前沿进展 | 基于深度学习的超表面色度偏振角检测

“前沿进展”栏目，旨在介绍科研人员在光学领域发表的具有重要学术、应用价值的论文，促进研究成果的传播。部分论文将推荐参与“中国光学十大进展”评选。

1 导读

近日，南开大学陈树琪教授课题组提出了一种基于深度学习的超表面色度偏振角检测新方法。该方法采用各向异性人工微结构获得偏振敏感的结构色响应，利用深度学习方法提取不同偏振态下结构色图样的颜色特征，可以实现准确率为81.4%精度为0.7°的偏振角检测。相关研究成果以“Deep-learning-based colorimetric polarization-angle detection with metasurfaces”为题，于2022年2月18日在线发表在Optica上。该项研究通过建立结构色颜色板这种直观的可视信息与光场偏振态间的对应关系，有效提高了可视化比色偏振检测的精确度，为偏振检测技术的智能化提供了新的思路。博士研究生杨渤、玛地娜和博士后刘文玮为该论文的共同第一作者，程化教授和陈树琪教授为该论文的通讯作者。研究工作得到了国家重点研发计划、国家杰出青年科学基金等项目的资助。2022 | 前沿进展

2 研究背景

颜色特征一直以来都是直观的信息载体和检测工具。早在古希腊，人们就已经利用比色法测量了醋中的铁含量。直至今日，比色传感在生物学、环境学等领域已经有了广泛的应用，如测定溶液的折射率、温度、湿度、浓度等。传统的比色传感法主要是依赖特定的物理或者化学反应，最常见的就是粒子聚集法和表面浸润法。这些方法对刺激值的敏感度很低，无法检测到微小刺激值变化带来的颜色改变，不足以达到实际应用中的检测要求。而电介质超构表面中的Mie谐振对外场变化较为敏感，因此有利于提高比色传感的精确度。另一方面，利用超构表面结构色阵列获得不同入射偏振态对应的谐振信息，对于进一步提升比色传感的精确度与鲁棒性具有重要意义。深度学习方法可以高效的从图像中提取高阶特征从而实现高精度图像分类，因此在图像识别领域广受关注。深度学习对特征的高效挖掘能力已成功用于物理量的高精度检测，而深度学习方法与比色方法的结合更利于网络结构提取微小的颜色变化，从而实现更高精度的比色检测。

3 研究创新点

基于反映入射偏振角和反射谱关系的马吕斯方程，研究者可以建立入射偏振与颜色分布的对应关系。为了在正交偏振态下实现高质量的颜色转换，该团队设计了满足等效折射率匹配方程的非对称TiO₂-SiO₂少层电介质纳米柱结构。对比单层TiO₂结构，该堆叠结构可以有效提高颜色的单色性，从而实现饱和度更高的结构色。

独立地调控纳米柱结构 x 轴方向和 y 轴方向的周期和直径尺寸，即可在正交偏振态下实现任意的二元颜色组合，且入射光偏振角度与反射光的颜色变化规律遵循马吕斯定律（图1）。因此，找到颜色变化与入射偏振角度的关系，即可实现量化的比色偏振检测。在实验中，研究团队设计了7×7排列的二元颜色组合的样品阵列来进一步提高偏振检测的精确度与样品制备容差。

图1 （a）堆叠少层纳米柱结构示意图。（b）堆叠少层纳米柱结构的侧视与俯视SEM图。（c）测量和模拟三原色反射谱对应的色品图

为了准确、简便地计算偏振角与颜色变化的关系，他们还利用经典34层残差网络（ResNet-34），对偏振角度和颜色变化进行了特征学习和训练（图2）。训练的数据来源于利用Labview软件自动化拍摄的三个光源的1801个偏振态下的样品颜色图。经过训练与测试，残差网络最终以81.4%的准确率实现了精确度为0.7°的比色偏振检测。若角度精确度降为2.1°，则该网络可以实现准确率为100%精度为2.1°的比色偏振检测。值得说明的是，当网络训练好以后，入射偏振态是可以通过对结构色板单次拍照直接获得的。

图2 （a）34层残差网络示意图。（b）训练集与测试集的损失曲线图。（c）实际偏振角与预测偏振角的混淆矩阵图。（d）不同检测误差下的数据分布柱状图

4 总结与展望该团队的方法并不局限于线性偏振光，通过设计不同偏振态响应的人工微结构，可以拓展至任何可以引起颜色变化的偏振态检测。同时还可以通过增加训练集的数据量与改进网络模型等方式进一步提高网络的泛化能力和预测精度。此方法为偏振检测提供了一个新的范例，有望应用于智能化、集成化光子学应用，如偏振编码通信、疾病快速诊断和可穿戴智能设备等。论文链接：https://doi.org/10.1364/OPTICA.449893

推荐阅读：
编辑 | 方紫璇

END

由于微信公众号试行乱序推送，您可能没办法准时收到“爱光学”的文章。为了让您第一时间看到“爱光学”的新鲜推送， 请您：1. 将“爱光学”点亮星标（具体操作见文末）
2. 多给我们点“在看”

欢迎爆料

新闻线索、各类投稿、观点探讨、故事趣事

留言/邮件，我来让你/事红

爆料请联系：[e-mail]

点在看联系更紧密