Amplio rango dinámico y real | Grupo de máquinas de producción de petróleo de Shaoxing

Scientific Reports volumen 13, número de artículo: 12743 (2023) Citar este artículo

287 Accesos

Detalles de métricas

En este estudio, proponemos una técnica para identificar y obtener imágenes de reactivos mediante blindaje en un amplio rango dinámico utilizando un sistema de espectroscopia de terahercios (THz) en tiempo real con generación/detección paramétrica de THz de múltiples longitudes de onda y aprendizaje automático. Para identificar rápidamente los reactivos a través del blindaje, la información espectral del "haz de Stokes de detección" se utiliza para el reconocimiento de reactivos mediante aprendizaje automático. En la identificación general de reactivos basada en ondas THz, los espectros continuos se adquieren y analizan cuantitativamente mediante posprocesamiento. Sin embargo, en aplicaciones reales, como las pruebas de detección de drogas ilícitas en el correo, la tecnología debe poder identificar rápidamente los reactivos en lugar de cuantificar la cantidad presente. En la generación/detección paramétrica de THz de múltiples longitudes de onda, la información espectral de THz se puede medir instantáneamente utilizando un “haz de Stokes de detección de múltiples longitudes de onda” y una cámara de infrarrojo cercano (NIR). Además, el aprendizaje automático permite la identificación de reactivos en tiempo real y en un amplio rango dinámico. Además, al trazar los resultados de la identificación como valores de píxeles, se pueden obtener imágenes de la distribución espacial de los reactivos a alta velocidad sin necesidad de posprocesamiento.

Debido a que las ondas de terahercios (THz) tienen tanto el espectro de huellas dactilares de los reactivos como la transparencia del material, se espera que sean especialmente útiles para la identificación de objetos ocultos (por ejemplo, pruebas de drogas ilícitas o explosivos escondidos en el correo)1,2,3. Sin embargo, dado que la transparencia de las ondas THz no es muy alta, se requiere un espectrómetro en tiempo real4,5 con un alto rango dinámico. También es esencial que el rendimiento espectroscópico no se vea afectado por la dispersión de las ondas de THz por el blindaje.

Los métodos que se han propuesto para la medición en tiempo real incluyen el uso de una fuente de frecuencia única6,7,8, espectroscopía en el dominio del tiempo de THz (THz-TDS)9,10,11 y sembrado inyectado de conmutación rápida de múltiples longitudes de onda. Generación paramétrica de THz12,13,14,15,16.

Nuestra investigación se ha centrado en el desarrollo de espectrómetros de THz, basados principalmente en el generador paramétrico de THz sembrado por inyección (is-TPG)16,17. Debido a que el is-TPG es una fuente sintonizable en longitud de onda, el tiempo de medición aumenta con el número de longitudes de onda involucradas. Además, la obtención de imágenes espectroscópicas requiere varias horas de medición, así como un posprocesamiento de las imágenes obtenidas. Por lo tanto, existe la necesidad de espectroscopia de un solo disparo e identificación en tiempo real que puedan acortar significativamente el tiempo de medición. Propusimos un sistema is-TPG de generación/detección de múltiples longitudes de onda y obtuvimos espectros con éxito de una sola vez15,16; sin embargo, aún no se ha realizado la identificación automática en tiempo real. Por lo tanto, en este estudio aplicamos el aprendizaje automático18 para la identificación de espectros obtenidos de una sola vez. El objetivo era idear un sistema práctico para identificar rápidamente reactivos, incluso a través de escudos gruesos con tasas de atenuación de -60 dB. Además, al utilizar este sistema de imágenes espectroscópicas, la información de cada píxel se puede identificar instantáneamente, lo que permite determinar la distribución espacial de los reactivos en un área de 40 × 40 mm2 en unas pocas decenas de segundos.

En la Fig. 1 se muestra una descripción general de un sistema de espectroscopía de THz que utiliza un is-TPG. Cuando los haces semilla de múltiples longitudes de onda se inyectan en el cristal con el haz de bomba, se generan ondas de THz de múltiples longitudes de onda15,16. La detección paramétrica de THz19 también es posible mediante la secuencia de generación inversa, en la que se utilizan ondas multi-THz como haces semilla y se generan “haces Stokes de detección” NIR que luego son capturados por una cámara. Los ángulos de generación de los haces de Stokes de detección están determinados por las ondas THz detectadas de acuerdo con la condición de coincidencia de fases no colineal. Por lo tanto, la espectroscopia de un solo disparo se logra convirtiendo los ángulos de generación de detección de los haces de Stokes en frecuencias de ondas de THz. Dado que se puede seleccionar una frecuencia que evite la línea de absorción de vapor de agua en la generación de múltiples longitudes de onda, no se realiza la purga con aire seco.

Sistema espectroscópico en tiempo real que combina aprendizaje automático y generación/detección paramétrica de terahercios (THz) de múltiples longitudes de onda. Utilizamos una cámara (FLIR, GS3-U3-41C6NIR-C) sincronizada con el láser de bomba, con un tiempo de exposición de 30 ms y una velocidad de fotogramas de 20 Hz, para la adquisición de datos. A la derecha se muestra una descripción general de la espectroscopia en tiempo real y la obtención de imágenes de reactivos a alta velocidad.

En esta sección, describimos el método de identificación de reactivos utilizado en este estudio. Para nuestro espectrómetro de THz informado anteriormente con una sola longitud de onda es-TPG16, la salida del haz de detección de Stokes se midió mediante un detector piroeléctrico NIR con un amplificador de bloqueo. Sin ajustar la intensidad cambiando el filtro de densidad neutra, se obtuvo un amplio rango dinámico de casi 80 dB (en términos de intensidad de onda de THz). Por otro lado, en el is-TPG de múltiples longitudes de onda, se utiliza una cámara NIR en lugar de un detector piroeléctrico NIR para medir la salida del “haz de Stokes de detección de múltiples longitudes de onda” con diferentes ángulos de generación. Se han utilizado cámaras NIR para adquirir el haz de Stokes de detección15; sin embargo, en estos casos, la intensidad de la onda THz se convierte a un valor numérico a partir de la imagen de la cámara NIR y luego se analiza. No se tolera la saturación, ya que no se pueden obtener más cambios numéricos una vez que la intensidad satura la cámara. Por lo tanto, el rango dinámico del sistema en estudios anteriores estaba limitado por el rango dinámico más estrecho de la cámara en comparación con el detector piroeléctrico, que era de aproximadamente 40 dB, como se muestra en la Fig. 2a. Además, si las imágenes del haz de Stokes de detección en longitudes de onda adyacentes se superponen al medir las longitudes de onda múltiples con una cámara, la salida se convierte en una mezcla de información en diferentes longitudes de onda y el espectro no se puede medir con precisión. Por lo tanto, es necesario separar los haces para que no se superpongan, de modo que el espaciado de longitudes de onda sea mayor.

Evaluación del rango dinámico de un sistema de espectroscopía THz. (a) Método convencional, en el que la intensidad del haz de Stokes de detección en cada longitud de onda se trata como un valor numérico y solo se pueden inyectar haces no saturados. (b) Con el nuevo método, la saturación no es un problema porque se utiliza el reconocimiento de imágenes, lo que permite la identificación de reactivos en un amplio rango dinámico.

En esta investigación, la información espectral del haz de Stokes de detección en cada longitud de onda es reconocida directamente a partir de la imagen de la cámara por una red neuronal convolucional (CNN)20, que es un tipo de red neuronal profunda, sin convertir la información en valores numéricos. Por lo tanto, la CNN extrae las características de cada imagen para su aprendizaje e identificación. Si las imágenes del haz de Stokes de detección de múltiples longitudes de onda obtenidas de la cámara contienen diferentes características para cada reactivo, pueden identificarse mediante aprendizaje automático. Por lo tanto, la información de absorción cuantitativa obtenida como un valor numérico no es necesaria, y la superposición de los haces de Stokes de detección en longitudes de onda adyacentes y saturación no son problemáticas. Se puede construir un sistema de espectroscopía THz con un amplio rango dinámico capaz de discriminar muestras con atenuación baja a alta inyectando el haz de Stokes de detección sin preocuparse por la saturación. Como se muestra en la Fig. 2b, los cambios en el haz de Stokes de detección se capturaron desde 0 dB (sin blindaje) a - 60 dB (a través de blindaje pesado). En comparación con el caso sin reconocimiento de imágenes, el rango dinámico mejoró en > 20 dB.

La discriminación espectral en tiempo real se realizó utilizando el sistema propuesto. Como muestras de medición se utilizaron cuatro reactivos: maltosa, Al(OH)3, lactosa y glucosa; sus espectros se muestran en la Fig. 3. Los espectros de absorción se midieron utilizando la detección paramétrica de THz después de que la salida de onda de THz del is-TPG normal se enfocó y se transmitió a través de una muestra colocada en el punto focal. Se comprimió y peletizó una mezcla de 75 mg de polietileno en polvo y 75 mg de cada reactivo en una prensa manual. Cada muestra fue identificada en ausencia de blindaje, a través de dos láminas de cartón (atenuación a 1,4 THz: − 30 dB), a través de cuero natural (atenuación a 1,4 THz: − 50 dB), y a través de una capa de cuero natural y una capa de cuero sintético (atenuación a 1,4 THz: − 60 dB). Se utilizaron cuatro frecuencias (1,12, 1,21, 1,37 y 1,44 THz; indicadas por las líneas rojas en la Fig. 3) para las mediciones basadas en el espectro de absorción de cada reactivo.

Espectros de absorción de reactivos y blindaje utilizados para las mediciones espectroscópicas, cuyos resultados se muestran en la Fig. 4.

Para identificar reactivos a través de cualquier tipo de blindaje, es necesario entrenar previamente a la CNN con datos de medición obtenidos bajo diversas tasas de atenuación. Por lo tanto, se utilizaron como datos de entrenamiento un total de 1650 imágenes del haz de Stokes de detección, obtenidas durante las mediciones de los reactivos en varios números de hojas de papel de copia (0-21 con un incremento de 3). En este momento, se prepararon múltiples gránulos para cada reactivo y no se mezclaron los gránulos para adquirir datos de entrenamiento y los utilizados para la identificación. Como se muestra en la Fig. 2, las imágenes de los haces de Stokes de detección eran significativamente diferentes dependiendo de la tasa de atenuación (baja frente a alta), y existía la preocupación de que el blindaje reduciría la precisión de la discriminación, incluso para mediciones espectroscópicas del mismo reactivo. Por lo tanto, preparamos clases de alta y baja atenuación para cada reactivo y clasificamos los objetivos en nueve categorías, incluida una en la que no se insertó ninguna muestra. Tenga en cuenta que independientemente de si la muestra se clasifica como de alta o baja atenuación, se muestra el mismo reactivo. Significa que el usuario no sabe que las clases se dividen en atenuación alta y baja.

La Figura 4 muestra una imagen del haz de Stokes de detección obtenido cuando se insertó el reactivo y los resultados de identificación en tiempo real obtenidos mediante aprendizaje automático. La razón de las diferencias en el ruido de fondo y el haz medido entre las Figs. 2 y 4 es que la alineación fue ligeramente diferente, aunque se utilizó la misma configuración experimental. Los resultados de identificación obtenidos cuando los reactivos se insertaron en secuencia se muestran en color, en orden cronológico. Los errores son inevitables durante el reemplazo de reactivos debido a la alteración del haz de Stokes de detección. Aunque la identificación en tiempo real fue posible con alta precisión con una atenuación de hasta −50 dB, los componentes de alta frecuencia no pudieron detectarse a través de un blindaje con una atenuación de −70 dB y tres de los cuatro reactivos se identificaron incorrectamente como Al(OH)3. . El sistema tiene un rango dinámico de > 60 dB. Debido a la atenuación adicional del propio reactivo, las mediciones fueron posibles a través de un blindaje con una atenuación de hasta −50 dB. Al medir a través de cartón, que tiene una estructura desigual o de etalón, el error de identificación aumenta ligeramente, pero se obtiene una precisión general alta, lo que indica que nuestro método es resistente a los efectos del blindaje. En comparación, con baja atenuación, aunque las diferencias en la detección de las imágenes de Stokes para cada reactivo fueron pequeñas debido a la saturación, el sistema pudo lograr una identificación altamente precisa casi sin errores, lo que indica que el aprendizaje automático es útil para la identificación cualitativa de reactivos.

Resultados de identificación en tiempo real obtenidos mediante aprendizaje automático (que se muestran en color) en orden cronológico, junto con capturas de pantalla del haz de detección de Stokes obtenido cuando se insertó el reactivo. Medimos cuatro reactivos con materiales de protección atenuantes de 0 a -70 dB.

Además, esta medición está diseñada para usarse en el campo y cada muestra se inserta manualmente en el camino óptico. Aunque los ángulos y posiciones de las muestras no estaban alineados con precisión, se identificaron con gran precisión, lo que indica la gran practicidad de este sistema.

En las imágenes espectroscópicas convencionales que utilizan un is-TPG2, la platina se mueve para cada píxel, las imágenes se realizan promediando los valores en cada punto y la distribución espacial del reactivo se obtiene mediante análisis. A medida que aumenta el número de longitudes de onda, también aumenta el tiempo de medición, de modo que se necesitan varias horas para obtener una única imagen. Por otro lado, utilizando el sistema propuesto se puede obtener información de múltiples longitudes de onda de una sola vez; por lo tanto, el tiempo de medición no aumenta con el número de longitudes de onda y no es necesario promediar porque el aprendizaje automático permite la identificación instantánea. La muestra se escaneó continuamente a una velocidad de aproximadamente 26 mm/s utilizando una etapa automatizada, y el valor de cada píxel se identificó simultáneamente. Se dispusieron cuatro tipos de gránulos (concentración de reactivo del 50%) como se muestra en la Fig. 5a, y se realizaron imágenes espectroscópicas (sin protección y a través de cuero natural con una atenuación de -50 dB). Se tomaron imágenes de un área de 40 × 40 mm2 con una resolución espacial de 1 mm. No solo se obtuvieron imágenes del caso sin protección (Fig. 5b) con alta precisión, sino que también se obtuvieron imágenes del caso con atenuación de -50 dB (Fig. 5c) con suficiente precisión a través del cuero natural. Se utilizaron el mismo sistema y datos de entrenamiento para producir imágenes con tasas de atenuación significativamente diferentes, y los resultados confirmaron el amplio rango dinámico del sistema. Las imágenes se adquirieron en 1 min 40 s, reduciendo así el tiempo de medición a más de 1/100 respecto al de los sistemas convencionales2. A continuación, en un intento de lograr una velocidad aún mayor, configuramos la resolución espacial en 1,5 mm y la velocidad del escenario en su máximo de 30 mm/s; Los resultados de la medición se muestran en la Fig. 5d. La obtención de imágenes se logró en <1 min, lo que representa una reducción significativa en el tiempo de medición. Además, el tiempo de medición actual está limitado por la velocidad de la etapa, por lo que si se introdujera una etapa más rápida, la medición podría realizarse más rápidamente. En tal caso, es necesario mejorar la velocidad de repetición del láser y la velocidad de fotogramas de la cámara para obtener una resolución suficiente.

Resultados de imágenes espectroscópicas. (a) Fotografía de muestra. (b) Se midieron cuatro reactivos sin protección. (c) Cuatro reactivos medidos a través de un escudo de atenuación de −50 dB. (d) Medición con la máxima velocidad de etapa y resolución reducida. La distribución espacial de los reactivos se visualizó en <1 min.

A continuación, se midió la concentración del reactivo y se tomaron imágenes de la distribución espacial del reactivo dentro del sedimento. Si bien las mediciones cualitativas como las que se muestran en la Fig. 5 son suficientes para detectar drogas ilícitas y errores en los medicamentos recetados, se requieren mediciones cuantitativas para las líneas de fábricas farmacéuticas y el control de calidad de diversos reactivos. Por lo tanto, para medir las concentraciones cuantitativamente, dividimos los objetivos de identificación (clases) en diferentes concentraciones. Se prepararon gránulos de Al(OH)3 en concentraciones del 20%, 40%, 60% y 80% y se utilizaron para entrenar el modelo de aprendizaje automático. Los resultados de las mediciones de muestras obtenidas a diferentes concentraciones se muestran en la Fig. 6a. El sistema pudo discriminar entre las concentraciones, lo que indica la plausibilidad de la medición cuantitativa. Aquí, medimos gránulos con una diferencia de concentración del 20%; sin embargo, este sistema puede distinguir diferencias de al menos el 5%. El sistema también se aplicó para la evaluación de la uniformidad del pellet. Se prepararon dos muestras con la misma concentración de Al(OH)3, pero una tenía una distribución uniforme y la otra tenía una distribución no uniforme. Como se muestra en la Fig. 6b, se puede visualizar la distribución de la concentración, lo que ayuda a la evaluación de la uniformidad.

(a) Resultados de mediciones cuantitativas para diferentes concentraciones de reactivo. (b) La uniformidad de los reactivos se evaluó utilizando los mismos datos de entrenamiento que en (a) (las mediciones se realizaron con una resolución espacial de 0,5 mm).

La identificación de reactivos en tiempo real utilizando un is-TPG de múltiples longitudes de onda se logró mediante la introducción del aprendizaje automático para reconocer la imagen de detección del haz de Stokes. Las imágenes se pueden identificar incluso si están saturadas, es decir, se pueden reconocer aunque existan ligeras diferencias. Esto significa que se puede lograr una identificación altamente precisa en tiempo real con los mismos datos de configuración y entrenamiento, desde sin obstáculos hasta obstruidos con una atenuación de −50 dB. Este sistema adquiere datos de entrenamiento con varias tasas de atenuación y puede discriminar señales mediante blindaje con cualquier tasa de atenuación siempre que la señal no quede enterrada en ruido. Además, al representar los resultados de identificación obtenidos con este sistema como valores de píxeles, se puede obtener imágenes de la distribución espacial de los reactivos más rápidamente que antes.

En las imágenes espectrales convencionales que utilizan un is-TPG, el tiempo de medición aumenta con el número de longitudes de onda incluidas. Además, dado que los resultados del procesamiento de datos y las imágenes se muestran después de que se hayan medido todas las longitudes de onda, los resultados de identificación no se pueden obtener en tiempo real. Con nuestro método propuesto, el tiempo de obtención de imágenes se reduce a varias decenas de segundos y los resultados se pueden confirmar en tiempo real sin ningún procesamiento posterior. Dado que con este sistema se pueden obtener mediciones tanto cualitativas como cuantitativas, creemos que se puede aplicar no solo a aplicaciones de pruebas de correo y explosivos, sino también a pruebas de errores de prescripción en farmacias, pruebas de proporciones de mezcla de reactivos en plantas químicas y pruebas de calidad. control en líneas de fábricas farmacéuticas.

Cuando un haz de bomba de alta potencia y un haz semilla se introducen en un cristal de MgO:LiNbO3, se genera una onda THz de alto brillo, ancho de línea estrecho y limitada por transformada de Fourier mediante conversión paramétrica de longitud de onda16,17. En ese momento, se puede lograr una amplia sintonizabilidad (0,4–5 THz) de la onda THz controlando la longitud de onda del haz semilla y su ángulo de incidencia de manera que se cumpla la condición de coincidencia de fases no colineal del cristal de MgO:LiNbO3. . Utilizando pulsos de bomba de menos de nanosegundos de un láser Nd:YAG de microchip, el is-TPG suprime la dispersión de Brillouin estimulada inducida, que es un proceso competitivo21, lo que permite una alta generación de energía con una potencia máxima de ≥ 50 kW.

Como fuente de bombeo, utilizamos un sistema Nd:YAG MOPA, que incluye un microchip láser Nd:YAG y un amplificador Nd:YAG. Tiene una energía de pulso de 25 mJ a una longitud de onda de 1064 nm, una frecuencia de repetición de 50 Hz y una duración de pulso de aproximadamente 500 ps.

Como fuente semilla, utilizamos una combinación de cuatro diodos láser de cavidad externa para generar ondas THz de múltiples longitudes de onda. Los haces semilla de múltiples longitudes de onda se amplificaron a 300 mW usando un amplificador óptico semiconductor y luego se inyectaron en el cristal de MgO:LiNbO3 usando una configuración óptica acromática, de modo que los ángulos de coincidencia de fase se cumplieron automáticamente en todas las longitudes de onda.

Para el reconocimiento de imágenes se utilizó una CNN, como un tipo de red neuronal profunda. Tiene capas convolucionales y de agrupación entre sus capas ocultas. La convolución se refiere al proceso de convertir datos de cuadrícula (es decir, núcleos) y datos numéricos de una imagen parcial (del mismo tamaño que el núcleo) en un único valor numérico, sumando los productos de cada elemento. La correlación local se extrae convirtiendo los datos en datos numéricos de cuadrícula pequeña, cambiando gradualmente la ventana de medición. La agrupación es un método para reducir una imagen grande conservando la información más importante, dividiendo la imagen en partes pequeñas y extrayendo el valor máximo de cada parte. Al combinar capas convolucionales y de agrupación, es posible aprender imágenes de manera eficiente.

Para este estudio, el programa fue escrito en Python y el marco de CNN fue Keras. Nuestro modelo CNN consta de tres capas ocultas y dos capas completamente conectadas. La primera capa oculta comprende una capa convolucional con 30 filtros (tamaño de kernel del filtro: 3 × 3) y una capa de agrupación (tamaño de kernel del filtro: 2 × 2). La segunda capa oculta comprende una capa convolucional con 20 filtros (tamaño de kernel del filtro: 3 × 3) y una capa de agrupación (tamaño de kernel del filtro: 2 × 2). La tercera capa oculta comprende una capa convolucional con 10 filtros (tamaño del kernel del filtro: 3 × 3). Para la función de activación, ReLU se utiliza para todas las capas ocultas. La salida de estas capas ocultas se convierte en un vector unidimensional y luego se ingresa en las capas completamente conectadas. La primera capa completamente conectada tiene 100 unidades y utiliza ReLU como función de activación. La segunda capa completamente conectada corresponde a un número variable de clases y utiliza una función softmax para generar la distribución de probabilidad de clase. El modelo se compila utilizando entropía cruzada como función de pérdida y Adam como optimizador. Al entrenar el modelo, el tamaño del lote se establece en 64 y el modelo se entrena para un número específico de épocas (se configuró en 300 en este estudio).

Los datos derivados que respaldan los hallazgos de este estudio están disponibles a pedido del autor correspondiente, K. M.

Lu, M. y col. Detección e identificación de drogas ilícitas mediante imágenes de terahercios. J. Aplica. Física. 100, 103104 (2006).

ADS del artículo Google Scholar

Kato, M., Tripathi, SR, Murate, K., Imayama, K. & Kawase, K. Inspección de fármacos no destructiva en materiales de recubrimiento utilizando un sistema de imágenes espectrales de terahercios con generación y detección paramétrica de terahercios sembrados por inyección. Optar. Expreso 24, 6425 (2016).

Artículo ADS CAS PubMed Google Scholar

Shen, YC y cols. Detección e identificación de explosivos mediante imágenes espectroscópicas pulsadas de terahercios. Aplica. Física. Letón. 86, 241116 (2005).

ADS del artículo Google Scholar

Teo, SM, Ofori-Okai, BK, Werley, CA y Nelson, KA Artículo invitado: Técnicas de detección de THz de disparo único optimizadas para espectroscopía de THz multidimensional. Rev. Ciencia. Instrumento. 86, 051301 (2015).

Artículo ADS PubMed Google Scholar

Guerboukha, H., Nallappan, K. y Skorobogatiy, M. Hacia imágenes de terahercios en tiempo real. Adv. Optar. Fotón. 10, 843–938 (2018).

Artículo de Google Scholar

Tzydynzhapov, G. et al. Nuevo escáner corporal de seguridad subterahercios en tiempo real. J Infrarrojos Milli Terahz Waves 41, 632–641 (2020).

Artículo de Google Scholar

Han, S.-P. et al. Escáner de línea de terahercios de onda continua en tiempo real basado en un detector compacto de matriz de diodos de barrera Schottky de InGaAs 1 × 240. Optar. Expreso 22, 28977–28983 (2014).

Artículo ADS CAS PubMed Google Scholar

Takida, Y., Takida, Y., Nawata, K., Nawata, K. y Minamide, H. Sistema de detección de seguridad basado en la detección de gas espectroscópica de ondas de terahercios. Optar. Expreso 29, 2529–2537 (2021).

Artículo ADS CAS PubMed Google Scholar

Kawada, Y., Yasuda, T., Nakanishi, A., Akiyama, K. y Takahashi, H. Espectroscopia de terahercios de un solo disparo utilizando la inclinación del frente de pulso de un pulso de sonda ultracorto. Optar. Expreso 19, 11228–11235 (2011).

Artículo ADS CAS PubMed Google Scholar

Minami, Y., Hayashi, Y., Takeda, J. y Katayama, I. Medición de un solo disparo de una forma de onda de campo eléctrico de terahercios utilizando un espejo escalonado reflectante. Aplica. Física. Letón. 103, 051103 (2013).

ADS del artículo Google Scholar

Yellampalle, B., Kim, KY, Rodriguez, G., Glownia, JH y Taylor, AJ Detalles de la detección electroóptica de terahercios con un pulso de sonda chirriado. Optar. Expreso 15, 1376-1383 (2007).

Artículo ADS CAS PubMed Google Scholar

Moriguchi, Y. et al. Generación paramétrica de ondas de terahercios sembradas por inyección de frecuencia ágil. Optar. Letón. 45, 77–80 (2020).

Artículo ADS CAS Google Scholar

Wada, Y., Satoh, T., Higashi, Y. & Urata, Y. Fuente compacta de ondas de terahercios de banda estrecha sintonizable basada en la generación de frecuencia diferencial bombeada por láseres de fibra dual en MgO:LiNbO3. J Infrarrojos Milli Terahz Waves 38, 1471–1476 (2017).

Artículo CAS Google Scholar

Mine, S., Kawase, K. & Murate, K. Espectrómetro de amplio rango dinámico en tiempo real que utiliza una fuente paramétrica de terahercios de longitud de onda conmutable rápidamente. Optar. Letón. 46, 2618–2621 (2021).

Artículo ADS PubMed Google Scholar

Murate, K., Hayashi, S. y Kawase, K. Generador paramétrico de ondas de terahercios de longitud de onda múltiple para espectroscopia de un pulso. Aplica. Física. Expreso 10, 032401 (2017).

ADS del artículo Google Scholar

Murate, K. & Kawase, K. Perspectiva: Generador paramétrico de ondas de terahercios y sus aplicaciones. J. Aplica. Física. 124, 160901 (2018).

ADS del artículo Google Scholar

Hayashi, S. y col. Generación de ondas de terahercios ultrabrillantes continuamente sintonizables a temperatura ambiente. Ciencia. Rep. 4, 5045 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Mitsuhashi, R. y col. Etiqueta de terahercios identificable a través de materiales de protección mediante aprendizaje automático. Optar. Expreso 28, 3517–3527 (2020).

Artículo ADS PubMed Google Scholar

Sakai, H., Kawase, K. y Murate, K. Detector paramétrico de terahercios de múltiples etapas de alta sensibilidad. Optar. Letón. 45, 3905–3908 (2020).

Artículo ADS PubMed Google Scholar

Krizhevsky, A., Sutskever, I. & Hinton, GE ImageNet Clasificación con redes neuronales convolucionales profundas. En Advances in Neural Information Processing Systems (eds Pereira, F. et al.) 1097–1105 (Curran Associates Inc, 2012).

Google Académico

Nawata, K. y col. Generación paramétrica efectiva de ondas de terahercios dependiendo del ancho del pulso de la bomba utilizando un cristal de LiNbO3. Traducción IEEE. Ciencia de terahercios. Tecnología. 7, 617–620 (2017).

Artículo ADS CAS Google Scholar

Descargar referencias

Los autores desean agradecer al Dr. S. Hayashi de NICT por las útiles discusiones; Sr. N. Yamamoto y Sr. R. Mitsuhashi de la Universidad de Nagoya por su ayuda en los experimentos. Este trabajo fue parcialmente apoyado por el programa JST FOREST (JPMJFR212J); JSPS KAKENHI (19H02627, 22H00212); Fundación de Interés Público de Tatematsu, Fundación de Ciencia y Tecnología Konica Minolta y Fundación de Ciencia e Ingeniería Naito.

Departamento de Electrónica, Escuela de Graduados en Ingeniería, Universidad de Nagoya, Furocho, Chikusa, Nagoya, 4648603, Japón

Kosuke Murate, Sota Mine, Yuki Torii, Hyuga Inoue y Kodo Kawase

También puedes buscar este autor en PubMed Google Scholar.

KM planificó y supervisó el proyecto, realizó la investigación, preparó las figuras y escribió el manuscrito, SM brindó consejos útiles en el análisis de los datos experimentales, YT y HI realizaron la investigación, crearon el programa de medición y analizaron los datos, y KK proporcionó sugerencias científicas y revisó el manuscrito.

Correspondencia a Kosuke Murate.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Murate, K., Mine, S., Torii, Y. et al. Amplio rango dinámico e identificación e imágenes de reactivos en tiempo real mediante generación paramétrica de terahercios de múltiples longitudes de onda y aprendizaje automático. Informe científico 13, 12743 (2023). https://doi.org/10.1038/s41598-023-40013-y

Descargar cita

Recibido: 16 de mayo de 2023

Aceptado: 03 de agosto de 2023

Publicado: 07 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40013-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.