当前位置：首页>武汉>华中科技大学翟天佑教授、李渊教授,武汉理工大学柳伟研究员AM:可扩展二维光谱-空间关联视觉传感器用于多维特征融合

华中科技大学翟天佑教授、李渊教授,武汉理工大学柳伟研究员AM:可扩展二维光谱-空间关联视觉传感器用于多维特征融合

2026-08-19 13:37:09

华中科技大学翟天佑教授、李渊教授，武汉理工大学柳伟研究员等人发表题为 “ Scalable 2D Spectral-Spatial Associated Vision Sensor for Multidimensional Feature Fusion ”于Advanced Materials 上

本研究提出一种“光谱-空间关联视觉传感器”（spectral-spatial associated vision sensor），在硬件层面同步获取并融合光谱与空间信息，解决传统高光谱成像“逐波段采集-后处理融合”带来的数据冗余、延迟与能耗问题。传感器采用分子束外延（MBE）生长的厘米级高度取向 2D Bi₂Te₃ 薄膜作为宽谱感光层，通过选择性氧轰击引入缺陷，构建 Bi₂Te₃/BiTexOy 异质结阵列，实现零偏压下多波长协同增强的光电突触行为（增强比>20 倍）。32×32 交叉阵列在单帧内完成 365-1064 nm 多光谱成像，同时保留空间分布；结合 HybridSN 3D-2D CNN，在 Indian Pines 高光谱数据集上将地物分类精度从 85.12% 提升至 91.12%，损失下降 30%。该器件将“感知-融合-计算”压缩至单片硬件，为下一代高效多维视觉系统提供新范式。

背景

高光谱遥感通过数百个窄带图像立方体捕获目标“指纹”光谱，但传统模式依赖滤光轮或推扫式逐波段成像，产生海量冗余数据，且传感与计算物理分离，导致传输延迟与能耗激增。现有 2D 材料方案多靠异质堆叠或外部门压扩展维度，工艺复杂且需持续供电。亟需一种可在硬件层面同步完成“宽谱感光-光谱-空间融合-特征增强”的单片低功耗平台，以满足实时遥感、自动驾驶等边缘智能场景。

主要内容

本工作以 C3v 对称的 2D Bi₂Te₃ 为切入点，利用其与 c-蓝宝石晶格匹配的特点，通过 MBE 生长出厘米级、单晶取向、厚度 1 nm（单五原子层）的均匀薄膜；随后采用“光刻-RIE-套刻-氧轰击”工艺，在阵列尺度上选择性氧化部分 Bi₂Te₃ 生成 BiTexOy 异质结，形成 Bi₂Te₃│BiTexOy│Bi₂Te₃ 横向异质结构。该结构一方面通过界面缺陷捕获/释放光生载流子，产生类似生物突触的慢弛豫与双指数记忆衰减（τ₁≈0.87 s，τ₂≈9.69 s）；另一方面在 365+1064 nm 同步光照下，载流子浓度叠加与内建电场屏蔽效应使光电流增强比最高>20 倍，且衰减时间延长 50%，实现“多波长协同增强”。

器件采用交叉阵列架构（32×32 单元），源/漏电极由 Bi(10 nm)/Au(40 nm) 构成，行列交叉处沉积 100 nm SiNx 绝缘层防止短路，终端焊盘为 Cr/Au(10/290 nm)，通过 PCB 引线键合实现独立寻址。暗电流统计（n=25）显示 84% 单元集中在 2.0±0.1 nA，验证阵列均匀性。区域照明实验（365/455/532/1064 nm）中，异质结单元在单帧内即可呈现高对比度空间-光谱复合图像；当 1064 nm 与可见光协同照射时，光/暗电流比提升 3 倍，有效强化光谱差异。

将阵列实测的“协同增强”曲线作为光谱-空间融合先验，嵌入 HybridSN 网络（3D-CNN 提取联合立方体特征→2D-CNN 挖掘空间细节→FC 分类）。Indian Pines 数据集 16 类地物、200×200×200 立方体被切分为 25×25×25 重叠块，训练 100 epoch。与传统“离散波段+软件融合”相比，实验训练将总体精度从 85.12% 提升至 91.12%，损失下降 30%，对易混淆类别（Class-3 vs Class-11）误判率降低 50% 以上。混淆矩阵显示实验组 precision 与 recall 均全面优于软件组，验证硬件级融合可有效抑制冗余、提升判别力。

创新点

首次提出“光谱-空间关联视觉传感器”概念
，在硬件层面完成同步感知与融合，颠覆传统“逐波段-后处理”异步范式。
MBE 生长厘米级高度取向 2D Bi₂Te₃ 薄膜
，单晶质量高、均匀性好，为阵列级器件奠定材料基础。
选择性氧轰击构建 Bi₂Te₃│BiTexOy 横向异质结
，利用界面缺陷实现光电突触与多波长协同增强，增强比>20 倍。
32×32 交叉阵列单帧成像
，无需外部门压，即可在 365-1064 nm 范围内保留空间-光谱复合信息，实现低功耗原位计算。
将实测“协同增强”曲线嵌入 HybridSN 网络
，硬件级特征融合使 Indian Pines 分类精度从 85.12% 提升至 91.12%，损失下降 30%，验证器件-算法协同优势。

结论

本研究通过高质量 2D Bi₂Te₃ 薄膜与选择性氧化异质结阵列，首次在硬件层面实现光谱-空间同步感知与特征融合，突破传统高光谱成像异步、冗余、高能耗瓶颈。器件兼具宽谱响应、光电突触记忆与多波长协同增强特性，单帧完成多维信息编码，与深度学习协同后分类精度显著提升，为构建紧凑、低功耗、实时的多维视觉感知系统提供了可扩展、CMOS 兼容的新平台，未来可拓展至自动驾驶、遥感监测与边缘智能等复杂场景。

图文内容