使用轻量级神经网络进行边缘部署的LC充满设备的实时细胞间隙估计
Chi-Yen Huang1, You-Lun Zhang2, Su-Yu Liao2
1Graduate Institute of Photonics, National Changhua University of Education, Changhua 50007, Taiwan.
Nanomaterials (Basel, Switzerland)
|August 27, 2025
概括
一个新的机器学习模型准确地从传输光谱中测量液晶 (LC) 细胞间隙. 这种轻量级的框架可以实现光学设备的便携式实时质量控制.
科学领域:
- 光电子产品
- 材料科学
- 机器学习
背景情况:
- 精确的液晶细胞间隙测量对于光学设备的性能至关重要.
- 液晶电池中的双断层物质会扭曲传输光谱,阻碍传统分析.
研究的目的:
- 开发一个轻量级的机器学习框架来估计从传输光谱的LC细胞间隙.
- 为了在充满的LC细胞中准确,非破坏性地确定细胞间隙.
主要方法:
- 在实验获得的传输光谱上训练了一种浅层多层感知子 (MLP) 模型.
- 峰值对峰值干扰测量为训练提供了基准真实细胞间隙值.
- 系统地评估了优化算法,激活函数和神经元配置.
主要成果:
- 最佳的MLP模型实现了接近1的相关系数和0.1μm以下的根平均平方误差 (RMSE).
- 该模型在低延迟和资源消耗的Raspberry Pi 4上演示了实时推断.
- 部署成功验证了基于边缘的便携式应用程序的模型.
结论:
- 一个轻量级的MLP框架提供了从传输光谱中准确而高效的LC细胞间隙估计.
- 开发的系统适用于基于LC的光学应用中的现场诊断和质量控制.
- 基于边缘的部署可以实现便携式和实时检查功能.
