Under de senaste decennierna har datavetare utvecklat alltmer sofistikerade sensorer och algoritmer för maskininlärning som gör det möjligt för datorsystem att bearbeta och tolka bilder och videor. Denna teknikdrivna förmåga, även kallad maskinvision, har visat sig vara mycket fördelaktig för tillverkning och produktion av livsmedel, drycker, elektronik och olika andra varor.
Maskinvision kan möjliggöra automatisering av olika tidskrävande steg inom industri och tillverkning, såsom upptäckt av defekter, inspektion av elektronik, bildelar eller andra artiklar, verifiering av etiketter eller utgångsdatum och sortering av produkter i olika kategorier.
Även om sensorerna som ligger till grund för funktionen hos många tidigare introducerade maskinvisionssystem är mycket sofistikerade, bearbetar de vanligtvis inte visuell information med samma detaljrikedom som den mänskliga näthinnan (dvs. en ljuskänslig vävnad i ögat som bearbetar visuella signaler).
De flesta sensorer som hittills använts är bildbaserade eller händelsebaserade. Bildbaserade sensorer är utformade för att ta bilder med specifika intervall, medan händelsebaserade sensorer registrerar förändringar i ljusstyrka hos enskilda pixlar. Det är värt att notera att ingen av dessa sensortyper ännu är lika snabba och anpassningsbara som den mänskliga näthinnan.
Forskare vid Kinesiska vetenskapsakademin, Sino-Danish Center for Education and Research och andra institut har nyligen utvecklat en sensorenhet som speglar näthinnans skiktade struktur. Den föreslagna enheten, som presenterades i en artikel publicerad i Nature Nanotechnology, är en fotodiod (PD), en halvledarenhet som kan omvandla ljus till elektrisk ström.
”Nuvarande maskinvisionssensorer, inklusive bildbaserade och händelsebaserade typer, brister ofta på grund av sin begränsade tidsdynamik jämfört med den mänskliga näthinnan, vilket hindrar deras totala prestanda och anpassningsförmåga”, skrev Qijie Lin, Congqi Li och deras kollegor i sin artikel.
”Vi presenterar en händelsestyrd retinomorf fotodiod (RPD) som efterliknar näthinnans skiktade struktur och signalväg. RPD uppnår detta genom att vertikalt integrera en organisk donator-acceptor-heterojunktion, en jonreservoar med en porös nätliknande morfologi och en Schottky-övergång i en enda diod genom kontrollerad skikt-för-skikt-tillverkning och precis nanostrukturmodulering.”
Den näthinneinspirerade enheten som forskarna har utvecklat har tre viktiga komponenter. Dessa är en organisk donor-acceptor-heterojunktion, en jonreservoar gjord av porösa nanostrukturer och en Schottky-övergång.
Den första är i huvudsak en övergång mellan två organiska halvledare som underlättar överföringen av elektrisk laddning. Jonreservoaren är en svampliknande struktur som kan lagra och frigöra joner, vilket i slutändan efterliknar hur biologiska vävnader använder joner för att överföra signaler. Slutligen är Schottky-övergången ett gränssnitt som bildas mellan en halvledare och metall som gör att elektrisk ström kan flöda smidigt i en riktning men inte i den andra.
”Varje komponent replikerar en viktig process i näthinnan, och deras spontana interaktion resulterar i en miljöanpassad dynamik”, skriver Lin, Li och deras kollegor. ”Denna design ger ett dynamiskt omfång på över 200 dB, minskar brus och dataredundans avsevärt och möjliggör hög densitetsintegration. Vi visar att dessa förbättringar möjliggör högkvalitativ maskinvision, även under extrema ljusförhållanden.”
I de första testerna uppnådde den nya RPD som utvecklats av Lin, Li och deras kollegor mycket lovande resultat och överträffade andra PD som tidigare testats i maskinvisionsuppgifter. I framtiden kan den nya enheten förbättras ytterligare och tillämpas på ett brett spektrum av maskinvisionsuppgifter i verkligheten.
”Vårt arbete visar på en bottom-up-strategi för retinomorfa sensorer, vilket driver på utvecklingen av robusta och responsiva maskinvisionssystem som kan anpassas till komplexa och dynamiska ljusmiljöer”, skriver författarna.
Mer information: Qijie Lin et al, Event-driven retinomorphic photodiode with bio-plausible temporal dynamics, Nature Nanotechnology (2025). DOI: 10.1038/s41565-025-01973-6
