Spectral reconstruction using neural networks in filter-array-based chip-size spectrometers
Abstract: Spectral reconstruction in filter-based miniature spectrometers remains challenging due to the ill-posed nature of identifying stable solutions. Even minor deviations in sensor data can cause misleading reconstruction outcomes, particularly in the absence of proper regularization techniques. While previous research has attempted to mitigate this instability by incorporating neural networks into the reconstruction pipeline to denoise the data before reconstruction or correct it after reconstruction, these approaches have not fully resolved the underlying issue. This work functions as a proof-of-concept for data-driven reconstruction that relies exclusively on neural networks, thereby circumventing the need to address the ill-posed inverse problem. We curate a dataset holding transmission spectra from various colored foils, commonly used in theatrical, and train five distinct neural networks optimized for spectral reconstruction. Subsequently, we benchmark these networks against each other and compare their reconstruction capabilities with a linear reconstruction model to show the applicability of cognitive sensors to the problem of spectral reconstruction. In our testing, we discovered that (i) spectral reconstruction can be achieved using neural networks with an end-to-end approach, and (ii) while a classic linear model can perform equal to neural networks under optimal conditions, the latter can be considered more robust against data deviations.
Die Identifizierung von stabilen Lösungen für die spektrale Rekonstruktion mit filterbasierten Miniaturspektrometern ist aufgrund der schlecht gestellten Natur des zugrunde liegenden inversen Problems herausfordernd. Selbst geringfügige Abweichungen in den Sensordaten können daher zu irreführenden Rekonstruktionsergebnissen führen, insbesondere falls keine geeignete Regularisierung eingesetzt wird. Während vorangegangene Publikationen versucht haben, diese Instabilität zu mindern, indem sie das Rauschen in den Eingangsdaten mittels neuronaler Netze minimieren oder die Rekonstruktion korrigieren, können diese Ansätze das zugrunde liegende Problem nicht vollständig lösen. Diese Arbeit soll daher als Machbarkeitsstudie für eine datengetriebene Rekonstruktion fungieren, die ausschließlich auf neuronalen Netzen basiert und damit die Notwendigkeit zur Lösung des schlecht gestellten inversen Problems umgeht. Dafür erstellen wir einen Datensatz mit Transmissionsspektren von verschiedenen farbigen Folien, die normalerweise im Theaterbereich verwendet werden, und trainieren damit fünf verschiedene neuronale Netze zur spektralen Rekonstruktion. Anschließend vergleichen wir diese Netze untereinander und mit einem linearen Regressionsmodell, um die Anwendbarkeit kognitiver Sensorik auf das Problem der spektralen Rekonstruktion zu demonstrieren. Dadurch können wir zeigen, dass (i) die spektrale Rekonstruktion mit neuronalen Netzen Ende-zu-Ende möglich ist und (ii) obwohl ein klassisches lineares Modell unter optimalen Bedingungen genauso gut wie neuronale Netze abschneiden kann, diese jedoch als robuster gegenüber Abweichungen in den Rohdaten angesehen werden können.
- Alternative title
-
Spektrale Rekonstruktion mit neuronalen Netzen für filterbasierte Miniaturspektrometer
- Location
-
Deutsche Nationalbibliothek Frankfurt am Main
- Extent
-
Online-Ressource
- Language
-
Englisch
- Bibliographic citation
-
Spectral reconstruction using neural networks in filter-array-based chip-size spectrometers ; volume:91 ; number:12 ; year:2025 ; pages:649-657 ; extent:9
Technisches Messen ; 91, Heft 12 (2025), 649-657 (gesamt 9)
- Creator
- DOI
-
10.1515/teme-2024-0063
- URN
-
urn:nbn:de:101:1-2501070835003.707327193637
- Rights
-
Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
- Last update
-
15.08.2025, 7:30 AM CEST
Data provider
Deutsche Nationalbibliothek. If you have any questions about the object, please contact the data provider.
Associated
- Wissing, Julio
- Fargueta, Lidia
- Scheele, Stephan M.