DOSSIER
OPTRONIQUE & infrarouge
de ce circuit, pour l’ imageur intégrant du BS, en termes de vitesse de lecture, de consommation et de gamme dynamique.
QUAND L’ IA ENTRE EN JEU Nous avons développé des architectures de réseaux de neurones optimisés, capables de traiter les flux de données brutes en temps réel, en s’ adaptant aux contraintes strictes des supports embarqués( NVIDIA Jetson, Raspberry Pi, FPGA, etc.). Pour les besoins des marchés adressés- défense, spatial et automobile en particulier- cette démarche s’ inscrit dans la thématique d’« IA frugale », qui vise à concevoir des modèles d’ intelligence artificielle sobres en termes de données, de calcul et de consommation énergétique, tout en conservant des performances adaptées à une application donnée.
En injectant une image dans un réseau profond optimisé, l’ architecture du modèle permet d’ isoler l’ information pertinente avec précision, garantissant une restauration du signal brut supérieure aux méthodes de filtrage conventionnelles. In fine, l ' algorithme ajuste le rendu ou applique les corrections nécessaires en s ' appuyant sur un ensemble de paramètres— les poids— rigoureusement calibrés durant la phase d ' apprentissage.
Les performances des réseaux de neurones, particulièrement en vision par ordinateur, reposent essentiellement sur la qualité des images et des vidéos utilisées lors de l’ entraînement. Ces données doivent être acquises en très grande quantité( plusieurs milliers d’ images / trames vidéos) et représenter des scénarios réalistes d’ utilisation d’ une caméra.
Afin de guider un entraînement supervisé de réseau de neurones de rehaussement ou de débruitage, il est nécessaire d’ avoir des images ou vidéos sous forme de paires( paired data). Chaque image « Nuit »( scène nocturne, bruitée) doit être associée à une image « Jour » de référence, dite « vérité terrain »( ground truth). C’ est
Figure 6. Comparaison entre une image d’ une mire USAF 1951 d’ un capteur de référence( gauche) et celle d’ un capteur BS avec traitement d’ image( droite).
ce couplage qui permet de guider le réseau durant l’ entraînement; il apprendra à passer d’ une image sombre et / ou bruitée à une image claire et / ou débruitée. Ces données sont organisées en bases de données( ou datasets), en libre accès ou non et nous avons fait le choix de construire nos propres bases de données.
Un dispositif adapté d’ enregistrement de bases de données garantit une parfaite cohérence entre les données d’ acquisition et les conditions opérationnelles réelles. En respectant la physique du bruit propre à l’ imageur en basse luminosité, le jeu de données ainsi constitué permet une calibration spécifique de l’ apprentissage des réseaux de neurones, assurant ainsi des performances optimales. L’ association de la technologie BS et du traitement d’ image permet d’ étendre les capacités d’ un capteur en conditions de très faible luminosité. Les images traitées( Figure 6) présentent un meilleur rapport signal sur bruit( 19,72dB pour l’ image du capteur de référence contre 21,19dB
RÉFÉRENCES
[ 1 ] C. Wu et al., Appl. Phys. Lett. 78, 1850( 2001), doi: 10.1063 / 1.1358846
pour l’ image traitée du capteur BS) et une meilleure qualité d’ image au global.
Ce couplage hardware et software permet d’ optimiser le signal à chaque étape de la chaîne d’ acquisition. Cette approche hybride augmente à la fois la qualité de la visualisation et accroît l’ efficacité des traitements d’ image additionnels pour la détection, la reconnaissance ou la segmentation. Les enjeux technologiques sont donc majeurs, et ouvrent la voie à un large éventail d’ applications.
CONCLUSION Disposer de capacités numériques de vision à bas niveau de lumière, reposant sur des technologies que l’ on peut positionner à l’ échelle industrielle et pour lesquelles des perspectives de production en volume existent, est un enjeu majeur pour nombre de domaines civils – automobile, médical, industrie, spatial – et pour la défense. Nous avons fait le choix de combiner un procédé qui transforme, à l’ échelle nanométrique, le matériau de choix de l’ industrie microélectronique – le silicium – avec du traitement d’ image pour répondre à cette demande. Dans le futur, l’ embarquabilité des algorithmes permettant le réhaussement de contraste, le débruitage et des fonctions plus évoluées de détection, reconnaissance et identification, au plus près du capteur d’ image ou directement dans les circuits CMOS(« Edge computing ») permettront d’ accroître les performances et l’ autonomie énergétique des systèmes d’ imagerie.
[ 2 ] F. Atteia et al., Mater. Res. Bull. 131, 110973( 2020), doi: 10.1016 / j. materresbull. 2020.110973
[ 3 ] T. Midavaine, Imagerie à bas niveau de lumière- Fondamentaux et perspectives, Opt. Photonique( 2012), doi: 10.51257 / a-v1-e6570
[ 4 ] S. Ma et al., AIP Adv. 8( 3), 035010( 2018), doi: 10.1063 / 1.5018642 [ 5 ] Bao, et al., Nature 619.7971, 743( 2023)
50 www. photoniques. com I Photoniques 138