基于全站仪定位的辐射场测量方法研究

在核设施检修或退役中,往往需要对现场的辐射剂量场进行测量。传统的剂量率仪不支持空间坐标测量,需要额外的坐标测量工具,且剂量测量和坐标测量不同步,使得测量效率受到限制。针对该问题,提出了一种基于全站仪定位的测量方法,可同时测量剂量率和对应的空间坐标,定位精度为mm级,研制了测量系统样机。使用样机对某个水泥固化放射性废物桶进行了测试实验,与蒙特卡罗计算结果进行对比,测量值与模拟值的相对偏差遵循正态分布,平均偏差为12.8%,标准偏差为9.37%,数量大约占96%的测量点位的相对偏差在[-30%,5%]的范围内,体现了较高的测量精度。对某核设施厂房的另外两个较为复杂的场景进行辐射场测量,使用对数变换普通克里金方法对离散的测量点进行辐射场插值计算,三维辐射场重构结果的平均相对偏差可控制在50%左右。结果表明通过基于全站仪的辐射场测量系统可对现场的三维辐射场进行重构,精度可以满足三维辐射场的应用需求。

基于直接CAD几何模型的辐射场生成技术研究及应用

介绍了基于直接CAD几何模型的3维辐射场生成技术及其应用情况。在大规模并行非结构网格蒙特卡罗粒子输运方法的基础上,结合在线地图、SolidWorks等直接CAD几何模型,提出了1种适用于电子元器件、复杂厂房几何和大区域城市环境的高效辐射场生成模拟计算方法。并基于该技术实现了安卓设备电路板辐射场、复杂放射源迷道辐射环境和核辐射在百米量级城市环境建筑物区域的数值模拟,获取了全空间的辐射场中子注量率和能量分布信息,验证了该项技术在电子元器件辐照效应、放射源屏蔽设计和核辐射瞬发效应仿真应用中的可行性。

基于神经辐射场的RGB图像点云重建多肉植物及尺寸测量研究

以多肉植物盆栽为研究对象,使用手持式RGB相机采集11个多肉植物盆栽的视频数据,通过将视频转换为图像帧、选取优质清晰图像帧、计算相机位姿得到含丰富信息的RGB图像数据。提出一种改进神经辐射场的多肉植物三维重建方法,根据实际场景提出新的射线采样策略,同时引入改进的图像修复模块与隐式模型重建点云方法,并根据点云重建结果提取多肉植株的叶片数、株高、冠围、凸包体积、叶长、叶宽和叶色共7个表型参数。最后选取具有代表性、易测量的叶片数、株高、冠围、叶长和叶宽5个表型参数进行精度评估与误差原因分析,平均绝对百分比误差(MAPE)分别为2.32%、3.95%、4.95%、5.59%和9.55%,均方根误差(RMSE)分别为0.86片和1.95、17.54、1.87、1.27 mm,决定系数(R^(2))分别为0.99、0.99、0.86、0.91和0.89。精度评估结果表明,所提取的表型参数能够准确、高效地反映多肉植株生长状态,充分发挥RGB图像新视角合成技术、图像处理技术与三维点云重建技术的优势,实现多肉植株盆栽的表型参数高精度、非破坏性提取,能够为多肉植物的种植和养育以及为非固定、多视角的RGB数据获取研究提供重要的技术支持。

UV-LED表面消毒辐射场的数学模拟体系的建立及试验验证

为了实现紫外发光二极管(Ultraviolet Light-Emitting Diodes,UV-LED)表面消毒器设计的优化、高效、智能化目的,研究建立了UV-LED表面消毒辐射场的数学模型,并进行了试验验证。根据该数学模型,编写了VBA(Visual Basic for Applications)程序,对辐射场进行了模拟和分析。结果显示,辐射模型的计算值与实测值接近,试验验证了辐射模型的可行性。试验进行了应用举例,当照射距离与灯间距的比值为0.4时,选择最大发光角90°的UV-LED可使辐射场最优化;当照射距离与灯间距的比值为0.8和1.6时,对应的最优选择分别是45°和30°的UV-LED。数学模型和相关计算方法为优化设计紫外线表面消毒设施提供了模拟、优化的有效工具。

航空发动机电子控制器的高强辐射场干扰及防护

针对航空发动机电子控制器(EEC)易受高强辐射场(HIRF)干扰问题,以ZF-M600型EEC为研究对象,通过三维电磁仿真软件CST对EEC建模并进行平面波辐照仿真,模拟HIRF对EEC的干扰效应,仿真结果表明,HIRF可以通过孔缝耦合进入EEC内部并在腔体内部产生谐振,谐振频率处电场强度显著增加。依据RTCA DO-160G在400 MHz~4 GHz开展EEC辐射敏感度试验,试验结果表明:EEC失效频点为2.40 GHz和3.48 GHz,敏感模块为模拟量输入输出模块,敏感现象为模拟量数据丢失。EEC失效频点与谐振频率接近,说明EEC失效与腔体谐振有关,在EEC内部贴装吸波材料并进行仿真,分析吸波材料的放置方式和厚度对EEC谐振电磁干扰强度的影响,仿真结果表明,贴装吸波材料可以有效抑制谐振电磁干扰。

基于神经辐射场的苗期作物三维建模和表型参数获取

苗期作物三维结构的精准高效重建是获取表型信息的重要基础。传统的三维重建大多基于运动恢复结构-多视图立体视觉(Structure from motion and multi-view stereo,SFM-MVS)算法,计算成本高,难以满足快速获取表型参数的需求。本研究提出一种基于神经辐射场(Neural radiance fields,NeRF)的苗期作物三维建模和表型参数获取系统,利用手机获取不同视角下的RGB影像,通过NeRF算法完成三维模型的构建。在此基础上,利用点云库(Point cloud library,PCL)中的直线拟合和区域生长等算法自动分割植株,并采用距离最值遍历、圆拟合和三角面片化等算法实现了精准测量植株的株高、茎粗和叶面积等表型参数。为评估该方法的重建效率和表型参数测量精度,本研究分别选取辣椒、番茄、草莓和绿萝的苗期植株作为试验对象,对比NeRF算法与SFM-MVS算法的重建结果。结果表明,以SFM-MVS方法重建点云为基准,NeRF方法重建的各植株点云点对距离均方根误差仅为0.128~0.395 cm,两者重建质量较接近,但在重建速度方面,本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外,该方法提取辣椒苗株高、茎粗决定系数(R^(2))分别为0.971和0.907,均方根误差(RMSE)分别为0.86 cm和0.017 cm,对各苗期植株叶面积提取的R^(2)为0.909~0.935,RMSE为0.75~3.22 cm^(2),具有较高的测量精度。本研究提出的方法可以显著提高三维重建和表型参数获取效率,从而为作物育种选苗提供更为高效的技术手段。

无人机数据链射频前端高强辐射场干扰效应研究

针对四旋翼无人机(UAV,unmanned aerial vehicle)数据链在低空飞行时易受高强辐射场(HIRF,high intensity radiated field)干扰的问题,本文采用场-路联合仿真的方法对其进行干扰效应的研究。首先,利用电磁仿真软件探究UAV整机模型在HIRF下的天线耦合效应,并对不同辐照方向、信号类型和脉宽系数下的耦合电压进行分析;其次,通过电路设计分析软件对数据链射频(RF,radio frequency)前端电路进行注入仿真并分析干扰效应。结果表明,脉宽系数越小,高斯脉冲造成的干扰越强,相同脉宽系数下的调制高斯脉冲造成的干扰强于高斯脉冲;干扰信号的加入会导致射频前端中频(IF,intermediate frequency)输出信号的峰值显著增大,峰值频率发生偏移以及信噪比降低。

神经辐射场多视图合成技术综述

如何从图像中渲染出较为真实的虚拟场景一直是计算机图形学与计算机视觉领域的研究目标之一。神经辐射场是一种基于深度神经网络的新兴方法,它通过学习场景中每个点的辐射场来实现较为真实的渲染效果。通过神经辐射场不仅可以生成逼真的图像,而且可以生成具有真实感的三维场景,在虚拟现实、增强现实和计算机游戏等领域有着广泛的应用前景。然而,其基础模型存在训练效率低、泛化能力差、可解释性不足、易受光照和材质变化影响以及无法处理动态场景等问题,在某些情况下无法获得最佳的渲染结果。大量基于此研究的工作陆续展开,且在效率和精度等方面都取得了出色的成果。为了跟踪该领域最新研究成果,对近年来神经辐射场领域的关键算法进行回顾和综述。首先介绍了神经辐射场的产生背景及原理,对后续关键改进模型进行分类探讨。主要涵盖以下几个方面:对神经辐射场基本模型参数的优化,在渲染速度与推理能力方面的提升,对空间表达和光照能力的改善,针对静态场景相机位姿估计与稀疏视图合成方法的改进,以及在动态场景建模领域的发展。对各种模型的速度与性能进行分类对比与分析,并简要介绍了该领域主要模型评估指标与公开数据集。最后对神经辐射场未来发展趋势进行展望。

神经辐射场加速算法综述

近年来,神经辐射场(NeRF)已成为计算机图形学和计算机视觉领域中一个重要的研究方向,因其高逼真的视觉合成效果,在真实感渲染、虚拟现实、人体建模、城市地图等领域得到了广泛的应用。NeRF利用神经网络从输入图片集中学习三维场景的隐式表征,并合成高逼真的新视角图像。然而原始NeRF模型的训练和推理速度都很慢,难以在真实环境下部署与应用。针对NeRF的加速问题,研究者们从场景建模方法、光线采样策略等方面展开对NeRF进行提速的研究。该类工作大致可分为以下研究方向:烘焙模型、与离散表示方法结合、提高采样效率、利用哈希编码降低MLP网络复杂度、引入场景泛化性、引入深度监督信息和分解方法。通过介绍NeRF模型提出的背景,对上述思路的代表方法的优势与特点进行了讨论和分析,最后总结了NeRF相关工作在加速方面所取得的进展和对于未来的展望。

UV-LED辐射模式对表面消毒辐射场均匀度的影响

在使用紫外发光二极管(Ultraviolet light-emitting diodes,UV-LED)进行表面消毒时,物体表面会出现部分区域消毒剂量超出必要,部分区域消毒剂量不足的现象。理想的辐射场是物体表面各点的辐射照度相同。为了优化辐射场,建立了辐射场的通用公式,编写VBA程序,实现了对辐射场的数学模拟、分析和优化。对9种UV-LED辐射模式的辐射场进行了实际模拟分析。结果显示:对于由多颗UV-LED组成的光源板,辐射距离与UV-LED间距的比以及UV-LED的辐射模式是辐射场均匀性的决定因素。由于边缘效应,在光源板正下方投影的边长的80%范围内才有可能实现辐射场均匀。当辐射距离和UV-LED间距之比在3~15的范围内时,均匀性良好(最小和最大值的比≥81.8%)。较小的最大发光角的辐射模式在照射距离和UV-LED间距比例偏大的情况下更为适用,反之亦然。

面向卫星遥感图像场景重建的神经辐射场方法综述

随着高分辨率卫星遥感图像成为认知地理空间不可或缺的重要手段,卫星遥感图像在城市建图、生态监测和导航等领域发挥着日益重要的作用,利用卫星遥感图像进行地球表面大规模3维重建成为了计算机视觉和摄影测量领域的研究热点。神经辐射场(NeRF)利用可微渲染学习场景的隐式表示,在复杂场景新视图合成任务中实现了逼真的视觉效果,并在3维场景重建和渲染领域获得了极大的关注。近期的研究主要集中在利用神经辐射场技术,从卫星遥感图像中提取场景表示及其重建。面向卫星遥感图像的神经辐射场方法主要集中在光线空间优化、场景表示优化以及模型高效训练3方面。该文全面归纳了神经辐射场技术在卫星遥感应用中的最新进展。首先介绍神经辐射场技术的基本概念及相关数据集。然后提出一个面向卫星遥感图像的神经辐射场方法分类框架,用于系统性地回顾和整理该技术在卫星遥感领域的研究进展。接着详述了神经辐射场技术在实际卫星遥感场景应用中的相关成果。最后,基于当前研究所面临的问题和挑战进行分析和讨论,同时对未来的发展趋势和研究方向进行了展望。

基于神经辐射场结构模糊优化的三维重建

少视图三维重建仅需要较少的视图来恢复物体的三维几何形状或场景。但由于少视图存在不同视角上的覆盖不足、缺乏足够的信息来准确还原三维场景的问题,会导致重建结果的不准确或者模糊,尤其针对具有复杂几何结构的场景难以捕获到场景的结构信息。本文提出了一种基于神经辐射场的框架,利用准确成本代价体关联前景和后景深度信息解决结构模糊的问题。首先,利用金字塔网络提取前景和后景的局部特征,加强对场景细节的捕捉,引入了Self-attention机制,以确保在特征提取过程中关注关键区域。然后,通过自适应感受野模块实现特征尺度的平滑传递,以此来构建一个准确的特征代价体。最后,引入随机结构相似性损失,利用局部区域像素作为整体监督替代像素逐点监督,以更全面地捕捉场景中的结构信息。在DTU数据集、LLFF数据集以及NeRF数据集上的PSNR分别提升了0.48 Db、0.1 Db、0.47 Db,实验数据表明,本文方法能有效解决少视图三维重建中信息不足导致的结构模糊问题。

全局减方差方法在大空间γ辐射场计算中的应用

为了提高大空间γ辐射场全局计算效率,开展了全局减方差(Global Variance Reduction,GVR)方法在大空间γ辐射场计算中的应用研究。针对计数栅元/网格体积差异造成的过度分裂问题,引入体积修正因子修改全空间权窗参数。体积修正后的基于通量的GVR方法计算的全局品质因子(FOMG)比直接模拟提高约39倍。针对非计数区计算耗时问题,提出了非计数区修正方法,使得FOMG因子进一步提高40%。在引入体积和非计数区修正的基础上,在大空间γ辐射场计算中与基于粒子误差、权重、径迹、数目、能量、碰撞和通量的7种GVR方法进行对比。结果表明:7种GVR方法计算的FOMG因子比直接模拟提高2~3个量级,基于误差的标准差σ降低2~3个量级;而基于权重的GVR方法计算的FOMG因子比直接模拟提高2304倍,在所有GVR方法中减方差效果最好。在基于通量的GVR方法中引入光滑因子SI后,模拟计算的权窗下限随SI增加而减小,FOMG因子随SI的增加先增加后减小。当SI=0.8时,该方法计算的FOMG因子最大,比直接模拟提高3246倍。

基于神经辐射场算法的混合现实三维重建技术

针对目前在混合现实(MR)环境中高效率建立高质量三维(3D)模型的需求,基于神经辐射场算法(NeRF)的三维重建技术,提出了一种基于Laplacian算子的数据集优化算法。首先,围绕某线切割设备录制了一段1 min 51 s的视频,并采取等距提取视频帧的方式,获取了训练数据集;然后,使用Laplacian算子对数据集进行了优化,同时保留了原始数据集作为对比,使用了基于NeRF算法的重建方式与传统的基于COLMAP的稠密点云重建方式,分别对两组数据集进行了三维重建;最后,在重建精度与重建速度方面,对不同重建方式、不同重建数据集的重建结果进行了比较。研究结果表明:COLMAP稠密点云重建耗时是基于NeRF重建耗时的9.98倍,而相较于COLMAP稠密点云重建,使用NeRF重建方式的模型表面缺陷较少;此外,使用Laplacian算子优化的数据集的NeRF重建在峰值信噪比(PSNR)和结构相似性(SSIM)指标上分别提升了2.43%、0.72%,有利于提升重建模型的质量。研究结果支持混合现实技术在制造业数字化转型中的应用,可为其提供有益的参考。

50~120kV脉冲X射线参考辐射场建立及剂量率测量

为满足国内医疗、安检等脉冲辐射场所对剂量监测仪表准确溯源的需求,基于栅控技术建立满足规范和标准要求的50~120 kV毫秒级脉冲X射线参考辐射场,其脉冲宽度在1~6 300 ms范围内可调。通过对该辐射场的管电压稳定性、剂量线性、重复性、脉冲波形等关键参数进行研究测试,建立脉冲X射线参考波形,并使用30 cm3的圆柱电离室开展脉冲剂量率测量研究。结果表明,管电压预设60 kV时,介入法、非介入法测量管电压的相对偏差均不超过±1.5%;可输出参考波形脉冲的最小脉冲宽度为20 ms,在1 m处95%均匀辐射野直径约为5.5 cm;且N系列、RQR系列辐射质条件下的剂量率范围可分别扩展至0.002~10 mGy/s和0.03~250 mGy/s,可用于防护仪表的量值溯源。

基于神经辐射场遮挡优化的单视图三维重建方法

单视图的三维重建是通过输入单个视角的二维图像来恢复物体的三维几何形状或场景。由于单个视图的信息有限,遮挡会造成图像特征之间的模糊,从而无法恢复准确的物体外观细节。本文提出了一种基于神经辐射场(NeRF)的框架,充分利用图像的全局信息和局部上下文信息解决遮挡问题。首先,利用Vision Transformer具有捕获数据远程相关性的特性来学习图像的全局特征,并结合SE通道注意力机制模块来防止多层特征信息丢失和信息冗余;其次,利用卷积神经网络提取像素对齐的局部图像特征,结合空洞金字塔池化结构的空洞卷积以增大感受野,挖掘多尺度上下文信息,为恢复遮挡区域的细节提供更多的信息;最后,设计了一个基于Transformer的密度特征聚合模块,以减少遮挡引起的密度预测不准确。在ShapeNet-NMR数据集上的实验表明,该方法能合成具有更多细节的新视图,并且在应用于看不见的物体时表现出良好的泛化能力。

面向神经辐射场的水印算法

针对隐式表示的3D模型的版权保护问题,提出了一种面向神经辐射场(NeRF)的水印算法。该算法通过嵌入网络对训练集中的图像嵌入水印,再利用NeRF模型进行3D模型建模。版权验证方通过给定一个秘密视角作为神经辐射场的输入,生成新视角下的图像作为后门图像,接着利用神经网络的过参数化方法设计一个水印提取器,获取该视角下嵌入的水印图像。在黑盒场景下,一旦怀疑3D模型被未经授权地使用,验证方则可以通过秘密视角提取水印以验证网络版权。实验结果表明,所提算法提取水印不仅具有良好的视觉效果,而且对不同类型的噪声攻击具有较好的抵抗能力。

基于可逆神经网络的神经辐射场水印

针对面向隐式表达的神经辐射场的3D模型的版权问题,将神经辐射场水印的嵌入与提取视为一对图像变换的逆问题,提出了一种利用可逆神经网络水印保护神经辐射场版权方案。利用二维图像的水印技术以实现对三维场景的保护,通过可逆网络中的正向过程在神经辐射场的训练图像中嵌入水印,利用逆向过程从神经辐射场渲染出的图像提取水印,实现对神经辐射场以及三维场景的版权保护。但神经辐射场在渲染过程中会造成水印信息丢失,为此设计了图像质量增强模块,将渲染图像通过神经网络进行恢复然后再进行水印提取。同时在每个训练图像中均嵌入水印来训练神经辐射场,实现在多个视角下均可提取水印信息。实验结果表明了提出的水印方案达到版权保护的目的,证明方案的可行性。

基于神经辐射场的视觉位姿分段估计方法

为提升观测载体的视觉位姿估计精度和效率,提出了一种基于神经辐射场的“粗-精”两阶段位姿估计方法。首先基于通道注意力机制构建初始位姿估计网络Rnet,用以估计大失准角情况下的初始位姿;然后设计了基于可信区域约束和兴趣点采样策略的深度纠正模块,通过优化NeRF模型深度,为位姿精确估计提供更高精度先验信息;最后构建PoseNeRF网络,基于SE(3)流形的梯度下降法最小化NeRF像素颜色、深度推理值与真值之间的残差,实现位姿精确估计。在OVIT实测数据集实验中,采用深度监督后,位置精度提升27.8%,姿态精度提升12.6%;与TD-NeRF相比,所提方法位姿收敛效率提升约6倍;相较于iNeRF、NeRF--,所提方法受初始姿态误差影响最小,验证了所提方法具有更高的位姿估计精度、效率和鲁棒性。

室外大场景神经辐射场综述

对室外大场景进行三维建模,不仅可以完成实时的城市建图和漫游,还能为自动驾驶等提供技术支持。近年来,神经隐式建模的发展十分迅速,神经辐射场(NeRF)的出现更是将神经隐式建模推上了新的高度。NeRF凭借高质量渲染和任意角度渲染的特点,已经在可控编辑、数字化人体、城市场景重建等领域得到了广泛的应用。NeRF通过深度学习的方法从二维图片及其位姿中学习隐式三维场景,生成新视角图像。然而原始NeRF只能在有界场景下得到逼真的结果,在对室外大场景进行建模时,往往会面临无界背景、模型容量、场景外观等问题。基于室外大场景中NeRF部署的多个角度改进和多样的NeRF变种,首先介绍NeRF的背景,然后从室外大场景的难点切入,对各个难点的解决方法进行分析和讨论,最后对室外大场景NeRF目前的进展进行总结并对未来进行展望。