背景介紹

機器視覺系統(tǒng)由圖像獲取，預處理和分析模塊組成，這些模塊打算像人類視覺系統(tǒng)一樣執(zhí)行檢測，處理和識別功能，已成為各種智能場景的最重要方面之一，包括無人駕駛汽車，機器人技術(shù)和工業(yè)制造等。在獲取圖像數(shù)據(jù)時，實際場景中的嚴酷環(huán)境不確定性（例如不均勻的照明和不穩(wěn)定的視圖場）可能會導致捕獲的圖像包含非理想因素。為了降低硬件的復雜性并提高圖像識別效率，需要精確的原位置增強和對非結(jié)構(gòu)化信息的過濾，而不是引入額外的輔助照明。在這方面 - 傳感器處理可能提供機會。但是，由于光伏效應或光電導電效應通常會發(fā)生，并有助于在光條件下（即陽性光電導率）增加通道電流，仍然需要仔細的光晶體管設備設計來追求光晶體管設備負光電導率（NPC），這對于人工視力適應至關(guān)重要。

在獲取圖像日期后，在以下階段，深度學習算法（例如卷積神經(jīng)網(wǎng)絡（CNN））為高準確性識別奠定了基礎(chǔ)。然而，基礎(chǔ)硬件仍然保持靜態(tài)且不那么復雜，從而導致耗時的培訓和學習過程，尤其是向后流動過程鑒于這一點，具有二階適應性的設備有望成為具有高能量效率和環(huán)境魯棒性的內(nèi)存計算的突破。在這方面，作為歷史活動可以改變當前的突觸可塑性的神經(jīng)穩(wěn)態(tài)機制之一，啟發(fā)了有效的訓練和識別。在轉(zhuǎn)移性中，可以通過刺激調(diào)節(jié)長期增強（LTP）和長期抑郁（LTD），并且LTP和LTD之間的過渡閾值（θ+）通過先前的刺激（閾值滑動），確定此外，抑制程度（增強的抑郁效應，EDE）也取決于先前和刺激后。這種依賴歷史的體重變化現(xiàn)象使生物體能夠根據(jù)經(jīng)驗適應學習率，從而提高了學習效率。用于實施設備，以前的報告著重于頻率依賴性的跨塑性模型，稱為Bienenstock, Cooper和Munro（BCM）規(guī)則。

此外，面對具有低結(jié)構(gòu)復雜性和豐富功能性的下一代電子設備的要求，可以按需電氣/光學重新配置以采用特定功能的多功能設備，是解決復雜任務的適應性計算的有希望的硬件平臺。此外，將多個功能集成到一個設備中具有集成成本和規(guī)模的優(yōu)勢，并且可以簡化外部電路并減少由不同設備之間的數(shù)據(jù)傳輸引起的延遲時間。因此，在惡劣的照明條件下，高度希望使用可以簡化硬件復雜性的光自適應和二階自適應函數(shù)的雙自動光電設備開發(fā)，可以簡化硬件復雜性。

本文亮點

1. 本工作報告了一個雙重適應性的有機異質(zhì)結(jié)晶體管作為系統(tǒng)中的工作單元，該單元促進了精確的對比度增強，并在惡劣的照明條件下提高了收斂速度。

2. 通過在機器視覺系統(tǒng)中利用晶體管陣列，可以在0.4％的低對比度圖像中突出顯示細節(jié)和邊緣，并且還可以實現(xiàn)93.8％的高識別精度，并顯著促進收斂率約5次。

圖文解析

圖1. 基于有機異質(zhì)結(jié)晶體管的提議機器視覺系統(tǒng)的示意圖。a）系統(tǒng)集成了圖像預處理和識別功能。b）光自適應閾值滑動的示意圖，c）二階自適應跨性質(zhì)，d）有機異質(zhì)結(jié)晶體管的設備結(jié)構(gòu)。

圖2. 有機異晶晶體管的表征。a）PTCDI-C13和五烯/PTCDI-C13界面樣品的表面形態(tài)。b）用PTCDI-C13和PTCDI-C13和五烯/PTCDI-C13界面（光強度：1 MW CM-2），樣品中樣品的相應表面電勢和代表性的表面電勢圖。比例尺，5 μm。c）五苯/PTCDI-C13系統(tǒng)的UPS光譜。d）轉(zhuǎn)移曲線和e）設備負區(qū)域的輸出曲線。

圖3. 有機異質(zhì)結(jié)晶體管的突觸可塑性。a）具有負柵極脈沖的不同刺激的設備的傳遞曲線。b）具有不同VGS振幅的設備的PSC。c）計算出的?PSC是負柵極脈沖的函數(shù)。d）設備不同電流水平的保留屬性。E）設備的LTP/LTD曲線。f）在不同負VR處設備的VTR和Vθ +。計算出的?PSC作為g）正柵極脈沖的函數(shù)和h）VG的峰值持續(xù)時間。i）具有不同VDS振幅的設備的PSC。

圖4. 有機異質(zhì)結(jié)晶體管中的光響應和化生性。a）五苯，PTCDI-C13的薄膜的吸收光譜及其異質(zhì)結(jié)。b）在不同的照明強度下，設備的傳輸曲線。c）設備的PSC是由不同的照明強度觸發(fā)的。d）在不同的照明強度下滑動的照片自適應閾值滑動。e）設備的歷史依賴性突觸可塑性（VDS = -3 V，VR = 0 V，TD = 1 s）。h）在有機異質(zhì)結(jié)晶體管中實現(xiàn)的跨塑性。

圖5. 用于圖像預處理和識別的有機異質(zhì)結(jié)晶體管。a）對比度增強，特征提取和低對比度圖像的對比度增強，特征提取和分類的預處理和圖像識別過程的示意圖。我們實驗室“一個實驗室”的徽標圖像b）原始圖像，c）具有不均光與低合同的非理想圖像以及d）有機異質(zhì)結(jié)晶體管處理的圖像。e）具有不同架構(gòu)的CNN的識別精度。MNIST數(shù)據(jù)集的5個時期的混淆矩陣（準確性：40.1％）和g）me-lenet-5（準確性：86.9％）。h）CNN具有不同體系結(jié)構(gòu)的損耗函數(shù)。.I）ME-LENET-5的識別準確性對于具有和不進行預處理的低對比度數(shù)據(jù)集的識別精度。J）在100個時期的混淆矩陣（準確性：93.8％）和K）對預處理的低對比度數(shù)據(jù)集的Melenet-5回憶。