摘要:为解决在中高频地震信号勘探检测中,检波器存在的高固有频率与低灵敏度的矛盾, 提出了一种基于杠杆放大机构的光纤光栅中高频地震检波器。在惯性质量块的一端链接杠杆放大机构,光纤光栅以两点式封装法竖直固定在杠杆的放大端与基底之上。杠杆放大机构可以在检波器的输出端产生机械放大,增加光纤光栅的轴向应变,增大对地层中微弱中高频信号的响应,从而提高检波器的灵敏度。同时检波器的机械结构使用一体化加工工艺,可提高机械结构的刚度与稳定性。实验测试表明,该检波器的固有频率为526 Hz,在20—260 Hz的频率范围内,灵敏度为119.108 4 pm/g,同时具有良好的横向抗干扰性能。 这为中高频段载震检波器的研究 提供了一定的技术思路和方向。

摘要:本文提出了一种场景文本检测方法,用于应对复杂自然场景中文本检测的挑战。该方法采用了双重注意力和多尺度特征融合的策略,通过双重注意力融合机制增强了文本特征通道之间的关联性,提升了整体检测性能。在考虑到深层特征图上下采样可能引发的语义信息损失的基础上,提出了空洞卷积多尺度特征融合金字塔(dilated convolution multi-scale feature fusion pyramid structure,MFPN) ,它采用双融合机制来增强语义特征,有助于加强语义特征,克服尺度变化的影响。针对不同密度信息融合引发的语义冲突和多尺度特征表达受限问题,创新性地引入了多尺度特征融合模块(multi-scale feature fusion module,MFFM )。 此外,针对容易被冲突信息掩盖的小文本问题,引入了特征细化模块(feature refinement module,FRM ) 。实验表明,本文的方法对复杂 场景中文本检测有效,其F值在CTW1500、ICDAR2015和Total-Text 3个数据集上分别达到了85.6%、87.1%和86.3%。

摘要:针对现有的动态场景图像去模糊方法存在的特征提取不准确、未充分利用有效特征的问题,本文提出了一种基于双分支特征提取与循环细化的动态场景图像去模糊网络。整个网络包括特征提取网络、循环细化网络(cyclic refinement network,CRN) 、图像重建(image reconstruction,IR) 3部分。其中,特征提取网络包括模糊图像细节和轮廓特征(contour feature,CF) 的提取,以残差单元作为特征提取网络的基本单元；循环细化网络通过交替融合轮廓特征和细节特征(detail feature,DF) 来细化特征图,得到模糊图像的细化特征(refinement feature,RF) ；最后,在图像重建阶段,复用轮廓和细节特征,结合残差学习策略将轮廓特征、细节特征和细化后的特征逐级融合后通过非线性映射的方式重建清晰图像。在广泛使用的动态场景模糊数据集GOPRO上的实验结果表明,该方法的平均峰值信噪比(peak signal to noise ratio,PSNR)达到31.86,平均结构相似度(structure similarity,SSIM)达到0.947 3,所提方法复原的图像包含丰富细节,具有更好的去模糊效果,在客观评价指标和主观视觉效果上均优于对比方法。

摘要:目前草原环境复杂、牧草分散且与背景颜色差异小,无法实现高效精准的分割,因此本文提出了一种新型的轻量化多尺度DeeplabV3+网络(lightweight and multi-scale DeeplabV3+ network,LMS-DeeplabV3+)。该网络以DeeplabV3+为基础网络,首先选用轻量级的MobilenetV2作为骨干网络用于初步特征提取,并为了适应牧草分割任务做了网络配置上的调整；其次在加强特征提取模块和解码模块中均使用深度可分离卷积代替普通卷积以轻量化网络；此外利用 密集空洞空间金字塔池化(dense atrous spatial pyramid pooling,DASPP)模块捕获更大的感受野,加强各特征之间的交互；又引入卷积注意力机制(convolutional block attention module,CBAM)重分配权重加强特征提取。实验证明,提出的新网络与原始网络相比平均交并比(mean intersection over union, mIOU)提升了8.06个百分点、平均像素精度(mean pixel accuracy, mPA)提升了6.75个百分点,网络计算量和参数量均下降了90%以上,分割预测速度也有所提升,与其他主流分割网络相比各性能都表现更好。

摘要:采用距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型对左心室(left ventricle,LV)进行分割会使其产生锯齿状,分割效果较差。为了解决左心室分割目前面临的问题,本文首先使用基于卷积神经网络(convolutional neural network,CNN)的心肌中心线检测算法,取代了水平集方法的人工初始化过程,其次提出了一种基于非零水平集保凸的左心室分割方法。将距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型(水平集方法)、深度学习方法与新方法的平均度中心性进行比较发现,新方法在收缩末期(end-systole,ES)的平均DC(dice coefficient)值为0.93,高于其他方法；除此之外,新方法在舒张末期(end-diastole,ED)与ES阶段的平均豪斯多夫距离(Hausdorff distance,HD)分别为2.51、2.54,明显小于深度学习方法以及水平集方法。实验结果表明,新方法能够有效地提高分割精度。

摘要:针对水下目标检测过程中由于水下成像模糊、目标物与背景对比度低等原因导致的水下图像特征提取与目标理解困难的问题,本文提出了一种基于频域注意力的水下目标检测算法。该方法首先将训练集图像变换到频域,并使用低频特征引导组件(low frequency feature guiding suite,LFGS)计算频率分量,然后该分量将作为参数被应用到低频特征提取模块(low frequency feature extraction model,LFM)来更好地提取图像的低频特征,融合了图像低频信息的特征经过进一步特征提取生成高层特征,最后将高层特征输入到检测头中进行检测。在URPC2021数据集上进行验证,平均精度均值达到了83.35%,验证了本文方法的有效性。

摘要:糖尿病视网膜病变(diabetic retinopathy,DR)是目前人类的主要致盲疾病之一。针对DR数据集中样本类间差异小和类分布不均衡等制约分级性能提高的问题,本文提出一种融合注意力线性特征多样化(fusion of attention linear feature diversification,FALFD) 的分级算法。该算法首先用改进的Res2Net残差网络作为模型骨干来增大感受野,进一步提高网络捕捉特征信息的能力；其次引入自适应特征多样化模块(adaptive feature diversification module,AFDM) 对眼底图像可分辨的微小病理特征进行识别,获得具有高语义信息的局部特征,避免单一特征区域的限制,进而提高分级准确度；再后利用双线性注意力融合模块(bilinear attention fusion module,BAFM) 增加可判别区域特征的网络权重占比；最后采用正则化焦点损失(focal loss,FL) 进一步提升算法的分类性能。在IDRID数据集上,灵敏度和特异性分别为94.20%和97.05%,二次加权系数为87.83%；在APTOS 2019数据集上,二次加权系数和受试者工作曲线下的面积分别为88.06%和93.90%。实验结果表明,本文算法在DR分级领域中具有一定的应用价值。

摘要:针对Si中容易混入Fe杂质和Cu杂质的问题,根据第一性原理和光电响应理论,建立了两种杂质混入下的Si模型,比较了不同间隙位置的杂质原子对Si材料的能级结构及响应特性的影响。结果表明:两种杂质的混入均会导致Si材料能级结构发生变化,从而使Si材料能够出现带外响应,且使得光敏单元的饱和阈值降低。具体而言,Fe杂质在四面体间隙位时,Si材料能级结构会受到明显影响,其带隙减小至0.013 eV,从而在约1 560 nm处出现带外吸收峰。Cu杂质则是在六边形间隙位时对Si材料的影响明显,使材料带隙消失,且在约1 700 nm处出现带外吸收峰。这两种情况下Si 基光敏单元的饱和阈值下降也最为明显,当1 550 nm 激光辐照时,饱和阈值分别为0.001 65 W·cm-2和0.002 54 W·cm-2。分析结果可为光电器件的应用和研制提供参考。

摘要:有机发光材料可能对人体或环境造成影响,除此之外还有生产成本高、发光易淬灭、发光强度与颜色不易于控制的缺点,因此探索性能优越的稀土发光材料并寻找其应用价值是具有重要意义的。本文基于水热辅助固相法制备出Er³⁺、Eu³⁺离子共掺杂LaOF荧光粉,通过X射线衍射仪(X-ray diffractometer,XRD) 、扫描电镜(scanning electron microscope,SEM) 和荧光分析仪对不同Er³⁺掺杂浓度下的LaOF∶Eu³⁺荧光粉体的相组成、粒径尺寸、形貌及荧光光谱进行表征与分析。结果表明:在900 ℃的温度下煅烧,物相由前驱体LaF₃转变为四方相LaOF,且随着Er³⁺掺杂浓度的升高,在365 nm与393 nm波长激发下均呈现出多色可调谐的发光特性,其中365 nm激发下呈现自橙色光向黄色光的转变,而在393 nm光辐射下则由橙色光向品红 色光过渡。将Er³⁺、Eu³⁺共掺杂LaOF荧光粉制成油墨并印制成图案后,当其受激于365 nm与395 nm激发光时,可分别呈现肉眼可辨的橙色和紫色光发射,表明所制备的荧光粉有望在防伪领域具有一定的应用前景。

摘要:针对低空微小型无人机对公共安全造成威胁的问题,本文基于YOLOv5(you only look once v5)网络提出了一种适用于移动端的轻量型目标检测模型YOLOv5_SS。该模型以轻量型网络ShuffleNetv2替换YOLOv5原有的主干网络,引入 SENet (squeeze-and-excitation networks)注意力机制,并采用Soft-NMS(soft non-maximum suppression)算法提升对密集重叠目标的检测效果。实验结果表明,该模型在数据集上对低空微小无人机进行检测的平均精确率均值 (mean average precision@0.5,mAP₅₀) 为92.75%,精度为90.49%,参数量为0.237 4 M,浮点运算数为0.9千兆浮点运算(giga floating-point operations,GFLOPS)。具有检测精度高、内存占用率低的特点,有利于在移动终端上部署且在复杂背景及密集目标的场景下均有较好的检测效果。

摘要:亚临床期圆锥角膜(subclinical keratoconus,subkc)发病隐匿,现有医疗设备诊断存在局限性,所以提出一种诊断亚临床期圆锥角膜的检测方法是十分必要的。有研究发现圆锥角膜(Keratoconus,kc)力学性能的改变早于形态学,因此从角膜生物力学的角度筛查亚临床期的圆锥角膜更加符合临床实际。本文运用角膜生物力学特征,以点云数据作为网络输入数据,将SO-Net (self-organizing network)和自注意力(self-attention,SA)机制结合构建SOANet,对圆锥角膜、亚临床期圆锥角膜和正常角膜进行分类。首先,利用可视化生物力学分析仪(corneal visualization Scheimpflug technology,Corvis ST)拍摄角膜受力形变视频,对其进行处理得到点云数据集,接着对点云数据进行增强处理,使3种类型的角膜数据量分布均衡。然后按照3∶1的比例划分训练集和测试集, 分别对角膜进行二分类和三分类。最终模型在二分类和三分类测试集上的准确率分别达到98.3%和91.26%,即有效识别亚临床期圆锥角膜和圆锥角膜。实验结果表明,以三维点云数据构建亚临床期圆锥角膜辅助诊断模型是可行的,SOANet能够有效识别出亚临床期圆锥角膜,且分类性能优于传统模型。

摘要:超表面作为一种超薄微纳器件具有优良的性能,利用超表面检测生物分子具有越来越广泛的前景。本文调研了可调谐超表面检测生物分子的研究进展,并分别从太赫兹波段、中红外波段、光波段阐述当前的研究成果。本文重点介绍了当前超表面利用外加电压、改变环境温度等实现可调谐的方法,并对超表面检测不同生物分子的性能进行了总结分析,最后给出了可调谐超表面在生物分子检测方面未来发展的机遇与挑战。