优化由符号定义的透镜和反射镜的系统,用内置图像处理或数据分析函数检测光学元件,计算复杂的射线跟踪模型。
随着现代工业制造技术发展,对产品的品质控制以及自动化生产的要求越来越高,机器视觉作为一项新兴的工业自动化技术在各行各业得到了广泛应用。机器视觉的主要功能为:作为自动化系统的“眼睛”,替代人工进行产品的识别、定位、缺陷检查、运动引导等工作,在高速流水线、危险环境、高重复性动作、高精密度检查等人力越来越难以胜任的场合发挥着重要作用。 作为机器视觉技术中非常重要的一个分支,自动光学检测(AOI,Automatic Optical Inspection)在工业化领域得到广泛应用,已成为现代制造业的必备环节,其克服了人工检查个体差异大、稳定性差(疲劳度与外界因素影响)、效率低下、重复性差等缺点,为制造业的产品质量控制与制造水平提升发挥着越来越大的作用。线阵扫描AOI技术的发展与现代化制造水平密切相关,伴随着光电成像技术发展不断在各个领域得到深入应用。1969年美国贝尔实验室的Willard S. Boyle和George E. Smith发明了CCD(Charge-coupled Device,电荷耦合器件)技术,实现了感应光线并将图像转变成数字信号的功能。有几家公司接续此一发明,包括快捷半导体(Fairchild Semiconductor)、美国无线电公司(RCA)和德州仪器(Texas Instruments)。快捷半导体的产品率先上市,于1974年发表500单元的线阵传感器和100×100像素的面阵传感器。随着线阵传感器的产品化,基于该技术的工业AOI技术迅速发展,在1975年便实现了商用化的设备。随后,在欧美与日本等发达国家,基于线阵平台的AOI技术蓬勃发展,在各个行业得到了广泛应用。 CIS(Contact Image Sensor,接触式图像传感器),是继线阵CCD、CMOS技术之后发展完善的一类新型光电成像传感器。其将柱状透镜(Rod Lens,如图1-1)、LED阵列光源、感光元件阵列、信号放大电路集于一体,由光源发出的光线经被扫描物反射后,通过柱状透镜投射聚焦于感光元件阵列,由感光元件阵列将光信号转化为电信号并经信号放大电路进行放大输出,经后端处理后直接形成扫描对象的完整影像。CIS工作原理如图1-2所示。由于CIS的整体集成性(省去了传统成像方式的光学镜头),传感器体积可有效控制,在设备便携性、安装调试、整体集成方面相比传统的“CCD/CMOS+光学镜头”方式优势明显,可见图1-3;采用LED光源阵列可有效控制设备功耗,使用寿命长,且无需预热;采用柱状透镜实现物体与感光元件1:1成像,无传统光学透镜的像场几何畸变,对物体高质量还原,在成像质量上优势明显[12]。CIS图像传感器最早被用于传真机、扫描仪等商用设备,随着技术进步发展,在金融机具、医疗设备、工业检测装备领域已得到越来越广泛的应用,具体应用领域如下表所示。需要说明的是,CIS图像传感器在工业领域针对平面产品(如玻璃、橡胶、薄膜等行业)的自动光学检测方面具有巨大的应用空间。
近日,北京大学王剑威研究员、胡小永教授、龚旗煌教授课题组与中国科学院微电子研究所杨妍研究员等合作者,将大规模硅基集成光芯片与拓扑光学紧密结合,首次实现了一种完全可编程的拓扑光子芯片。
Nature Photonics在6月份报道了MIT Marin Soljacic教授组的一篇最新进展(https://www.nature.com/nphoton/journal/vaop/ncurrent/full/nphoton.2017.93.html#supplementary-information)。他们在硅光芯片上,利用56个级联的Mach-Zehnder干涉仪,演示了两层结构的深度学习网络,并验证了对4个元音的识别,准确率为76.7%。这篇文章将两个研究热点,硅光(silicon photonics)和深度学习(deep learning)结合在一起,引起了很大的关注。
随着人工智能的兴起,传统的电子计算方式逐渐达到其性能极限,远远落后于可处理数据的快速增长。在各种类型的AI中,神经网络由于其出色的表现而被广泛用于AI任务中。这些网络使用多层相互连接的人工神经元执行复杂的数学运算,其中占用了大多数计算资源的基本运算是矩阵向量乘法。
在过去的 10 年中,通过提高调制阶数(从 QPSK 到 16QAM 再到 64QAM)以及提高光电设备支持的波特率,我们看到单位波长的容量在迅速增加。然而,超过 64QAM 的相干调制阶数后,由于波长范围缩小,可实现的性能不足以满足目标应用的需要。
首先我们需要安装PIL和pytesseract库。 PIL:(Python Imaging Library)是Python平台上的图像处理标准库,功能非常强大。 pytesseract:图像识别库。
Alex 发自 凹非寺 量子位 | 公众号 QbitAI 比深度神经网络速度还快的是什么? 或许光子DNN可以回答这个问题。 现在,美国研究者开发的一个光子神经网络 (photonic deep neural network,PDNN),让图像识别仅需1纳秒。 1纳秒是什么概念?它等于10-9秒,这与最先进的微芯片单时钟周期(最小的时间单位)相当。 此外,研究者测试发现,PDNN对图像进行2分类和4分类的准确率分别高达93.8%和89.8%。 诚然,如今的大型多层神经网络高效且运算能力很强,但其也受到硬件
Intel近日宣布,已成功将其 1.6 Tbps的硅光引擎与 12.8 Tbps的可编程以太网交换机进行集成。该一体封装解决方案整合了Intel及其 Barefoot Networks 部门的基础技术构造模块,以用作以太网交换机上的集成光学器件。
思科宣布将以6.6亿美元的现金和股权奖励收购加州半导体公司Luxtera。Luxtera使用硅光子技术为超大规模企业、企业数据中心和服务提供商构建集成光学功能。
上周笔记介绍了基于硅光芯片的室内无线通信进展,其核心器件是硅基的光相控阵列。这一篇笔记主要介绍光学相控阵列。
点击上方↑↑↑“OpenCV学堂”关注我来源:公众号 量子位 授权 比深度神经网络速度还快的是什么? 或许光子DNN可以回答这个问题。 现在,美国研究者开发的一个光子神经网络 (photonic deep neural network,PDNN),让图像识别仅需1纳秒。 1纳秒是什么概念?它等于10-9秒,这与最先进的微芯片单时钟周期(最小的时间单位)相当。 此外,研究者测试发现,PDNN对图像进行2分类和4分类的准确率分别高达93.8%和89.8%。 诚然,如今的大型多层神经网络高效且运算能力很强,但
英特尔在用于高速数据传输的硅光集成技术上取得了突破性进展。在2024年光纤通信大会(OFC)上,英特尔硅光集成解决方案(IPS)团队展示了业界领先的、完全集成的OCI(光学计算互连)芯粒,该芯粒与英特尔CPU封装在一起,可运行真实数据,双向数据传输速度达4 Tbps。面向数据中心和HPC应用,英特尔打造的OCI芯粒在新兴AI基础设施中实现了光学I/O(输入/输出)共封装,从而推动了高带宽互连技术创新。
“OPC是EDA(电子设计自动化)工业软件的一种,没有这种软件,即使有光刻机,也造不出芯片。从基础研究到产业化应用,我们团队整整走了十年。十年磨一剑,就是要解决芯片从设计到制造的卡脖子问题。”
平行光学又叫并行光学,是英文“Parallel”的翻译。随着全球数据量的增长,并行光学技术是当前数据中心扩容的重要技术手段,光传输速率不断由10Gbps、40Gbps、100Gbps演进至200Gpbs、400Gbps,甚至600Gbps、800Gbps。在今年的美国OFC大会上就有多家中国供应商,包括华工正源、旭创科技、新易盛等在内都相继展示了800G速率的光模块。
加拿大INRS和英国苏塞克斯大学的研究人员利用机器学习和集成光子芯片,可以定制宽带光源的属性。这些来源也称为“超连续光谱”,是新成像技术的核心,研究人员提出的方法将进一步深入了解光物质相互作用和超快非线性光学的基本方面。
8月26日A股收盘后,闻泰科技公布了2022年上半年财报。根据财报显示,公司上半年营收达284.96亿元,同比增长15.05%;实现归母净利润约11.82亿元,同比小幅下滑4.11%,扣非净利润约11.62亿元,同比小幅下滑1.71%。如果单看二季度的数据的话,其二季度归母净利润为6.79亿元,环比增长35%,这也反映了闻泰科技的归母净利润正在逐季改善。
随着移动互联网的推广应用,数据中心得到迅猛发展,成为信息社会中的重要基础设施。数据中心由大量服务器组成,服务器之间需要高速、大容量的数据传输和交换,传统的电缆传输不能满足速率要求,光纤传输技术自2010年左右进入数据中心,至今已经成为主流传输技术。
本文探讨了一种全新的脑机接口(BCI)的可行性,它可能带来新的技术、实验和临床应用。BCI是一种基于计算机的系统,它可以使活体大脑和外部机器之间进行单向或双向的通信。BCI读出大脑信号并将其转换成由机器执行的任务命令。在闭环中,机器可以用适当的信号刺激大脑。
光模块的传输距离分为短距、中距、长距。通常短距离传输是指2km以下的传输距离,中距为10-20km。≥30km的则为长距离传输。根据不同的传输距离,光模块类型分为SR(100m)、DR(500m)、FR(2km)、LR(10 km)、ER(40 km)、ZR(80 km)几种。
光纤能够以光的形式在世界范围内传输数据,成为现代电信技术的支柱。不过如果需要分析这些传输数据,要将其从光信号转换为电子信号,然后用电子设备进行处理。曾经有一段时间,光学被认为是未来最具潜力的计算技术的基础,但与电子计算机的快速进步相比,光学计算技术的竞争力明显不足。
在处理模式识别、风险管理以及其他同样复杂的任务时,最强大的计算机都无法与人脑匹敌。但是,近来光学神经网络取得的进展通过模拟人脑中神经元的反应方式缩小了计算机与人脑之间的差距。这种光学神经网络比 ML 中的网络能耗更低、运算更快,是未来大规模应用 AI 的坚实基础。
移动电话的普及使我们能够随时随地拨打电话。又经过20年的创新后,语音通话已不再是手机这款智能设备的主要功能,它不仅可以拍摄美丽的照片、播放音频和视频流文件,而且还提供各种各样的服务:现在还逐渐成为我们的私人教练。
谷歌地球引擎,在RSE(Remote Sensing of Environment)的热门版上有一篇文章有大致的介绍。
最近APL photonics刊登了一篇关于光子加速器的review文章"Novel frontier of photonics for data processing—Photonic accelerator",小豆芽这里做一个读书笔记,供大家参考。
光开关在光网络中起到十分重要的作用,它可用于光网络中的光路转换和切换, 具有一个或多个可选择的传输窗口,可对光传输线路或集成光路中的光信号进行 相 互 转 换 或 逻 辑 操 作 的 器 件 。 MEMS 光 开 关 是 基 于 微 机 电 系 统 (micro-electro-mechanical system),采用光学微镜或光学魏镜阵列来改变 光束的传播方向实现光路的切换。
机器视觉一般由工业光源,图像采集单元,图像处理单元,图像处理软件及网络通讯装置等构成。在自动化工业质量控制和在线检测领域,2D和3D技术都具有重要的作用。如何将两者结合起来创建一个更可靠、高效的机器视觉检测系统,首先要认识两者的各自优势和局限性。
光纤以光的形式传输数据,是现代远程通信网络的支柱。但在分析这种数据时,我们需要把光转换为电子,然后用电子方法进行处理。光学曾被认为是一种潜在计算技术的基础,但由于电子计算发展迅速,光学计算在这条赛道上跑得很吃力。
飞行时间(ToF)相机凭借更小的外形尺寸、更宽的动态感测范围,以及在多种环境下工作的能力,成为首选的深度传感方法。虽然ToF技术已在科学和军事领域应用多年,但随着21世纪初图像传感技术的进步,才得到更加普遍的应用。性能的变革意味着,包括 ADI ToF 技术在内的探测技术,已被应用到智能手机、消费电子和游戏设备中,未来将不仅限于消费市场。随着技术的进一步成熟,将有机会利用主流制造工艺从设计、制造和货物运输等多方面来提高系统效率。
利用声光子间特有性质,悉尼大学研究团队研制出光子芯片存储和传输技术。 量子计算机想要成为现实,其中的一大难点就在于如何实现对量子的操纵。最近集成电路中相干声振动声子的控制和操纵引起了极大的关注,因为声子可以作为射频和光信号之间的链接,为量子之间的通信提供通道,并且它是一种先进的信号处理方式。 早前,已经存在基于光的操作,实现对光的存储,但是受限于带宽限制,真正达到对光子的处理一直没有实现。 近日,在《自然通讯》杂志上的一篇文章详细描述了澳大利亚悉尼大学的研究团队所做的工作,在这项工作中,他们演示了具有千兆赫
近日,世界首家利用硅光芯片实现光学陀螺仪的公司Anello Photonics完成A轮融资。这里对相关技术以及Anello Photonics公司做一个简单的介绍。
Intel在硅光领域耕种多年,最近他们和加州伯克利大学合作,提出了一种容差性更好的光学神经网络架构。该文章发表于Optics Express, 标题为 “Design of optical neural networks with component imprecisions ”。关于Intel的硅光技术,可参看小豆芽之前的笔记 Intel的硅光子技术和Intel演示400G硅光模块 。需要注意的是,这篇文章中Intel的参与者是Intel的AI技术人员,而不是来自其硅光部门。
前面笔记介绍过康宁在Glass Interposer方面的进展(OFC2022: 康宁的Glass Interposer封装方案),有两位读者在微信群里留言问到是否其他机构在开发类似的技术。小豆芽这里介绍下德国Fraunhofer IZM在玻璃基板的相关工作,供大家参考。
今天,ONF宣布将开放式网络的优势带入光网络。ODTN是由运营商主导的采用了分布式光学设备、开放和通用标准以及开源软件来构建光传输网络的项目。由全球一些最大的网络运营商支持,包括中国联通,Comcas
8月25日晚间,国内ODM及半导体大厂闻泰科技公布了2023年上半年的财报。闻泰科技上半年实现营收292.06亿元,同比增长2.49%;净利润为12.58亿元,同比增长6.45%;扣非净利润为11.80 亿 元,同比增加 1.54%;经营活动产生的现金净流入30.41亿元,同比暴增181.97%。其中,闻泰第二季度净利润环比大涨73.27%。
近日,天马微电子官方发布消息,宣布成功在行业内首发了一种折叠屏屏下光学指纹识别解决方案。
近年来,人工智能等技术的快速发展让计算机的算力需求暴增,但随着摩尔定律失效,传统芯片性能提升速度却开始大幅放缓。全世界都在寻找新的解决方法,光芯片的发展正让人看到希望。
降雨量信息是评估大气环境和降水研究的关键指标,也是环境监测和农业安全监测的重要参数。目前,我们通常使用翻斗式或光学雨量计来监测降雨量,这些工具能够感知自然界的降雨量,并将其转换为相应的开关信号输出,以满足信息传输、处理、记录和显示的需求。
BCI是基于计算机的系统,可以在活体大脑和外部机器之间进行单向或双向通信。BCI读取大脑信号并将其转换为由机器执行的任务命令。在闭环中,机器可以用适当的信号刺激大脑。
在微观拍摄上,这个小小的薄片对物体的还原度居然不逊于一堆透镜叠在一起,甚至画面还要更明亮一些。
最近因为华为遭美国制裁,芯片领域得到了社会广泛的关注,这两天的媒体舆论开始关注EDA软件。今天和COO聊起EDA软件,问起来为啥你们光芯片不搞EDA。借此机会,小豆芽在这里聊聊EDA软件巨头在光芯片方面的努力与进展。
微软和NVIDIA已经合作为NVIDIA Jetson平台构建、验证和发布ONNX runtime Python包和Docker容器,现在可以在Jetson Zoo上使用。
降雨量信息是衡量大气环境研究和降水研究的主要对象,也是环境监测、农业安全监测的重要指标参数。通常我们监测降雨量,一般都是采用翻斗式或光学雨量计,来感知自然界的降雨量,同时将其转换为相应的开关信号输出,就能够满足绝大多数场景中的信息传输、处理、记录和显示的需要。
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 蓄势好几年的Magic Leap 2,这回是真的要来了。 在一波真机图流出、细节参数曝光后,最新鲜热乎的上手试玩也来了! 话不多说,我们先来看效果: 普通餐桌立刻变成模拟山火救援的沙盘。 不仅能看到整个山脉地形,山火蔓延的程度、现场画面、当地天气情况、救援进度等信息都一目了然呈现在眼前。 而除了画面的细腻度,Magic Leap 2的视野范围也较上一代有了提升。 视场角更大、画幅更大; 同时还改为高大于宽的画面比例,可以容纳更多画面。 此外,它还支
随着大型企业及超大规模网络对人工智能工作负载和高带宽需求的日益增长,对光纤连接技术的需求也在显著上升。思科光学系统的高级副总裁兼总经理Bill Gartner指出,由于光纤具有卓越的传输能力,它已经成为连接数据中心、服务器、路由器、交换机以及网络架构中广泛分布的各个组件,以实现远距离高速数据传输的首选技术。
图像处理软件作为机器视觉系统的重要组成部分,主要通过对图像的分析、处理和识别,实现对特定目标特征的检测。由于机器视觉系统在现代工业领域的广泛应用,使应用于机器视觉系统的机器视觉软件技术得到了高速发展。
1.Neural Lithography: Close the Design-to-Manufacturing Gap in Computational Optics with a 'Real2Sim' Learned Photolithography Simulator
Cumulus Networks表示,它推出了业界首创的转发器抽象接口,为转发器供应商提供更多的互操作性,并使数据中心互连技术更加开放。
这篇笔记分享Wim Bogaerts最近的一篇文章"Programmable Photonics: An Opportunity for an Accessible Large-Volume PIC Ecosystem", 原文链接为https://ieeexplore.ieee.org/document/9049105/。
#Swift for TensorFlow Swift for TensorFlow 为 TensorFlow 提供了一种新的编程模型,将 TensorFlow 计算图与 Eager Execution 的灵活性和表达能力结合在了一起,同时还注重提高整个软件架构每一层的可用性。 本项目的设计基础是 Graph Program Extraction 算法,它可以让你用 Eager Execution 式的编程模型来轻松地实现代码,同时还保留 TensorFlow 计算图的高性能优势。此外,本项目还将高级的自动
领取专属 10元无门槛券
手把手带您无忧上云