AM：用于恶劣照明条件下高效机器视觉的双自适应异质结突触晶体管

背景介绍

机器视觉系统由图像获取，预处理和分析模块组成，这些模块打算像人类视觉系统一样执行检测，处理和识别功能，已成为各种智能场景的最重要方面之一，包括无人驾驶汽车，机器人技术和工业制造等。在获取图像数据时，实际场景中的严酷环境不确定性（例如不均匀的照明和不稳定的视图场）可能会导致捕获的图像包含非理想因素。为了降低硬件的复杂性并提高图像识别效率，需要精确的原位置增强和对非结构化信息的过滤，而不是引入额外的辅助照明。在这方面 - 传感器处理可能提供机会。但是，由于光伏效应或光电导电效应通常会发生，并有助于在光条件下（即阳性光电导率）增加通道电流，仍然需要仔细的光晶体管设备设计来追求光晶体管设备负光电导率（NPC），这对于人工视力适应至关重要。

在获取图像日期后，在以下阶段，深度学习算法（例如卷积神经网络（CNN））为高准确性识别奠定了基础。然而，基础硬件仍然保持静态且不那么复杂，从而导致耗时的培训和学习过程，尤其是向后流动过程鉴于这一点，具有二阶适应性的设备有望成为具有高能量效率和环境鲁棒性的内存计算的突破。在这方面，作为历史活动可以改变当前的突触可塑性的神经稳态机制之一，启发了有效的训练和识别。在转移性中，可以通过刺激调节长期增强（LTP）和长期抑郁（LTD），并且LTP和LTD之间的过渡阈值（θ+）通过先前的刺激（阈值滑动），确定此外，抑制程度（增强的抑郁效应，EDE）也取决于先前和刺激后。这种依赖历史的体重变化现象使生物体能够根据经验适应学习率，从而提高了学习效率。用于实施设备，以前的报告着重于频率依赖性的跨塑性模型，称为Bienenstock, Cooper和Munro（BCM）规则。

此外，面对具有低结构复杂性和丰富功能性的下一代电子设备的要求，可以按需电气/光学重新配置以采用特定功能的多功能设备，是解决复杂任务的适应性计算的有希望的硬件平台。此外，将多个功能集成到一个设备中具有集成成本和规模的优势，并且可以简化外部电路并减少由不同设备之间的数据传输引起的延迟时间。因此，在恶劣的照明条件下，高度希望使用可以简化硬件复杂性的光自适应和二阶自适应函数的双自动光电设备开发，可以简化硬件复杂性。

本文亮点

1. 本工作报告了一个双重适应性的有机异质结晶体管作为系统中的工作单元，该单元促进了精确的对比度增强，并在恶劣的照明条件下提高了收敛速度。

2. 通过在机器视觉系统中利用晶体管阵列，可以在0.4％的低对比度图像中突出显示细节和边缘，并且还可以实现93.8％的高识别精度，并显着促进收敛率约5次。

图文解析

图1. 基于有机异质结晶体管的提议机器视觉系统的示意图。a）系统集成了图像预处理和识别功能。b）光自适应阈值滑动的示意图，c）二阶自适应跨性质，d）有机异质结晶体管的设备结构。

图2. 有机异晶晶体管的表征。a）PTCDI-C13和五烯/PTCDI-C13界面样品的表面形态。b）用PTCDI-C13和PTCDI-C13和五烯/PTCDI-C13界面（光强度：1 MW CM-2），样品中样品的相应表面电势和代表性的表面电势图。比例尺，5 µm。c）五苯/PTCDI-C13系统的UPS光谱。d）转移曲线和e）设备负区域的输出曲线。

图3. 有机异质结晶体管的突触可塑性。a）具有负栅极脉冲的不同刺激的设备的传递曲线。b）具有不同VGS振幅的设备的PSC。c）计算出的∆PSC是负栅极脉冲的函数。d）设备不同电流水平的保留属性。E）设备的LTP/LTD曲线。f）在不同负VR处设备的VTR和Vθ +。计算出的∆PSC作为g）正栅极脉冲的函数和h）VG的峰值持续时间。i）具有不同VDS振幅的设备的PSC。

图4. 有机异质结晶体管中的光响应和化生性。a）五苯，PTCDI-C13的薄膜的吸收光谱及其异质结。b）在不同的照明强度下，设备的传输曲线。c）设备的PSC是由不同的照明强度触发的。d）在不同的照明强度下滑动的照片自适应阈值滑动。e）设备的历史依赖性突触可塑性（VDS = -3 V，VR = 0 V，TD = 1 s）。h）在有机异质结晶体管中实现的跨塑性。

图5. 用于图像预处理和识别的有机异质结晶体管。a）对比度增强，特征提取和低对比度图像的对比度增强，特征提取和分类的预处理和图像识别过程的示意图。我们实验室“一个实验室”的徽标图像b）原始图像，c）具有不均光与低合同的非理想图像以及d）有机异质结晶体管处理的图像。e）具有不同架构的CNN的识别精度。MNIST数据集的5个时期的混淆矩阵（准确性：40.1％）和g）me-lenet-5（准确性：86.9％）。h）CNN具有不同体系结构的损耗函数。.I）ME-LENET-5的识别准确性对于具有和不进行预处理的低对比度数据集的识别精度。J）在100个时期的混淆矩阵（准确性：93.8％）和K）对预处理的低对比度数据集的Melenet-5回忆。