A través del uso innovador de una red neuronal que imita el procesamiento de imágenes por parte del cerebro humano, un equipo de investigación informa una reconstrucción precisa de las imágenes transmitidas a través de fibras ópticas para distancias de hasta un kilómetro.
En la revista de la Optical Society para investigaciones de alto impacto Óptica , los investigadores informan que han enseñado un tipo de algoritmo de aprendizaje automático conocido como red neuronal profunda para reconocer imágenes de números a partir del patrón de motas que crean cuando se transmiten al otro extremo de una fibra. El trabajo podría mejorar las imágenes endoscópicas para el diagnóstico médico, aumentar la cantidad de información transportada a través de las redes de telecomunicaciones de fibra óptica, o aumentar la potencia óptica entregada por las fibras.
"Usamos arquitecturas modernas de redes neuronales profundas para recuperar las imágenes de entrada de la salida codificada de la fibra", dijo Demetri Psaltis, del Instituto Federal Suizo de Tecnología de Lausana, quien dirigió la investigación en colaboración con su colega Christophe Moser.que esto es posible para fibras de hasta 1 kilómetro de largo ", agregó, calificando el trabajo como" un hito importante ".
Descifrando el desenfoque
Las fibras ópticas transmiten información con luz. Las fibras multimodo tienen una capacidad de transporte de información mucho mayor que las fibras monomodo. Sus numerosos canales, conocidos como modos espaciales porque tienen diferentes formas espaciales, pueden transmitir diferentes flujos de información simultáneamente.
Si bien las fibras multimodo son adecuadas para transportar señales basadas en la luz, la transmisión de imágenes es problemática. La luz de la imagen viaja a través de todos los canales y lo que sale por el otro extremo es un patrón de motas que el ojo humano no puede decodificar.
Para abordar este problema, Psaltis y su equipo recurrieron a una red neuronal profunda, un tipo de algoritmo de aprendizaje automático que funciona de manera muy similar a como lo hace el cerebro. Las redes neuronales profundas pueden brindar a las computadoras la capacidad de identificar objetos en fotografías y ayudar a mejorar el hablasistemas de reconocimiento. La entrada se procesa a través de varias capas de neuronas artificiales, cada una de las cuales realiza un pequeño cálculo y pasa el resultado a la siguiente capa. La máquina aprende a identificar la entrada al reconocer los patrones de salida asociados con ella.
"Si pensamos en el origen de las redes neuronales, que es nuestro propio cerebro, el proceso es simple", explica Eirini Kakkava, una estudiante de doctorado que trabaja en el proyecto. "Cuando una persona mira fijamente un objeto, las neuronas delEl cerebro se activa, lo que indica el reconocimiento de un objeto familiar. Nuestro cerebro puede hacer esto porque se entrena a lo largo de nuestra vida con imágenes o señales de la misma categoría de objetos, lo que cambia la fuerza de las conexiones entre las neuronas ".red neuronal, los investigadores siguen esencialmente el mismo proceso, enseñando a la red a reconocer ciertas imágenes en este caso, dígitos escritos a mano hasta que pueda reconocer imágenes en la misma categoría que las imágenes de entrenamiento que no ha visto antes.
Aprendiendo por los números
Para entrenar su sistema, los investigadores recurrieron a una base de datos que contenía 20,000 muestras de números escritos a mano, del 0 al 9. Seleccionaron 16,000 para usar como datos de entrenamiento, y reservaron 2,000 para validar el entrenamiento y otros 2,000 para probar el sistema validado. Utilizaron un láser para iluminar cada dígito y enviaron el haz de luz a través de una fibra óptica, que tenía aproximadamente 4500 canales, a una cámara en el extremo más alejado. Una computadora midió cómo variaba la intensidad de la luz de salida a través de la imagen capturada, yrecopilaron una serie de ejemplos para cada dígito.
Aunque los patrones de moteado recopilados para cada dígito parecían iguales para el ojo humano, la red neuronal pudo discernir las diferencias y reconocer los patrones de intensidad asociados con cada dígito. Las pruebas con las imágenes apartadas mostraron que el algoritmo alcanzó el 97,6 por cientoprecisión para imágenes transmitidas a través de una fibra de 0,1 metros de largo y 90 por ciento de precisión con una longitud de fibra de 1 kilómetro.
un método más simple
Navid Borhani, miembro del equipo de investigación, dice que este enfoque de aprendizaje automático es mucho más simple que otros métodos para reconstruir imágenes pasadas a través de fibras ópticas, que requieren realizar una medición holográfica de la salida. La red neuronal también pudo hacer frente a distorsionescausada por alteraciones ambientales de la fibra, como fluctuaciones de temperatura o movimientos causados por corrientes de aire que pueden agregar ruido a la imagen, una situación que empeora con la longitud de la fibra.
"Se espera que la notable capacidad de las redes neuronales profundas para recuperar información transmitida a través de fibras multimodo beneficie los procedimientos médicos como las aplicaciones de endoscopia y comunicaciones", dijo Psaltis. Las señales de telecomunicaciones a menudo tienen que viajar a través de muchos kilómetros de fibra y pueden sufrir distorsiones, queeste método podría corregir. Los médicos podrían usar sondas de fibra ultradelgada para recolectar imágenes de los tractos y arterias dentro del cuerpo humano sin necesidad de grabadoras holográficas complejas o sin preocuparse por el movimiento. "Los movimientos leves debido a la respiración o la circulación pueden distorsionar las imágenes transmitidas a través de una fibra multimodo", Dijo Psaltis. Las redes neuronales profundas son una solución prometedora para lidiar con ese ruido.
Psaltis y su equipo planean probar la técnica con muestras biológicas, para ver si funciona tan bien como leer números escritos a mano. Esperan realizar una serie de estudios utilizando diferentes categorías de imágenes para explorar las posibilidades y los límites de su técnica.
Fuente de la historia :
Materiales proporcionados por La sociedad óptica . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :