對手寫數字識別的驗證準確率達96.7%，手勢識別達94.2%。[30] 該技術當前TRL約為4-5。 4.2 神經形態混合傳感器 2026年3月，一篇發表于《Nature Communications》的研究介紹了一種神經形態電子-光時空混合圖像傳感器，旨在解決機器視覺系統中存儲、傳輸和處理海量數據的能效挑戰。

圖4 兩臺相機下鑄鋁和鑄鐵的應變-時間和力-時間曲線 分析認為，一臺相機捕捉的是二維平面上的散斑、而兩臺相機捕捉的是三維空間的散斑。圓棒試樣在快速拉伸時，散斑在三維空間變化，一臺相機就會因焦距變化，丟失散斑像素，從而拍不到原點變化，兩臺相機可在立體空間始終捕獲散斑，直至試樣拉斷。

：</strong>超表面單個周期包含 200×200 個單元（間距 300nm），共設計 5×5 個周期以減少激光散斑。

圖3 引伸計法測泊松比 光學測量法：如數字圖像相關（DIC）技術，通過在試樣表面制作隨機散斑圖案，利用相機在加載過程中拍攝試樣表面的圖像，然后通過圖像處理算法分析散斑圖案的變形，從而得到試樣表面的全場應變信息，包括軸向和橫向應變，進而計算出泊松比。這種方法能夠提供更全面的應變分布信息，并且對試樣表面制備的要求相對較低。 圖4 DIC法測泊松比 2.

散斑圖像可布置為白色襯底上形成黑色斑點，為了較好地匹配試驗件表面變形點，斑點尺寸一般至少包括3～4個像素，圖3為典型的材料動態拉伸應變測試應用。

材料斷裂極限應變目前多采用數字圖像相關法（Digital Image Corre?lation,DIC）進行測量，其測量精度與試樣設計、散斑質量、加載及DIC拍攝速率均相關。在試驗過程中，應合理匹配加載速度與DIC圖像拍攝幀率，并在DIC結果后處理時按不同的DIC虛擬網格尺寸輸出試樣關鍵區域應變測量結果，為后續網格尺寸修正提供參考。

目標手寫數字依次加載在數字微鏡設備(DMD)上。（b）非相干照明下，周期光柵和毛玻璃（對應的相位分布分別加載在空間光調制器SLM上）信道實驗的實驗排布圖和對應的結果。

前者快捷，但相位編碼需要針對不同場景手動調節最優濾波強度，以獲得清晰無散斑的三維顯示，且當三維場景遠離全息圖所在平面時，需要更強的濾波消除散斑，因此將犧牲一定的空間分辨率。后者可實現無人工干預的端到端生成，但迭代算法非常耗時。 近來基于監督學習與無(半)監督學習訓練的神經網絡被分別用來加速前后兩類算法。這些算法雖然取得了顯著的進步，但改進后的兩類算法相對的優劣勢依然存在。

案例解決過程 （1）試驗材料與儀器與樣條類型 實驗儀器圖：帶高速相機的高速拉伸試驗機 （2）DIC應變測量方法原理 測試前在試樣表面制作散斑，使用高速攝像機拍攝拉伸的全過程，然后用計算機處理所拍到的數字圖像（散斑圖），通過對比試樣表面在變形前后的散斑圖，運用相關算法求出試樣的全場位移與應變。不同應變率試驗高速攝像機需使用不同的拍攝幀數，應變率越高拍攝幀數也要相應地提高。

用數字圖像相關系統(DIC)測量試件上的黑色散斑尺寸。