Étude sur la technologie de mise au point automatique des microscopes à lentilles liquides basée sur l’apprentissage par renforcement profond

Contexte académique

L’imagerie microscopique joue un rôle crucial dans la recherche scientifique, les études biomédicales et les applications d’ingénierie. Cependant, les microscopes traditionnels et leurs techniques de mise au point automatique sont confrontés à des limitations matérielles et à une lenteur logicielle pour atteindre la miniaturisation du système et une mise au point rapide et précise. Les microscopes traditionnels utilisent généralement plusieurs lentilles à focale fixe et des structures mécaniques pour réaliser des fonctions d’imagerie telles que le grossissement et la mise au point, ce qui entraîne un encombrement important, une lenteur de mise au point et des difficultés à opérer rapidement dans des espaces confinés. Les lentilles liquides (liquid lens), en raison de l’absence de composants mécaniques et de la capacité à ajuster la focale par des signaux électriques, offrent des avantages tels qu’une taille compacte, une réponse rapide et un faible coût de fabrication, devenant ainsi une solution potentielle pour résoudre ces problèmes.

Ces dernières années, le développement de l’intelligence artificielle et des nouveaux composants optiques a ouvert de nouvelles perspectives de recherche dans le domaine de la mise au point automatique des microscopes. Les méthodes traditionnelles de mise au point automatique reposent sur l’évaluation de la netteté de l’image, nécessitant généralement plusieurs acquisitions et évaluations d’images, ce qui est lent. L’introduction de l’apprentissage profond (Deep Learning) permet de prédire directement la position du plan focal à partir d’une seule image floue, mais ces méthodes dépendent de la qualité et de la quantité des données d’entraînement, ce qui les rend difficiles à adapter à de nouveaux échantillons non vus. L’apprentissage par renforcement profond (Deep Reinforcement Learning, DRL), en apprenant des stratégies de décision optimales par interaction continue avec l’environnement, peut exploiter les informations séquentielles, ce qui est particulièrement adapté aux tâches de mise au point automatique.

Source de l’article

Cet article a été co-écrit par Jing Zhang, Yong-Feng Fu, Hao Shen, Quan Liu, Li-Ning Sun et Li-Guo Chen, respectivement issus de l’École de génie mécanique et électrique et de l’École d’informatique et de technologie de l’Université de Soochow. L’article a été publié en 2024 dans la revue Microsystems & Nanoengineering sous le titre Precision autofocus in optical microscopy with liquid lenses controlled by deep reinforcement learning.

Processus de recherche et conception expérimentale

1. Construction du système de microscope à lentille liquide

L’équipe de recherche a conçu et fabriqué une lentille liquide basée sur l’effet d’électromouillage sur diélectrique (Electrowetting-on-Dielectric, EWOD). Cette lentille est composée d’une plaque de verre supérieure, d’une plaque inférieure en ITO, d’une chambre, d’un film diélectrique en Parylene C et d’un film hydrophobe en Teflon AF. La chambre de la lentille liquide adopte une structure conique inversée avec un angle d’inclinaison de 60 degrés, ce qui contribue à stabiliser le centre de l’axe optique et à réduire la distorsion de l’image. En ajustant la tension appliquée à la lentille liquide, il est possible de modifier rapidement la distance focale.

2. Conception du modèle de mise au point automatique par apprentissage par renforcement profond

L’équipe de recherche a proposé une méthode de mise au point automatique basée sur l’apprentissage par renforcement profond (DRLAF). Cette méthode considère la lentille liquide comme un “agent”, les images brutes comme “l’état” (state) et les ajustements de tension comme “l’action” (action). Grâce à l’apprentissage par renforcement profond, le modèle peut apprendre directement la stratégie de mise au point à partir des images capturées, réalisant ainsi une mise au point automatique de bout en bout. Contrairement aux méthodes qui reposent uniquement sur l’évaluation de la netteté comme étiquette ou entrée du modèle, cette étude a conçu une fonction de récompense ciblée, améliorant significativement les performances des tâches de mise au point automatique des microscopes.

3. Traitement des données et méthodes d’entraînement

L’équipe de recherche a utilisé des séquences d’images capturées lors du processus de mise au point automatique de la lentille liquide comme entrée d’état pour l’agent d’apprentissage par renforcement. L’expérience utilise un microscope avec une distance d’objet fixe, en ajustant la tension par incréments de 0,1 V pour modifier la distance focale et capturer le processus complet de mise au point (flou-net-flou) de l’échantillon. Après traitement des images, un lot adapté à l’entrée du DRLAF est obtenu, formant un ensemble de données “état”. L’étude propose également une méthode d’entraînement par échantillonnage aléatoire, combinant plusieurs ensembles de données d’état en une liste pour l’entraînement, afin d’améliorer la capacité du modèle à s’adapter à des échantillons inconnus.

4. Conception de l’espace d’action

Dans le modèle de mise au point automatique par apprentissage par renforcement, l’équipe de recherche a conçu les actions exécutables par l’agent, en ajustant la tension appliquée à la lentille liquide avec différentes tailles de pas. La taille de l’espace d’action a un impact significatif sur la vitesse et la précision de la mise au point automatique. L’équipe a déterminé la taille optimale de l’espace d’action par des expériences et a comparé les performances de mise au point sous différentes configurations d’ensembles d’actions.

Principaux résultats de recherche

1. Performances de la lentille liquide

L’équipe de recherche a réussi à fabriquer une lentille liquide haute performance, avec un temps de réponse de 98 millisecondes sous une tension d’entraînement de 40 V. La relation entre la distance focale et la tension d’entraînement montre des variations significatives sous différents niveaux de grossissement. Les résultats expérimentaux montrent que la réponse rapide et les avantages de l’ajustement électrique de la lentille liquide peuvent améliorer considérablement la compacité structurelle et la vitesse de zoom du microscope.

2. Impact de l’espace d’action sur les performances de mise au point automatique

Les résultats expérimentaux montrent qu’avec l’augmentation de la taille de l’espace d’action, l’écart de mise au point automatique diminue significativement, et le taux de réussite et la précision augmentent de manière significative. Lorsque la taille de l’espace d’action est de 7, le modèle peut équilibrer vitesse et précision, et le nombre moyen d’étapes de mise au point automatique diminue de manière significative et se stabilise.

3. Impact de l’échantillonnage aléatoire des états sur les performances de mise au point automatique

En entraînant le modèle par échantillonnage aléatoire de plusieurs ensembles de données d’état, le taux de réussite de la mise au point automatique et la capacité de généralisation du modèle sont significativement améliorés. Lorsque le nombre d’ensembles de données d’état atteint 50, le taux de réussite du modèle sur l’ensemble de test atteint 97,2 %, avec une erreur quadratique moyenne de la tension prédite de 2,85 × 10^-3 V, indiquant que le modèle peut s’adapter efficacement à différents échantillons.

4. Conception et optimisation de la fonction de récompense

L’équipe de recherche a conçu une fonction de récompense hybride, combinant des récompenses de netteté, d’étape temporelle, d’arrêt et supplémentaires. Les résultats expérimentaux montrent que cette fonction de récompense peut améliorer significativement les performances du modèle dans les tâches de mise au point automatique, en particulier en réduisant le nombre d’étapes de mise au point.

Conclusion et signification

Cette étude propose un système de microscope à lentille liquide basé sur l’apprentissage par renforcement profond, réalisant une mise au point automatique rapide et précise. En concevant une lentille liquide haute performance et un modèle d’apprentissage par renforcement profond, l’équipe de recherche a réussi à réduire le nombre moyen d’étapes de mise au point automatique à 3,15, améliorant la vitesse de 79 % par rapport aux algorithmes de recherche traditionnels. De plus, en entraînant le modèle par échantillonnage aléatoire de plusieurs ensembles de données d’état, la capacité de généralisation du modèle est significativement améliorée, permettant une mise au point automatique fiable sur différents échantillons et champs de vision.

Cette recherche offre de larges perspectives d’application dans des domaines tels que la reconnaissance optoélectronique, l’imagerie microscopique, l’imagerie numérique et l’endoscopie, fournissant un soutien solide pour l’automatisation et le traitement intelligent dans les domaines pertinents.

Points forts de la recherche

1. Innovation : Première combinaison de l’apprentissage par renforcement profond avec des lentilles liquides, réalisant une mise au point automatique de bout en bout.
2. Efficacité : La vitesse de mise au point automatique est significativement améliorée, nécessitant en moyenne seulement 3,15 étapes pour terminer la mise au point.
3. Capacité de généralisation : En entraînant le modèle par échantillonnage aléatoire de plusieurs ensembles de données d’état, le modèle peut s’adapter efficacement à différents échantillons.
4. Faible coût : L’utilisation de lentilles liquides réduit la complexité et le coût du système, offrant une valeur d’application élevée.

Autres informations précieuses

L’équipe de recherche a également mené des expériences de généralisation et des expériences d’ablation sur la fonction de récompense, validant davantage les performances du modèle sur des échantillons inconnus et l’efficacité de la conception de la fonction de récompense. Les résultats expérimentaux montrent que la stratégie d’entraînement par échantillonnage aléatoire peut améliorer significativement la capacité de généralisation du modèle, et que la conception de la fonction de récompense hybride est excellente pour réduire le nombre d’étapes de mise au point.

Cette recherche fournit de nouvelles idées et solutions pour le développement de la technologie de mise au point automatique des microscopes, ayant une valeur scientifique importante et des perspectives d’application prometteuses.