亚波长金属光栅偏振器制备技术研究

杨江涛; 王健安; 王银; 胡啸

亚波长金属光栅偏振器制备技术研究

太原科技大学电子信息工程学院，山西太原 030024

基金项目:

国家自然科学基金青年基金 61905172

博士科研启动基金项目 20192015

来晋优秀博士奖励资金项目 20192068

详细信息

作者简介:
杨江涛（1988-），男，汉族，山西运城人，博士，讲师，研究方向：MEMS惯性器件及光电传感导航方面的研究。E-mail: yangjiangtao6567@tyust.edu.cn

中图分类号: TH706
计量
- 文章访问数: 442
- HTML全文浏览量: 103
- PDF下载量: 65
出版历程
- 收稿日期: 2020-04-08
- 修回日期: 2020-12-27
- 刊出日期: 2021-01-19

Fabrication Technology of a Subwavelength Metal Grating Polarizer

School of Electronics Information Engineering, Taiyuan University of Science & Technology, Taiyuan 030024, China

摘要

摘要: 亚波长周期结构光栅具有传统光栅所不具有的特殊特性，采用严格耦合波法设计并制作了一种柔性双层金属光栅偏振器，通过纳米压印技术在方形的PC（Polycarbonate，聚碳酸酯）上制备了周期为278 nm，深度为110 nm，占空比为0.5的亚波长光栅，通过磁控溅射技术在制作的介质光栅上沉积了70 nm的金属铝层，制作了具有双层金属结构的柔性双层金属光栅偏振器，并用光谱测试系统进行了简单的性能测试。实验结果表明，当入射光波长范围在350~800 nm时，制作的柔性双层光栅偏振器偏振特性优良，且具有非常高的透过率和消光比，分别高达48%和100000。该制作工艺只由纳米压印和金属蒸镀完成，省去了复杂的涂胶、剥离及刻蚀，因此在大批量生产偏振器方面具有很明显的优势，可普遍用于光探测器件、光电开光等半导体光电子器件的制作过程。
- 柔性 /
- 光栅偏振器 /
- TM透射效率 /
- 消光比
Abstract: Sub-wavelength periodic grating has special characteristics that are lacking in traditional grating. In this study, a flexible double-layer metal grating polarizer is designed and fabricated using a strict coupled wave method. Through nanoimprinting technology, sub-wavelength grating with a period of 278 nm, depth of 110 nm, and duty cycle of 0.5 is prepared on a square polycarbonate (PC). A 70 nm metal aluminum layer is deposited on the fabricated dielectric grating by magnetron sputtering, and a double-layer metal structure is fabricated. A flexible double-layer metal grating polarizer is developed, and the performance of the polarizer is tested using a spectrum measurement system. Experimental results showed that when the wavelength range of the incident light was 350-800 nm, the flexible double-layer grating polarizer had good polarization characteristics. The polarized light transmission efficiency and extinction ratio were as high as high as 48% and 100000, respectively. The manufacturing process involves only nanoimprinting and metal evaporation processes and thus excludes coating, stripping, and etching of the imprint adhesive. Therefore, our method exhibits evident advantages in terms of low-cost and batch production of large-area polarizers and thus can be widely used in the manufacturing process of semiconductor optoelectronic devices such as optical-detection and optoelectronic devices.
- flexible /
- wire-grid polarizer /
- TM transmission efficiency /
- extinction ratio

HTML全文

0. 引言

红外成像具有非接触直接测量输变电设备状态的特征，无需停电，在电力领域具有广泛的应用^[1-3]。输变电设备在野外严峻环境中长期运行，由于材料老化、污秽闪络、机械受损等因素，常伴随有局部放电、温度增高等现象。绝缘子作为输电线路重要部件，起到电气隔离和机械支撑的作用，当红外图像显示的温度较高，表明其有异常缺陷，这是因为场强不均匀发生局部放电，严重时可能导致线路故障，甚至造成停电故障。文献[4-5]开展了变压器高压套管的红外诊断研究，通过热像特征谱图分析了故障原因。红外图像可应用于交流滤波器的故障分析中，提取其跳闸的典型故障特征^[6-8]。

输变电设备红外图谱特征提取主要为图像处理方法，诸如纹理、色彩、边框等图像特征^[9-10]。随着无人机航拍技术的发展，输变电设备红外图谱呈现爆发式增长，深度学习提供了一种良好的手段^[11-13]，采用卷积神经网络（Convolutional Neural Networks，CNN）的方法，对海量图片进行训练学习，提取特征进行测试和验证。CNN通过卷积层计算，输入较深层的特征图，对于小目标绝缘子、套管，权重值相对较少，无法实现小目标的有效提取^[14-15]。针对这一缺点，本文对Faster R-CNN方法进行改进，提高绝缘子红外图谱诊断的精度。

1. 改进的Faster R-CNN方法

1.1 Faster R-CNN原理

区别于普通的CNN，Faster R-CNN增加了一个区域提取网络（Region Proposal Network，RPN），即图 1中的候选区域，摒弃传统的滑动窗口，可在GPU直接运行计算，极大地加快了计算速度。RPN判断每个像素点对应的多个不同尺度和宽高比的锚框是否为前景目标的二分类，形成候选区域。

图 1 Faster R-CNN的算法流程

Figure 1. Algorithm flow of Faster R-CNN

下载: 全尺寸图片幻灯片

Faster R-CNN一般采用随机梯度下降法（Stochastic Gradient Descent，SGD）训练神经网络，见式(1)：

$$ h(x) = \sum\limits_{i = 0}^n {{w_i}} {x_i} = {\mathit{\boldsymbol{W}}^{\rm{T}}}\mathit{\boldsymbol{X}} $$

(1)

式中：X为输入；W为权重；w_i、x_i分别表示第i个权重和输入；h(x)为对应的输出。

损失函数S(W)基于平方误差实现，见式(2)：

$$ S(\mathit{\boldsymbol{W}}) = \frac{1}{2}\sum\limits_{i = 0}^m {{{({h_W}({x_i}) - {y_i})}^2}} $$

(2)

式中：y_i为真实输出。

W的更新函数见式(3)：

$$ {W_j} = {W_j} - \alpha \frac{\partial }{{\partial {W_j}}}S(\mathit{\boldsymbol{W}}) $$

(3)

式中：α为学习率，可设置步长。W通过梯度下降法进行求解，首先正向计算样本输出值，接着根据反向传递的误差迭代计算，常用在CNN训练中。

RPN的选择本质是通过平移或者尺度变化的方法将合适的区域提取网络R变成$\hat C$，从而接近实际的候选框C：

$$ f({R_x}, {R_y}, {R_w}, {R_h}) = \left( {{{\hat C}_x}, {{\hat C}_y}, {{\hat C}_w}, {{\hat C}_h}} \right) \approx \left( {{C_x}, {C_y}, {C_w}, {C_h}} \right) $$

(4)

式中：(x, y)、(w, h)分别为矩形区域的中心坐标和宽、高。

令${t_*}$为矩形区域的平移和缩放量，则有：

$$ \left\{ {\begin{array}{*{20}{l}} {{t_x} = ({C_x} - {R_x})/{R_{\rm{w}}}}\\ {{t_y} = ({C_y} - {R_y})/{R_{\rm{h}}}}\\ {{t_{\rm{w}}} = \lg ({C_{\rm{w}}}/{R_{\rm{w}}})}\\ {{t_{\rm{h}}} = \lg ({C_{\rm{h}}}/{R_{\rm{h}}})} \end{array}} \right. $$

(5)

式中：t_x、t_y为矩形区域的中心坐标平移量；t_w、t_h分别为矩形区域的宽、高的缩放量。

预测值计算过程为：

$$ {d_*}(R) = w_*^{\rm{T}}\phi (R) $$

(6)

式中：ϕ是最后一次卷积计算。

损失函数的目标值计算见式(7)，通过调整平移和缩放的尺度，确定最终的候选区域^[16]：

$$ {L_{{\rm{oss}}}} = \sum\limits_{i = 1}^N {{{(t_*^i - w_*^{\rm{T}}\phi ({C^i}))}^2}} $$

(7)

1.2 压缩激励结构

为了增强Faster R-CNN的小目标特征提取能力，引入压缩激励结构，即压缩和激励两大操作，设图像的特征参数设置为(H, W, K)，分别表示为长、宽和通道数。

压缩操作F_sq(·)基于各个通道实现特征图空间信息的压缩，见式(8)：

$$ {h_c} = {F_{{\rm{sq}}}}\left( {{k_c}} \right) = \frac{1}{{H \times W}}\sum\limits_{i = 1}^H {\sum\limits_{j = 1}^W {{k_c}(i, j)} } $$

(8)

式中：k_c表示第c个通道；h_c表示经过压缩后输出向量h的第c个元素。

激励操作分为激励F_ex(·)和校准F_scale(·)两个过程，分别见式(9)和式(10)：

$$ s = {F_{{\rm{ex}}}}(h, w) = \sigma (g(z, w)) = \sigma ({w_2}\delta ({w_1}z)) $$

(9)

式中：σ是sigmoid激活函数；w₁为$\frac{c}{r} \times \vec C$的实数矩阵，表示通道的缩减，r为缩减因子；δ是ReLU激活函数，w₂为$\vec C \times \frac{c}{r}$的实数矩阵，表示通道的恢复。

$$ {\tilde h_c} = {F_{{\rm{scale}}}}({h_c}, {s_c}) = {s_c}.{h_c} $$

(10)

式中：s_c表示激活向量s的第c个元素；${\tilde h_c}$表示校准后的对应元素。

2. 绝缘子红外图像的深度学习

2.1 环境搭建

本文基于改进的Faster R-CNN方法，对平台的环境搭建要求较高，具体配置见表 1。操作系统为开源Linux，数据库为MySQL；硬件配置较高，CPU采用Intel高端系列，内存和硬盘容量均较大，保证大量数据的高效运算。框架采用2018年初公开的目标检测平台Detectron，包含最具代表性的目标检测、图像分割、关键点检测算法。

表 1 软硬件配置

Table 1. Hardware and software configuration

Name	Model
Operating system	Ubuntu 16.04.1
Database	mysql 5.5.20
CPU	Intel Xeon Silver 4114T 12C
GPU	NVIDIA GTX1080Ti
Memory	32 G
Hard disk	1 T
Frame	Detectron

下载: 导出CSV

| 显示表格

2.2 数据准备

图像数据来源于多条输电线路无人机拍摄的大量绝缘子照片。在神经网络的训练过程中，对正负样本的判定见图 2，主要基于锚框映射图与真实目标框的交并比（Intersection over Union，IoU）来进行计算分类。首先对RPN形成的锚框进行排序筛选形成锚框序列，接着利用边框回归参数向量修正锚框的位置形成候选区域集合，然后计算所有感兴趣区域（Region of Interest，RoI）与真实目标框的IoU，求最大值，并判断其是否大于0.5，若满足，则为正样本，否则为负样本。

图 2 正负样本判定

Figure 2. Positive and negative sample decision

下载: 全尺寸图片幻灯片

完成正负样本的判定后，为了使样本的采样尽量均衡，保证双方的训练集和验证集数量一致，同时采用迁移学习的方法，经过相关修正与补偿，扩充样本总量至2375，样本信息配置见表 2。

表 2 样本配置信息

Table 2. Information of sample configuration

sample type	training set	verification set	test set	total
positive	500	250	750	1500
negative	500	250	125	875
total	1000	500	875	2375

下载: 导出CSV

| 显示表格

2.3 改进模型的建立

普通的CNN方法，原始图像经过卷积层和池化层后，全链接层输出结果，本文方法的结构如图 3所示，引入压缩激励的过程，压缩特征图的空间信息，并通过激励操作学习通道间的依赖关系，可自适应分配每个通道的权重值，提取有利于任务的重要特征通道，最终能进一步增强网络模型的特征提取能力，采用SE-DenseNet-169框架的Faster R-CNN模型。

图 3 改进的Faster R-CNN结构

Figure 3. Structure of improved Faster R-CNN

下载: 全尺寸图片幻灯片

改进模型主要完成绝缘子异常状态的精准识别，首先对红外原始图像进行相关修正与补偿实现样本扩充，然后采用本文方法进行训练，收敛后，获得最终的改进Faster R-CNN模型。

3. 实验分析

3.1 精确度衡量

CNN学习中，精确度的衡量一般会采用准确率（Precision）和召回率（Recall），其计算过程分别见式(11)和式(12)：

$$ {P_{{\rm{re}}}} = \frac{{{\rm{TP}}}}{{{\rm{TP}} + {\rm{FP}}}} $$

(11)

$$ {P_{{\rm{ca}}}} = \frac{{{\rm{TP}}}}{{{\rm{TP + FN}}}} $$

(12)

式中：TP表示是实际值和预测值均是异常绝缘子的个数；FP表示预测值是异常绝缘子，实际值却不是的个数；FN表示是实际值是异常绝缘子，预测值却不是的个数。

为进一步衡量改进模型的优劣，这里采用平均检测精度（mean Average Precision，mAP），其中AP等价于召回率和准确率形成曲线与横轴包围的几何图形的面积，对所有类别的AP求平均值即可得到mAP。

3.2 不同方法的对比研究

基于样本数据，开展BP、Faster R-CNN以及本文方法的精确度和效率对比研究，不同方法的实验结果统计见表 3。Faster R-CNN和本文方法在Precision方面均明显优于BP方法，本文方法的Recall最高，mAP也最高，相对于BP提高了近10%，这说明经过改进的Faster R-CNN对于小目标的特征提取具有明显的优势。本文方法通过压缩激励结果，减少了数据量的计算，所以相对于其他方法，有更高的效率。

表 3 不同方法的实验结果统计

Table 3. Statistics of experimental results by different methods

Name	Precision	Recall	mAP	Time/s
BP	93.5%	90.4%	80.3%	2.3
Faster R-CNN	98.7%	95.3%	88.7%	1.2
BFEM	99.2%	97.6%	90.2%	0.9

下载: 导出CSV

| 显示表格

绘制其准确率-召回率关系曲线，如图 4所示，可更加形象直观地反映出本文方法对绝缘子异常特征的提取优势，因为另外两种方法的曲线均被完整的覆盖，说明本文方法改进效果明显。

图 4 准确率-召回率关系曲线

Figure 4. Relation curves of precision and recall

下载: 全尺寸图片幻灯片

3.3 不同类型绝缘子对比研究

常见绝缘子排列有单Ⅰ型、双Ⅰ型以及Ⅴ型。本文开展这3类绝缘子的红外图像研究，比较不同排列方式的诊断准确率，如图 5所示。根据电力标准DL/T 664-2008^[19]，图(b)和图(c)绝缘子端部明显发热，属于异常情况。

图 5 不同类型绝缘子的红外图像

Figure 5. Infrared image of different types of insulators

下载: 全尺寸图片幻灯片

不同类型绝缘子的异常诊断准确率见表 4，准确率均较高，均在90%以上；Ⅰ型和Ⅴ型绝缘子的准确率明显优于双Ⅰ型绝缘子，这是因为双Ⅰ型绝缘子会出现两排绝缘子重叠的情况，对红外图像的研究造成一定的影响，为此无人机对于该种类型绝缘子的线路需开展多种角度的拍摄。

表 4 绝缘子异常诊断的准确率

Table 4. Accuracy of insulator anomaly diagnosis

Insulator type	Abnormal total	Detected number	Accuracy
Single Ⅰ	62	61	98.4%
Double Ⅰ	47	44	93.6%
Ⅴ	31	31	100.0%

下载: 导出CSV

| 显示表格

4. 结论

本文提出一种改进的Faster R-CNN方法，引入激励压缩环节，搭建训练模型，完成绝缘子红外图像的异常诊断，并成功应用于电力现场运维。本文方法可高效并精准地识别出绝缘子的异常缺陷，mAP达到90.2%。研究结果可为输电线路绝缘子缺陷识别研究提供一定的参考。

图 1 金属光栅偏振示意图

Figure 1. Schematic of metal grating

下载: 全尺寸图片幻灯片

图 2 模板的SEM图

Figure 2. Scanning electron microscope (SEM) image of nanoimprint template

下载: 全尺寸图片幻灯片

图 3 模板防粘

Figure 3. Anti sticking of Si template

下载: 全尺寸图片幻灯片

图 4 柔性双层金属光栅偏振器的制作工艺流程图

Figure 4. Manufacturing process flow chart of flexible double layer metal grating polarizer

下载: 全尺寸图片幻灯片

图 5 在PC基底压印亚波长光栅

Figure 5. Printing subwavelength grating on PC substrate

下载: 全尺寸图片幻灯片

图 6 PC光栅结构的实物图和SEM图

Figure 6. Physical and SEM pictures of PC grating structure

下载: 全尺寸图片幻灯片

图 7 光栅偏振特性测试装置示意图

Figure 7. Schematic of laboratory measurement setup

下载: 全尺寸图片幻灯片

图 8 柔性双层金属光栅偏振器的性能测试图

Figure 8. Performance test chart of flexible double layer metal grating polarizer

下载: 全尺寸图片幻灯片

表 1 柔性双层金属光栅偏振器的参数

Table 1 Parameters of subwavelength metal grating polarizer

Materials and structures	Materials and parameters
Substrate materials	PC
Metallic materials	Al
Period/nm	278
Duty cycle	0.5
Aluminum thickness/nm	70
Distance between two metal grating layers/nm	50
PC grating height/nm	100

下载: 导出CSV

参考文献(17)

[1]	Chou S Y, Krauss P R, Renstrom P J. Imprint lithography with 25-nanometer resolution[J]. Science, 1996, 272(5258): 85-87. DOI: 10.1126/science.272.5258.85
[2]	Ekinci Y, Solak H H, David C, et al. Bilayer AL wire-grids as broadband and high-performance polarizers[J]. Optics Express, 2006, 14: 2323-2334. DOI: 10.1364/OE.14.002323
[3]	Kim S H, Lee K D, Kim J Y, et al. Fabrication of photonic crystal structures on light emitting diodes by nanoimprint lithography[J]. Nanotechnology, 2007, 18: 055306/1-5.
[4]	YANG Z Y, LU Y F. Broadband nanowire-grid polarizers in ultraviolet-visible-near-infrared regions[J]. Optics Express, 2007, 15: 9510-9519. DOI: 10.1364/OE.15.009510
[5]	GE Z, WU S T. Nanowire grid polarizer for energy efficient and wide-view liquid crystal displays[J]. Applied Physics Letters, 2008, 93(12): 121104-121106. DOI: 10.1063/1.2988267
[6]	Ahn S H, Kim J S, Guo L J. Bilayer metal wire-grid polarizer fabricated by roll-to-roll nanoimprint lithography on flexible plastic substrate[J]. Journal of Vacuum Science & Technology B, 2007, 25: 2388-2391.
[7]	DENG S R, LU B R, DONG B Q, et al. Effective polarization control of metallic planar chiral metamaterials with complementary rosette pattern fabricated by nanoimprint lithography[J]. Microelectronic Engineering, 2010, 87: 985-988. DOI: 10.1016/j.mee.2009.11.123
[8]	Suyatin D B, Sun J, Fuhrer A, et al. Electrical properties of self-assembled branched InAs nanowire junctions[J]. Nano Letters, 2008(8): 1100-1104.
[9]	GAO C H, WANG B, FU C, et al. Polarization-controlled grating polarizer under second Bragg incidenc with silver deposited in groove[J]. Optics Communications, 2020: 459.
[10]	汤厚睿.氧化锌亚波长光栅偏振分束器的设计与分析[D].南京: 南京邮电大学, 2019. TANG H R. Design and analysis of ZnO-based sub-wavelength grating polarization beam splitter[D]. Nanjing: Nanjing University of Posts And Telecommunications, 2019.
[11]	张冲, 胡敬佩, 周如意, 等.深紫外光栅反常偏振器件的设计与分析[J].中国激光, 2020, 47(3): 0301005. ZHANG C, HU J P, ZHOU R Y, et al. Design and analysis of inverse polarization grating devices for deep ultraviolet light[J]. Chinese Journal of Lasers, 2020, 47(3): 0301005.
[12]	Ahn She Won, Lee Ki Dong, Kim Jin Sung, et al. Fabrication of a 50 nm half-pitch wire grid polarizer using nanoimprint lithography[J]. Nanotechnology, 2005, 16: 1874-1877. DOI: 10.1088/0957-4484/16/9/076
[13]	康果果, 谭桥峰, 陈伟力, 等.亚波长金属线删偏振器的设计、制备及偏振成像实验研究[J].物理学报, 2011, 60(1): 014218/1-7. KANG G G, TAN Q F, CHEN W L, et al. Design and fabrication of sub-wavelength metal wire-grid and its application to experimental study of polarimetric imaging[J]. Acta Physica Sinica, 2011, 60(1): 014218/1-7.
[14]	康宁, 唐军, 李大林, 等.亚波长金属偏振光栅设计与分析[J].传感器与微系统, 2015, 34(2): 79-84. KANG N, TANG J, LI D L, et al. Design and analysis of sub-wavelength metal polarization grating[J]. Transducer and Microsystem Technologies, 2015, 34(2): 79-84.
[15]	WU Chienli, SUNG Chengkuo, YAO Pohung, et al. Sub-15 nm linewidth gratings using roll-to-roll nanoimprinting and plasma trimming to fabricate flexible wire-grid polarizers with low colour shift[J]. Nanotechnology, 2013, 24(26): 265301/ 1-7.
[16]	Yamada Itsunari, Yamashita Naoto, Tani Kunihiko, et al. Fabrication of a mid-IR wire-grid polarizer by direct imprinting on chalcogenide glass[J]. Optics Letters, 2011, 36(19): 3882-3884. DOI: 10.1364/OL.36.003882
[17]	常闪闪, 麻云凤, 廖利芬, 等.基于空气隙棱镜实现布鲁斯特角型偏振器消光比测量[J].红外技术, 2019, 41(9): 882-886. http://hwjs.nvir.cn/article/id/hwjs201909013 CHANG S S, MA Y F, LIAO L F, et al. Measurement of extinction ratio of brewster angle polarizer based on air gap prism[J]. Infrared Technology, 2019, 41(9): 882-886. http://hwjs.nvir.cn/article/id/hwjs201909013

施引文献(10)

期刊类型引用(8)

1.	李明超，闫宽，张聪，胡记伟，欧锴，陈绪兵. 用于激光软钎焊温度测量的高精度红外辐射测温装置. 红外技术. 2025(01): 108-114 . 本站查看
2.	秦沛强，聂传杰，吝曼卿，卢永雄，张岸勤，何家冰. 磷矿巷道岩爆风险的可视化及特征增强研究. 矿业研究与开发. 2025(02): 123-131 . 百度学术
3.	李贞，魏勇. 基于BP神经网络的红外测温补偿算法研究. 机械制造与自动化. 2023(01): 170-172+176 . 百度学术
4.	曾飞，胡文祥，高彦鑫，宋杰杰. 基于激光扫描的输送带横向跑偏检测系统. 制造业自动化. 2023(05): 21-24 . 百度学术
5.	杨帆，徐军，吴振生，孙明晓，金添. 基于Web端多节点红外热成像传感系统设计. 激光杂志. 2022(02): 154-157 . 百度学术
6.	何翔. 非接触式检测装置综合实验设计. 电子技术与软件工程. 2022(07): 148-151 . 百度学术
7.	谢彬棽. 基于双CAN总线的露天矿带式输送机速度自动化控制方法. 煤矿机械. 2022(12): 214-217 . 百度学术
8.	武存喜. 回转窑焚烧设备退火温度模糊自适应控制技术. 工业加热. 2022(12): 27-31 . 百度学术

其他类型引用(2)

资源附件(0)

图(8) / 表(1)

计量

文章访问数: 442
HTML全文浏览量: 103
PDF下载量: 65
被引次数: 10

0. 引言
1. 改进的Faster R-CNN方法
1.1 Faster R-CNN原理
1.2 压缩激励结构
2. 绝缘子红外图像的深度学习
2.1 环境搭建
2.2 数据准备
2.3 改进模型的建立
3. 实验分析
3.1 精确度衡量
3.2 不同方法的对比研究
3.3 不同类型绝缘子对比研究
4. 结论

亚波长金属光栅偏振器制备技术研究

作者简介: 杨江涛（1988-），男，汉族，山西运城人，博士，讲师，研究方向：MEMS惯性器件及光电传感导航方面的研究。E-mail: yangjiangtao6567@tyust.edu.cn

计量

出版历程