上海理工大学《ACS AEM》：柔性激光石墨烯/MoS2触觉传感器，用于盲文识别

成果简介

全光学衍射深度神经网络（D2NN）具有高速并行处理、能耗低、抗干扰能力强等优点，在图像识别和人工视觉领域有着广泛的应用。然而，将 D2NNs 应用于触觉感知的研究相对有限。

本文，上海理工大学万正芬 特聘副教授、陈希 教授团队在《ACS Appl. Electron. Mater》期刊发表名为“All-Optical Diffractive Deep Neural Networks Enabled Laser-Reduced Graphene Oxide Tactile Sensor for Braille Recognition”的论文，研究提出了一种基于D2NN和触觉传感器的盲文自动识别方法。作者采用激光直接写入法制作了一种柔性二硫化钼掺杂激光还原氧化石墨烯（LRGO/MoS2）触觉传感器。LRGO/MoS2 触觉传感器的灵敏度为9.8 kPa-1，响应/恢复时间为0.14/0.10s，具有极佳的周期稳定性。

该触觉传感器可用于实时捕捉盲文字符信息，并将其转换为数字信号，作为全光D2NN的输入。具有五个衍射层的全光 D2NN 实现了盲文字符的自动识别，系统最终实现了 100%的盲文识别准确率。将灵活的触觉传感器与全光深度学习相结合的策略为实现低成本、快速、准确、高效的触觉识别系统铺平了道路。

图文导读

图1. 基于 LRGO 触觉传感器的全光学盲文识别模拟示意图。

图2. 触觉传感器的制备和表征。

图3. 触觉传感器的性能。

图4. 智能盲文识别。

小结

综上所述，本研究成功利用LRGO/MoS2触觉传感器和全光学深度学习技术实现了盲文字符的自动识别。这种柔性触觉传感器不仅成本低，而且易于制造，与未掺杂触觉传感器（0.29 kPa-¹）相比，其灵敏度提高到 9.8^kPa-1，同时保持了出色的周期稳定性。通过构建 3 × 2 的柔性触觉传感器阵列并记录与盲文字符相关的相应电流数据，我们进行了^D2NN训练，从而有效地实现了盲文字符的自动识别。经过训练后，D2NN的识别准确率达到了 100%。即使在电压变化和随机高斯噪声干扰的情况下，识别准确率也保持在 85% 左右。这一成果充分验证了全光学深度学习在处理盲文字符的多样性和复杂性方面的出色表现，为未来全光学深度学习在触觉感知识别领域的应用提供了有力支持。

文献：https://doi.org/10.1021/acsaelm.4c00116