计算微光谱仪的快速现场校准,使用几次拍摄的元学习

科学领域:

• 光学和光子学 在光学和光子学.
• 计算成像技术的成像
• 机器学习 机器学习

背景情况:

• 计算型微光谱仪为现场应用提供紧的快照光谱成像.
• 制造偏差和环境因素需要有效的光谱仪校准.
• 目前的校准方法耗时且昂贵,阻碍了实际使用.

研究的目的:

• 开发一个元学习算法,以高效和经济有效地校准具有制造偏差的微光谱仪.
• 为了消除测量光谱编码函数或使用大型标准样本集的需求.

主要方法:

• 提出了一个超学习算法,利用模拟数据的先前知识.
• 使用了具有16种法布里-佩罗特波器类型 (550-720nm范围) 的微光谱仪,显示高达6nm的中心波长偏差.
• 使用有限数量的颜色数据样本 (15-24) 校准了设备.

主要成果:

• 实现了平均重建误差的显著降低,从7.2x10^-3降至1.2x10^-3 (15个样本) 和9.4x10^-4 (24个样本).
• 校准性能与需要测量编码功能的方法相提并论.
• 估计与基于单色仪的方法相比,在现场校准的成本减少了十倍.

结论:

• 超级学习有效地使用最小的数据校准具有制造偏差的微光谱仪.
• 拟议的方法显著提高校准效率,降低成本.
• 促进了微光谱仪的大规模生产和广泛的现场应用.