El dispositivo utiliza datos en tiempo real y retroalimentación del usuario para optimizar constantemente la calidad de la visión
Un tipo innovador de lente frontal, también conocida como meta-cámara, desarrollada en la Universidad de Vanderbilt, podría representar un avance significativo al reemplazar las ópticas de imágenes convencionales en aplicaciones de visión artificial.
No obstante, meta-cámara utiliza nanoestructuración en el material de la lente, transformándolo en un filtro de meta-cámara o meta-generador de imágenes. Esta tecnología reduce significativamente el grosor típicamente abultado de las lentes ópticas y facilita un procesamiento inicial más eficiente de la información.
Los generadores de imágenes están diseñados para trabajar de la mano con plataformas digitales, descargando operaciones computacionalmente intensivas y ofreciendo ópticas de alta velocidad y bajo consumo. Las imágenes resultantes podrían tener aplicaciones diversas en sistemas de seguridad, aplicaciones médicas, así como en sectores gubernamentales y de defensa.
Avances en Inteligencia Artificial
El profesor de ingeniería mecánica Jason Valentine, subdirector del Instituto Vanderbilt de Ciencia e Ingeniería a Nanoescala, lideró la creación de este innovador meta-generador de imágenes, cuyos detalles se describen en un artículo publicado el 4 de enero en Nature Nanotechnology.
Según los autores, esta arquitectura de meta-generador de imágenes tiene el potencial de ser altamente paralela y cerrar la brecha entre el mundo natural y los sistemas digitales. “Gracias a su tamaño compacto, alta velocidad y bajo consumo de energía, nuestro enfoque podría encontrar una amplia gama de aplicaciones en inteligencia artificial, seguridad de la información y visión artificial”, afirmó Valentine en un comunicado.
El diseño metaóptico del equipo comenzó optimizando una óptica compuesta por dos lentes de metasuperficie que codifican información para una tarea específica de clasificación de objetos. Se fabricaron dos versiones basadas en redes entrenadas con bases de datos que incluían números escritos a mano y prendas de vestir comúnmente utilizadas para evaluar sistemas de aprendizaje automático.
El meta-generador de imágenes alcanzó una precisión del 98,6 % en la clasificación de números escritos a mano y un 88,8 % de precisión en el reconocimiento de imágenes de ropa.