Atualmente, o aprendizado profundo está aumentando os interesses de pesquisa e levando a uma mudança de paradigma da modelagem baseada em física para o aprendizado orientado a dados no campo da metrologia óptica. Cientistas na China e Cingapura publicaram um artigo de revisão intitulado "Deep learning in Optical Metrology:a review" em Light:Science &Applications . Eles fornecem uma revisão abrangente do aprendizado profundo em várias tarefas de metrologia óptica, revelando que os métodos de aprendizado profundo específicos do problema, na maioria dos casos, superam consideravelmente seus predecessores baseados em modelos físicos.
A metrologia óptica é a ciência e a tecnologia de fazer medições com o uso de luz como padrões ou portadores de informações. Embora a metrologia óptica seja uma área de rápido crescimento, não é uma disciplina nova. O desenvolvimento das ciências físicas foi impulsionado desde o início por técnicas de metrologia óptica. Em troca, a metrologia óptica foi revolucionada pela invenção do laser, dispositivo acoplado carregado (CCD) e computador, desenvolvendo-se em um campo amplo e interdisciplinar relacionado a diversas disciplinas, como fotomecânica, engenharia óptica, visão computacional e imagem computacional.

Recentemente, o aprendizado profundo (DL), um subcampo do aprendizado de máquina, vem ganhando grande atenção por suas extensas aplicações e tremendos sucessos em visão computacional, processamento de linguagem natural e diagnóstico auxiliado por computador. Enquanto isso, os gigantes da tecnologia Google, Facebook, Microsoft, Apple e Amazon acenderam a "arte" da manipulação de dados e desenvolveram estruturas de aprendizado profundo de código aberto e fáceis de usar. O aprendizado profundo deixou os corredores da academia muito rapidamente e está pronto para remodelar uma série de empresas em vários setores. Diante do grande sucesso do aprendizado profundo nessas áreas relacionadas, os pesquisadores em metrologia óptica não conseguiram conter suas curiosidades em relação à adoção dessa tecnologia para ampliar ainda mais os limites da metrologia óptica e fornecer novas soluções para enfrentar os próximos desafios na busca perpétua de maior precisão, sensibilidade, repetibilidade, eficiência, velocidade e robustez.

Em um artigo de revisão recente publicado em Light Science &Application , as equipes de pesquisa lideradas pelo professor Chao Zuo do Laboratório de Imagem Computacional Inteligente (SCI) da Universidade de Ciência e Tecnologia de Nanjing, China, e o professor Kemao Qian da Escola de Ciência da Computação e Engenharia da Universidade Tecnológica de Nanyang, Cingapura, apresentaram uma visão geral do o status atual e os últimos progressos da aplicação de DL em metrologia óptica. Nesta revisão, eles resumiram sistematicamente técnicas clássicas e algoritmos de processamento de imagem em metrologia óptica e discutiram as vantagens técnicas do uso de DL em tarefas de metrologia óptica interpretando o conceito como um problema de otimização. Em seguida, foi fornecida uma revisão abrangente de aplicações específicas de DL em várias tarefas de metrologia óptica. Os desafios e direções futuras das técnicas de DL no campo da metrologia óptica também foram apontados e vislumbrados.

Os métodos de metrologia óptica geralmente formam imagens (por exemplo, padrões de franjas/manchas) para processamento. Eles podem fornecer medições de campo completo em escalas que variam de milímetros a nanômetros com alta velocidade, sensibilidade, resolução e precisão. Em geral, a tarefa da metrologia óptica é obter o parâmetro de amostra desejado das imagens observadas, que é um problema inverso típico associado a muitos problemas desafiadores, como incompatibilidade de modelo, acúmulo de erros e má postura. Nos campos de visão computacional e imagem computacional, a abordagem clássica para resolver um problema inverso mal colocado é a regularização, que reformula o problema original em um problema bem colocado, impondo suposições prévias sobre a solução.

Em contraste, na metrologia óptica, devido ao fato de que as medições ópticas são frequentemente realizadas em um ambiente altamente controlado, os pesquisadores preferem reformular o problema original mal colocado em um problema de regressão bem colocado e adequadamente estável, controlando ativamente a imagem processo de aquisição. No entanto, para muitas aplicações desafiadoras, condições operacionais adversas podem tornar essas estratégias ativas um pedido luxuoso ou até mesmo irracional. Sob tais condições, o aprendizado profundo é particularmente vantajoso para resolver esses problemas de metrologia óptica porque as estratégias ativas são deslocadas do estágio de medição real para o estágio de preparação (treinamento de rede), e o "algoritmo de reconstrução" pode ser aprendido diretamente dos dados experimentais. Se os dados de treinamento são coletados sob o ambiente que reproduz as condições experimentais reais, e a quantidade de dados é suficiente, o modelo treinado deve refletir a realidade de forma mais precisa e abrangente, e espera-se que produza melhores resultados de reconstrução do que o modelo físico convencional. abordagens baseadas.

Devido às vantagens acima mencionadas, a DL vem ganhando cada vez mais atenção na metrologia óptica, revolucionando o conceito de metrologia óptica e reinventando quase todas as tarefas fundamentais do processamento digital de imagens em metrologia óptica. O aprendizado profundo tem gradualmente "penetrado" em quase todos os aspectos da metrologia óptica, mostrando desempenho promissor e grande potencial em análise de franjas, recuperação de fases, desdobramento de fases, etc.

No entanto, os autores apontaram que o aprendizado profundo ainda está em estágio inicial de desenvolvimento para suas aplicações em metrologia óptica e desafios significativos permanecem neste campo. Como ferramenta indispensável em inspeção industrial, diagnóstico médico e pesquisa científica, é fundamental garantir que os resultados obtidos pelos métodos de metrologia óptica sejam confiáveis, repetíveis e rastreáveis. No entanto, DL é muitas vezes considerado como "caixas pretas" sem fundamentação teórica para explicar claramente por que uma determinada estrutura de rede é eficaz em uma determinada tarefa ou não, o que pode causar graves consequências. Além disso, o DL aprende e extrai as características "comuns" das amostras de treinamento, mas isso pode levar a resultados insatisfatórios ao se deparar com "amostras raras", pois a informação não pode "nascer do nada".

"O progresso da ciência vem da exploração contínua para resolver o desconhecido." Os insights que demonstram possíveis rotas para o desenvolvimento de DL em metrologia óptica foram previstos:

1. Aproveitar tecnologias mais emergentes de DL para metrologia óptica pode promover e acelerar o reconhecimento e a aceitação de DL em mais aplicações.
2. A combinação de estatísticas Bayesianas com DL para obter estimativas quantitativas de incerteza permite avaliar quando DL produz previsões não confiáveis.
3. Espera-se que uma sinergia dos modelos baseados em física que descrevem o conhecimento a priori e os modelos baseados em dados que aprendem uma regularização a partir dos dados experimentais forneça soluções fisicamente mais plausíveis para a metrologia óptica.

“O aprendizado profundo substituirá o papel das tecnologias tradicionais no campo da metrologia óptica nos próximos anos? ainda um 'outsider' ou novo neste campo. Nós encorajamos você a experimentá-lo! É fácil e geralmente funciona."