据外媒报道，维也纳理工大学光子学研究所的一个研究小组通过应用于模拟数据的传感器计算，开发出一种加速机器视觉的方法，用图像传感器将图像处理速度提升至传统技术的数千甚至上万倍。据悉，其视觉系统设计模仿了大脑对信息处理的方式，只用纳秒级时间就能完成简单图像的分类。
在目前的技术中，机器视觉是使用一个基本系统来实现的，该系统包括一个带有对光做出响应的图像传感器的装置，来自图像传感器的数据通过另一个设备从模拟信号转换为数字信号，然后，数字数据由另一台设备处理，无论是本地设备还是云端设备。虽然该系统在目前的应用中运行良好，但由于在读取和处理大量图像数据时存在滞后，因此可能不适合未来的应用。在这项新的工作中，研究人员提出了一种新型的图像传感器，能够在有限的范围内处理模拟数据。
该小组设想的图像传感器是将三个光电二极管嵌入芯片上，以允许使用外加电压增加或降低其对光的灵敏度，该设置允许每个二极管单独调谐或加权。在这种情况下，二极管的作用类似于人眼中的神经，当图像呈现给设备时，所有二极管都会根据它们的调谐一起做出反应，它们充当网络视觉处理器。当光到达传感器时，通过添加构成传感器阵列的每个列和行的光强度来处理。然后，通过根据期望的结果分别调整每个成员，对二极管阵列进行任务训练。最初的学习阶段需要很短的时间，但是一旦网络经过训练，处理的速度就等于光电二极管的反应时间。
研究人员设想的设备并非用来产生图像。相反，它过滤掉不必要的数据并执行一些初始排序。为了测试它，研究人员教他们的设备对三个简化字母进行排序。他们还用它来做一些非常基本的基于给定图像关键特征的自动编码。研究人员指出，他们的设计和设备仍处于概念验证阶段，但他们说，迄今为止的发现令人鼓舞。
研究人员介绍说：“我们的图像传感器在工作时不会消耗任何电能，被检测的光子本身就可以作为电流供能。”他着重提到，传统的机器视觉技术通常能够每秒处理100帧图像，一些更快的系统则可以每秒处理1000帧，相比之下，“我们的系统每秒可以处理2000万帧。”
