光来工作的,由于衍射的限制,分辨率与光程长度成反比,因此不适合小型化,导致占地面积比较大,并且对于透镜的要求较高,在成本上也比较昂贵。
21世纪初出现了关于超构表面的研究,作为由亚波长小单元组成的大面积纳米结构,超构表面具有可塑性强、灵活度高、易集成的特点。通过设计优化共振相位、传输相位和几何相位,超构表面可以有效调制入射光的光学参数,如振幅、相位和偏振。由于超构表面在光场调控方面表现出的优异性质,因此可以实现传统折射或衍射光学难以实现的复杂功能,如全息显示、消色差透镜、光加密通信技术和隐形斗篷。超构表面作为一种二维材料,与三维超构材料相比的优势是可以最大限度地减小损耗并增加集成度,此外,还可以通过如光刻或电子束刻蚀的纳米材料制造方法相对容易地获得。光学材料中普遍存在色散的现象,得益于超构表面对相位的有效调控,利用超构表面可以进行更高效率的分光,这对实现紧凑型光谱仪和光谱成像具有重要的意义。
近年来发展起来的光谱成像技术可以在不同波长下捕捉周围环境的二维图像。根据采集的光谱通道数,光谱成像可分为多光谱成像(3-10通道)和高光谱成像(几十到几百个通道)。根据不同的工作机制,光谱成像系统可分为扫描光谱成像(即扫帚式、推扫式和凝视式)和快照式光谱成像。扫描光谱成像是通过测量多个连续的一维或二维数据来构建三维光谱数据,而快照光谱成像主要是通过色散元件、光谱滤光片或干涉仪来实现。
1)傅里叶变换型小型化光谱仪
傅里叶变换型光谱仪通常用于红外范围内的光谱分析,这一技术以干涉仪为基础,通过调制单一探测器上的入射光获得系统的时变特性,即接收信号强度随时间的函数,再通过傅里叶变换得到光谱信息[1,2]。近年来,研究者开发了基于马赫曾德尔干涉原理[3]、驻波原理[4]等新型集成化傅里叶变换型光谱仪,但受限于调控能力,器件大小等因素,傅里叶变换型光谱仪的光谱范围有限[5],仅能获取点光谱信息,无法处理非常不规则的光谱信号,并且处理数据的速度较慢,难以应对随时间强烈变化的动态光谱信号。其他的如微环谐振腔[6,7]和光波导耦合[8]这两种光谱仪因其较小的尺寸可以集成到微型光学系统中,但是光谱分辨率受到制造工艺的限制,对微纳技术的要求较高。
2)基于超色散机理的光谱仪
对于一般的具有固有折射率色散的光学介质材料,不同波长的光对应有不同的光学响应。在超色散材料中,光的传播速度和折射率会随着频率发生更加急剧的变化,这种特性使光的散射得到增强。与传统的色散技术类似,色散型光谱仪一般由一个或多个衍射光栅、一段光路和一个探测阵列组成。光经过输入狭缝,其光谱将被衍射光栅分散到不同的方向,并最终由探测阵列接受得到光谱信息[9-12]。20世纪90年代以来,为满足集成化和高效化的光谱仪使用需求,色散型光谱仪开始向着减小系统占用空间和器件大小的方向发展。尽管利用超构表面本身存在的色散,并通过相位调控使波长在空间中依次排列实现的光谱成像具有较高的光利用率和较强的光谱分辨能力,但伴随着成像系统不断紧凑,光路也随之缩短,这导致系统的分辨率不可避免地下降;此外,微加工的光学器件质量也会影响光谱采集的质量,例如,由电化学控制蚀刻光路引起的表面粗糙会使光在传播过程中发生不必要的散射[13]。
3)基于窄带滤波机理的光谱仪
快照式光谱相机主要基于滤波的原理进行设计,其中滤波方式又分为窄带滤波和宽带滤波两种。在窄带滤波型光谱仪中,光谱滤波器通过选择性地传输特定波长的光实现色散,并通过传感器实现光谱信息的提取。这一系统中,滤波器可以是单个传播特性可调制的滤光片,也可以是一组多个滤波器形成的阵列。近年来,已经实现了以声光调制器[14]、液晶调制器[15]和微腔[16]作为滤波器的光谱仪。
与色散型光谱仪相比,窄带滤波型光谱仪解放了光谱滤波器和传感器之间空间,这为更紧凑的光谱采集系统设计提供了可能。但窄带滤波是通过牺牲光利用率达到了非常高的集成度,而普通的微纳制造技术难以达到对精确度的要求,对工艺技术的要求非常高,所以光谱分辨率受限于制造工艺的发展。
综合前几种光谱仪来看,似乎很难在具有较强的光谱分辨能力的同时还具有较高的光利用率以及集成度。基于宽带滤波机理的光谱仪或许可以突破这些禁锢,近年来,得益于计算光谱和算法的发展,基于宽带滤波的超构表面尽管不能像窄带滤波那样直接分辨光谱,但是可以通过复杂的后端算法重建光谱信息,高分辨率和易于集成化的微型成像系统使其在光谱成像领域中占领着重要的位置。
在传统的成像技术中,频谱中的一个通道就对应着一个探测器上的一个像素点,因而可以直接根据探测器读出的数据得到光谱信息。基于计算重建的光谱成像技术则不是这样,其频谱中的通道数量可以不等于探测器的像素点的数量。探测器的每一个像素点对光谱都有不同的响应,这可以通过调节探测器本身或者调节置于探测器上方的光学元件来实现。任何可以产生具有多样性的光谱响应函数的光学元件都可以用于成像装置
现有技术的缺陷包括:1)傅里叶变换型小型化光谱仪无法处理非常不规则的光谱信号,并且处理数据的速度较慢,难以应对随时间强烈变化的动态光谱信号。2)基于超色散机理的光谱仪在原理上不利于集成化,由于光谱分辨率和光程成反比,对于集成度和分辨率难以兼顾。3)基于窄带滤波机理的光谱仪对光的利用率很低,并且对工艺技术的要求非常高。
综合来说,光谱是物质的固有特征,通过分析光谱可以获得物质的化学组成部分,然而传统的光谱仪往往由色散元件通过复杂的光路组成,具有体积大,难以集成等缺点,最近几十年出现的新型光谱仪虽然在一定程度上可以缩小体积,但是仍然具有处理光谱信号不灵活或制造复杂、不灵敏等缺点。
参考文献:
[1]Le Coarer E,Blaize S,Benech P,et al.Wavelength-scale stationary-wave integrated Fourier-transform spectrometry[J].Nature Photonics,2007,1(8):473-478.
[2]Kita DM,Miranda B,Favela D,et al.High-performance and scalable on-chip digital Fourier transform spectroscopy[J].Nature Communications,2018,9(1):4405.
[3]M.Florjańczyk et al.,Multiaperture planar waveguide spectrometerformed by arrayed Mach-Zehnder interferometers.Opt.Express 15,18176–18189(2007).
[4]X.Nie,E.Ryckeboer,G.Roelkens,R.Baets,CMOS-compatible broadband co-propagative stationary Fourier transform spectrometer integrated on a siliconnitride photonics platform.Opt.Express 25,A409–A418(2017).
[5]E.le Coarer et al.,Wavelength-scale stationary-wave integratedFourier-transform spectrometry.Nat.Photonics 1,473–478(2007).
[6]Vasiliev A,Malik A,Muneeb M,et al.On-Chip Mid-InfraredPhotothermal Spectroscopy Using Suspended Silicon-on-Insulator MicroringResonators[J].Acs Sensors,2016,1(11):1301-1307.
[7]Nitkowski A,Chen L,Lipson M.Cavity-enhanced on-chip absorptionspectroscopy using microring resonators[J].Optics Express,2008,16(16):11930-11936.
[8]Hartmann W,Varytis P,Gehring H,et al.Waveguide-IntegratedBroadband Spectrometer Based on Tailored Disorder[J].Advanced OpticalMaterials,2020,8(6):1901602.
[9]T.Yokino,K.Kato,A.Ui,et al.Grating-based ultra-compact SWNIRspectral sensor head developed through MOEMS technology[C]MOEMS andMiniaturized Systems XVIII.2019.
[10]Hamamatsu mini-spectrometer micro series C12666MA(2015);www.hamamatsu.com/jp/en/product/type/C12666MA/index.html.
[11]A.Y.Zhu,et al.,Ultra-compact visible chiral spectrometer withmeta-lenses.APL Photon.2,036103(2017).
[12]C.Yang,K.Shi,P.Edwards,Z.Liu,Demonstration of a PDMS based hybridgrating and Fresnel lens(G-Fresnel)device.Opt.Express 18,23529–23534(2010).
[13]T.A.Kwa,R.F.Wolffenbuttel,Integrated grating/detector arrayfabricated in silicon using micromachining techniques.Sens.Actuators A31,259–266(1992).
[14]H.Y.Zhang,X.L.Wang,J.Soos,J.Crisp,Design of a miniature solid-state NIR spectrometer.Proc.SPIE 2475,376–383(1995).
[15]N.Gat,Imaging spectroscopy using tunable filters:Areview.Proc.SPIE 4056,50–64(2000).
[16]A.Nitkowski,L.Chen,M.Lipson,Cavity-enhanced on-chip absorptionspectroscopy using microring resonators.Opt.Express 16,11930–11936(2008).
发明内容
发明目的:针对以上问题,本发明提出一种基于超构表面的宽谱集成快照式光谱仪构建方法,使用快照式成像,可以实现实时动态监控,对光谱信号的要求不高;仅使用一个超构表面即可实现光谱探测,可以直接与CCD或者CMOS等光探测器集成;采用宽带滤波的机理,相比起窄带滤波,对光的利用率更高,并且用现有加工技术就可以轻松达到滤波片的加工要求;本发明实现一个高分辨的快照式可集成微型光谱仪,且波长覆盖范围较广,在1um~10um波长范围内均能实现光谱分辨。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于超构表面的宽谱集成快照式光谱仪构建方法,包括以下步骤:。
结构设计:采用数值仿真模拟,设计金属-介质-金属三层微结构单元搭建超表面滤光元件;优化设计超构表面每个检测通道内的超构单元的尺寸和排布方式构建多个透射率响应关系相异的光谱通道。
系统搭建:探测系统装置中,成像部分由所设计的超表面贴附于红外相机的光电传感面前方,相机空间像素与超表面探测通道大小相等,且位置彼此对齐以使光电传感器读取入射光通过对应的检测通道后的光强数据;在成像部分前方使用中红外物镜作为聚焦部分,将待测物体成像在超表面处。
光谱重建:采用光电传感器接收经过超表面调制的光强信息,利用训练完成的神经网络算法重构入射光谱。
进一步的,结构设计方法如下:
使用模拟软件随机生成结构,控制结构为C4对称,改变结构参数,包括位置和半径/边长,得到透射率曲线。
筛选显著差异的透射率曲线,得到4条具有显著差异的曲线以及对应的结构。
进一步的,光谱反演方法如下:
将光谱数据映射到四个通道上进行光谱编码,得到光强值。引入光谱重建算法根据光强值解码,并进行深度学习,训练网络,具体包括:
在探测中,针对每个空间像素位置的入射光,光电传感器获得4个光强数值,作为神经网络的输入,经过网络后输出9个光谱数值即重建光谱的离散采样。
首先使用探测系统探测光谱信息已知的入射光,使用记录到的光强以及已知的真实光谱数据作为训练和验证数据集,进行神经网络的训练。
训练完成后针对待测光谱进行探测和重建,通过网络反演光谱信息。
进一步的,计算出结构排布结果后,筛选出能够产生显著差异的透射率曲线的结构用于下一步的光谱重建,具体包括:
在满足工作波段内平均透射率大于设定阈值的条件下,将标准差和曲线之间的向量差值作为曲线差异性的量化标准和筛选条件。
在曲线差异性的量化标准中,标准差反映的是透射率随波长产生波动的强度,在设计中至少需要标准差大于0.05。
曲线之间的向量差值反映的是各个检测通道透射率曲线分布的差异性和随机性,在设计中至少需要向量差值大于0.05。
针对所有计算结果按照标准差、向量差值由大到小的顺序进行选择;最终选择4组微结构设计,作为4个检测通道,各个检测通道均由上下两层微结构阵列组合而成。
进一步的,采用4组微结构,具体形状参数为:基底为厚度1mm的氟化钙,上下两层微结构间距为30um,金属-介质-金属材料三明治结构各层厚度均为200nm。
结构1上层为1个内径0.75微米、外径0.85微米的圆环柱,下层为5个半径0.2微米的圆柱。
结构2上层为5个内径0.1微米、外径0.2微米的圆环柱,下层为4个半径0.1微米的圆柱以及宽度0.1微米、长度2.3微米的矩形柱。
结构3上层为4个半径0.2微米的圆柱和1个半径0.15微米的圆柱,下层为4个内径0.1微米、外径0.2微米的圆环柱以及宽度0.1微米、长度2.4微米的矩形柱。
结构4上层为5个内径0.1微米、外径0.2微米的圆环柱和1个内径0.65微米、外径0.75微米的圆环柱,下层为4个半径0.1微米的圆柱。
进一步的,标准差具体的计算方式是:
每条透射率曲线在波长范围内均匀选取n个计数点,对所有计数点处的透射率强度与平均透射率之差的平方计算平均值,再计算其算术平方根。
进一步的,曲线之间的向量差值具体的计算方式是:
对于每两个结构的透射率-波长响应曲线,各均匀选取对应波长位置的n个计数点,对相同波长处的透射率之差的绝对值求和,然后计算平均值。
其中ΔT表示曲线之间的向量差值,ti表示第i个通道的波长取点处的透射率,表示平均透射率,n表示取点的个数,m为通道的个数。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明提出的基于超构表面的宽谱集成快照式光谱仪,器件基于超构表面进行设计,易于小型化和集成化。结构采用C4对称排列,对偏振不灵敏。采用快照式光谱成像,速度更快。器件针对1~10um短中长三个波段采用了双层超构表面设计,波段范围长,探测范围广。基于宽带滤波的超构表面光谱成像利用机器学习感知能力强、计算速度快的诸多优势,在具有较强的光谱分辨率能力的同时保持了高集成度,在光谱成像领域具有较大的潜力。
与傅里叶变换型小型化光谱仪相比,本发明使用快照式成像,可以实现实时动态监控,对光谱信号的要求不高。与基于超色散机理的光谱仪相比,本发明仅使用一个超构表面即可实现光谱探测,可以直接与CCD或者CMOS等光探测器集成,不受制于光程的影响,更有利于小型化。与基于窄带滤波机理的光谱仪相比,本发明采用宽带滤波的机理,对光的利用率更高,并且用现有加工技术就可以轻松达到滤波片的加工要求。
附图说明
图1是本发明方法流程图。
图2是超构表面结构示意图和双层结构建模图。
图3(a)~3(c)是宽带随机滤波器在短中长波长范围处的结构透射率曲线。
图4(a)~4(f)是光谱重建结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
基于宽带滤波的超构表面高光谱成像系统由超构表面层、微透镜层和CMOS图像传感器组成,其中超构表面层包含N个自由形状结构阵列,每一种结构对应不同的宽光谱响应。入射光经过超构表面滤波和微透镜阵列聚焦后,通过图像传感器转换为电信号。记入射光波长为λ,假设入射光的光谱信号为F(λ),每一个超构表面的光谱响应为Xi(λ),i=1,2,3,…,N,CMOS图像传感器的吸收响应为A(λ),则最终在工作波段内探测到的信号强度Yi可以描述为
其中,ei表示噪声信号。对F(λ)、Xi(λ)和A(λ)分别进行离散采样,得到f(λ)、xi(λ)和a(λ),则光谱信号Yi的离散形式为
令ri(λ)=xi(λ)a(λ),ri(λ)是可以通过测量预先确定的透射光谱曲线,Y通过线性方程组表示为
Y=RF(λ)+e (3)
其中,Y∈RN×1,R∈RN×M,F(λ)∈RM×1,M表示波长采样的个数,Y代表重建光谱的离散形式,e为噪声信号。通过解这个线性方程组,可以得到原入射光的光谱信息,然而实际上,M往往大于N,因此这是一个欠定的方程,需要通过正则化、压缩感知或深度学习等算法来求解。
通过宽带滤波实现光谱成像有两个重要的步骤,第一步是获得随机分布的宽光谱曲线,第二步是利用光谱算法重建光谱,由于欠定方程求解的特殊性,一般来说光谱响应曲线特征越明显,光谱重建能力越高。
按照上述原理,可以构建多个光谱通道,其具有差异明显的透射率-波长响应关系。一束入射光通过各个光谱通道之后,可检测到一组光强信息,这就是经由超表面结构调制后的光谱信息的采样结果。获取此信息后,便可用于还原重建原始光谱。本发明中通过实际搭建实验光路之后的测量来取得足够多的样本数据训练神经网络得到重构入射光谱的高准确度的算法。
传统的光谱系统大多有着复杂的设计以及笨重的体积,而目前光谱成像系统要求整个成像系统都尽可能集成和小型化,超构表面是解决传统光学系统厚重和设计复杂的一种非常有效的方案,它可以将多种功能集成于一个二维平面上。由于成像系统的集成化使镜头出射的成像光线角度较大,角度范围也比较大,这要求超构表面的结构功能具有较大的角度容忍度,本发明的结构单元为金属-介质-金属结构,当入射光具有较大入射角度时,其提供的电磁谐振变化很小,具有较大的角度容忍度。通过设计超构表面每个像素上的超构单元的尺寸和排布方式可以获得差异较大的光谱透射曲线,通过构建多个光谱通道,获取光谱信息,利用神经网络,重构入射光谱。在本发明中,可以在像素级别的面积内得到丰富的光谱透射曲线,在快速得到光谱信息的同时,降低对空间分辨率的损耗,以实现并行光谱相机对于信息的平衡。
本发明所述的基于超构表面的宽谱集成快照式光谱仪构建方法,具体实施方式的流程见图1,实施步骤可以分为两个阶段,分别是结构设计和光谱重建。
1)结构设计
结构设计使用模拟软件FDTD进行计算。目标需要在较小的面积范围内形成丰富的宽谱透射率曲线,即大量的频谱响应曲线上的波峰和波谷,以及不同的曲线走势,这种鲜明的特征对光谱成像应用特别重要。然而仅仅通过单层超构表面结构设计难以实现,因此本发明创新地采用了一种双层超构表面结构,采用的结构均为C4对称结构,即为偏振不敏感的,这将增大器件的使用效率并且避免了与其他系统不兼容的问题。
通过FDTD计算出大量的结构排布结果后,下一步是筛选出一些能够产生显著差异的透射率曲线的结构以便用于下一步的光谱重建。在满足工作波段内平均透射率大于60%的条件下,作为曲线差异性的量化标准和筛选条件的是标准差和曲线之间的向量差值,针对所有计算结果按照标准差、向量差值由大到小的顺序进行选择。
根据实际应用环境要求,最终选择4组微结构设计,作为工作原理中的4个检测通道。各个检测通道均由上下两层微结构阵列组合而成,其主视图如图2所示,具体形状参数为:基底为厚度1mm的氟化钙,上下两层微结构间距为30um,金属-介质-金属材料三明治结构各层厚度均为200nm。各个检测通道中:通道1上层为1个内径0.75微米、外径0.85微米的圆环柱。下层为5个半径0.2微米的圆柱;通道2上层为5个内径0.1微米、外径0.2微米的圆环柱,下层为4个半径0.1微米的圆柱以及宽度0.1微米、长度2.3微米的矩形柱;通道3上层为4个半径0.2微米的圆柱和1个半径0.15微米的圆柱,下层为4个内径0.1微米、外径0.2微米的圆环柱以及宽度0.1微米、长度2.4微米的矩形柱;结构4上层为5个内径0.1微米、外径0.2微米的圆环柱和1个内径0.65微米、外径0.75微米的圆环柱,下层为4个半径0.1微米的圆柱,如图2所示。图3(a)~3(c)是2×2通道的光谱透射率曲线,宽谱被分为三个有效波段,即1~3um,3~5um和8~10um,平均透射率均大于60%,表1是详细的结构透射率参数。
表1四个通道在不同波段下对应的光谱透射率平均值
在曲线差异性的量化标准中,标准差反映的是透射率随波长产生波动的强度,波动越强,特征越明显,越有利于光谱重建,在设计中至少需要标准差大于0.05。具体的计算方式是每条透射率曲线在波长范围内均匀选取100个计数点,对所有计数点处的透射率强度与平均透射率之差的平方计算平均值,再计算其算术平方根。计算公式如下:
其中,σi表示第i个通道的标准差,ti表示波长取点处的透射率,表示平均透射率,n表示取点的个数。通过上式计算出每一个通道的标准差,σ1=0.30,σ2=0.27,σ3=0.28,σ4=0.28.
曲线之间的向量差值反映的是各个检测通道透射率曲线分布的差异性和随机性在设计中至少需要向量差值大于0.05。具体的计算方式是对于每两个结构的透射率-波长响应曲线,各均匀选取对应波长位置的100个计数点,对相同波长处的透射率之差的绝对值求和,然后计算平均值。计算公式如下:
其中,ΔT表示曲线之间的向量差值,n表示取点的个数,m为通道的个数。通过上式计算出曲线之间的向量差值,ΔT=0.09.
2)系统搭建与光谱重建
实际的探测系统装置中,成像部分由所设计的超表面贴附于普通商用中红外相机的光电传感面前方,相机空间像素与超表面探测通道大小相等,均为15微米,且位置彼此对齐以使光电传感器可以读取入射通过对应的检测通道后的光强数据。在成像部分前方使用中红外物镜作为聚焦部分,将待测物体成像在超表面处。
光谱重建利用了神经网络算法,所使用的神经网络由输入层、隐层、输出层三部分组成。输入层对应于相机在各个空间像素位置处,从N个自由形状结构阵列搭建的检测通道的读取的光强,包含N个神经元。隐层为全连接层,通过一系列权重以及对应的激活阈值由将N个输入神经元的输出值以及一个待定系数链接到每一个隐层神经元上,最后再连接到由M个神经元组成的输出层上,得到所需的M通道光强分布。根据这些还原出的光强和它们对应的波长便可画出重建出的光谱曲线。
在探测中,针对每个空间像素位置的入射光,光电传感器可以获得4个光强数值,这将作为神经网络的输入,经过网络后输出9个光谱数值即重建光谱的离散采样。首先使用探测系统探测光谱信息已知的入射光,使用记录到的光强以及已知的真实光谱数据作为训练和验证数据集,进行网络的训练。训练完成后便可针对待测光谱进行探测和重建。重建结果如图4(a)~4(f)所示,相关度R=0.91,重建结果良好。
Claims (7)
1.基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,包括以下步骤:
结构设计:采用数值仿真模拟,设计金属-介质-金属三层微结构单元搭建超表面滤光元件;优化设计超构表面每个检测通道内的超构单元的尺寸和排布方式构建多个透射率响应关系相异的光谱通道;
系统搭建:探测系统装置中,成像部分由所设计的超表面贴附于红外相机的光电传感面前方,相机空间像素与超表面探测通道大小相等,且位置彼此对齐以使光电传感器读取入射光通过对应的检测通道后的光强数据;在成像部分前方使用中红外物镜作为聚焦部分,将待测物体成像在超表面处;
光谱重建:采用光电传感器接收经过超表面调制的光强信息,利用训练完成的神经网络算法重构入射光谱。
2.根据权利要求1所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,结构设计方法如下:
使用模拟软件随机生成结构,控制结构为C4对称,改变结构参数,包括位置和半径/边长,得到透射率曲线;
筛选显著差异的透射率曲线,得到4条具有显著差异的曲线以及对应的结构。
3.根据权利要求2所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,光谱反演方法如下:
将光谱数据映射到四个通道上进行光谱编码,得到光强值;引入光谱重建算法根据光强值解码,并进行深度学习,训练网络,具体包括:
在探测中,针对每个空间像素位置的入射光,光电传感器获得4个光强数值,作为神经网络的输入,经过网络后输出9个光谱数值即重建光谱的离散采样;
首先使用探测系统探测光谱信息已知的入射光,使用记录到的光强以及已知的真实光谱数据作为训练和验证数据集,进行神经网络的训练;
训练完成后针对待测光谱进行探测和重建,通过网络反演光谱信息。
4.根据权利要求1或2所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,计算出结构排布结果后,筛选出能够产生显著差异的透射率曲线的结构用于下一步的光谱重建,具体包括:
在满足工作波段内平均透射率大于设定阈值的条件下,将标准差和曲线之间的向量差值作为曲线差异性的量化标准和筛选条件;
在曲线差异性的量化标准中,标准差反映的是透射率随波长产生波动的强度,在设计中至少需要标准差大于0.05;
曲线之间的向量差值反映的是各个检测通道透射率曲线分布的差异性和随机性,在设计中至少需要向量差值大于0.05;
针对所有计算结果按照标准差、向量差值由大到小的顺序进行选择;最终选择4组微结构设计,作为4个检测通道,各个检测通道均由上下两层微结构阵列组合而成。
5.根据权利要求4所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,采用4组微结构,具体形状参数为:基底为厚度1mm的氟化钙,上下两层微结构间距为30um,金属-介质-金属材料三明治结构各层厚度均为200nm;
结构1上层为1个内径0.75微米、外径0.85微米的圆环柱,下层为5个半径0.2微米的圆柱;
结构2上层为5个内径0.1微米、外径0.2微米的圆环柱,下层为4个半径0.1微米的圆柱以及宽度0.1微米、长度2.3微米的矩形柱;
结构3上层为4个半径0.2微米的圆柱和1个半径0.15微米的圆柱,下层为4个内径0.1微米、外径0.2微米的圆环柱以及宽度0.1微米、长度2.4微米的矩形柱;
结构4上层为5个内径0.1微米、外径0.2微米的圆环柱和1个内径0.65微米、外径0.75微米的圆环柱,下层为4个半径0.1微米的圆柱。
6.根据权利要求4所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,标准差具体的计算方式是:
每条透射率曲线在波长范围内均匀选取n个计数点,对所有计数点处的透射率强度与平均透射率之差的平方计算平均值,再计算其算术平方根。
7.根据权利要求4所述的基于超构表面的宽谱集成快照式光谱仪构建方法,其特征在于,曲线之间的向量差值具体的计算方式是:
对于每两个结构的透射率-波长响应曲线,各均匀选取对应波长位置的n个计数点,对相同波长处的透射率之差的绝对值求和,然后计算平均值;
其中ΔT表示曲线之间的向量差值,ti表示第i个通道的波长取点处的透射率,表示平均透射率,n表示取点的个数,m为通道的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021959.7A CN117911555A (zh) | 2024-01-05 | 2024-01-05 | 基于超构表面的宽谱集成快照式光谱仪构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021959.7A CN117911555A (zh) | 2024-01-05 | 2024-01-05 | 基于超构表面的宽谱集成快照式光谱仪构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911555A true CN117911555A (zh) | 2024-04-19 |
Family
ID=90685152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410021959.7A Pending CN117911555A (zh) | 2024-01-05 | 2024-01-05 | 基于超构表面的宽谱集成快照式光谱仪构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911555A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118129909A (zh) * | 2024-05-08 | 2024-06-04 | 中国科学院长春光学精密机械与物理研究所 | 阵列化集成芯片式偏振成像光谱仪及偏振图谱重建方法 |
-
2024
- 2024-01-05 CN CN202410021959.7A patent/CN117911555A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118129909A (zh) * | 2024-05-08 | 2024-06-04 | 中国科学院长春光学精密机械与物理研究所 | 阵列化集成芯片式偏振成像光谱仪及偏振图谱重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230221180A1 (en) | Fabry-perot fourier transform spectrometer | |
CN102564586B (zh) | 衍射孔阵列结构微型光谱仪及其高分辨率光谱复原方法 | |
CN113686437B (zh) | 基于超构表面的时域分光光谱成像芯片 | |
US20100245832A1 (en) | Spectrometer and interferometric method | |
CN117911555A (zh) | 基于超构表面的宽谱集成快照式光谱仪构建方法 | |
WO2004094966A2 (en) | Methods and systems for static multimode multiplex spectroscopy | |
Balas et al. | Multi/hyper-spectral imaging | |
CN107110705A (zh) | 用于将光谱信息转换为位置信息的装置的光学过滤器元件 | |
JP2020053910A (ja) | 光学デバイス、および撮像装置 | |
CN114152339B (zh) | 基于几何相位超表面结构的光谱传感器及光谱重建方法 | |
CN113701884B (zh) | 基于亚波长结构的宽带滤波型片上的光谱或频谱分析系统 | |
US20130130428A1 (en) | Method of making a spatially sensitive apparatus | |
CN115060364A (zh) | 一种光谱建立的方法及设备 | |
WO2022018527A1 (en) | Multi-spectral device | |
AU2021202510A1 (en) | Fabry-Perot Fourier transform spectrometer | |
CN113820013A (zh) | 一种基于Fabry–Pérot腔的透射式超构表面多光谱成像仪 | |
Gupta | Acousto-optic tunable filter based spectropolarimetric imagers | |
CN115452735A (zh) | 一种超微区域光谱测试系统及方法 | |
Hu et al. | Design of a computational microspectrometer based on metasurfaces and multilayer thin films | |
CN111458028B (zh) | 一种手机载内置式芯片光谱仪模块 | |
Qu et al. | Multimodal light-sensing pixel arrays | |
Liu et al. | Miniature snapshot midinfrared spectrometer based on metal-insulator-metal metasurface | |
Li et al. | Compact static birefringent spectral range enhanced Fourier transform imaging spectrometer | |
WO2024028791A1 (en) | Imaging-based intelligent spectrometer on plasmonic 2d chip and method | |
Mahmoud et al. | Development of a new linearly variable edge filter (LVEF)-based compact slit-less mini-spectrometer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |