基于轻型自限制注意力的结构光相位及深度估计混合网络

相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于深度学习的可见光通信系统室内三维定位

针对目前室内可见光通信系统三维定位的准确率与定位速度依然不佳的问题,提出一种基于深度学习的可见光通信系统室内定位方法。首先,设计了一个神经网络将指纹数据编码成二维阵列,利用卷积神经网络学习指纹阵列与目标位置之间的关系;然后,通过粒子群优化算法自动搜索卷积神经网络的超参数,以降低深度神经网络的训练难度。此外,设计了定位数据训练集、验证集与测试集的划分方法,有助于缓解神经网络的过拟合问题,并提高定位准确性。仿真结果表明,所提方法在6×6×4m3室内环境下的平均定位误差为0.024m,平均定位时间为0.478s。

旋变二次谐波测角误差自校正

旋变幅值误差和正交误差在角速度频谱上表现为旋变转频的二次谐波,是旋变测角误差的主要来源,影响伺服系统角速度控制精度和稳定度。本文提出了一种基于特征频率参考的二次谐波误差自校正方法。首先,分析旋变测角误差产生的机理,获知其幅值误差和正交误差的互不相关性,并证明对旋变输出信号进行幅值调整和相位差调整可实现二次谐波误差校正。然后,在旋变和旋变数字信号转换器(Resolver-to-Digital Converter,RDC)之间设计基于比例放大的幅值校正器和基于交叉调节的相角校正器。最后,根据误差信号在线性控制系统中特征频率不变的特性,对伺服系统进行匀速控制,以角速度频谱中二次谐波频率的幅值为参考基准,分别调整幅值校正器和相角校正器,校正二次谐波误差。实验结果表明:本方法可将旋变二次谐波测角误差幅值降低78.5%,伺服系统速率波动量降低40.5%。本方法实现了旋变二次谐波测角误差的自校正,大幅提升了旋变的测角精度和伺服系统的转速控制稳定度。

星敏感器CMOS电路板靶面自动装调系统

CMOS电路板靶面是星敏感器结构中的关键部分,其安装姿态影响离焦距离的准确性,进而影响星敏感器成像性能。因此,靶面的装调是确保星敏感器成像质量的重要环节。当前,靶面装调主要依靠人工装调完成,存在装调精度低、产品一致性差、周期长等问题,导致产品的良品率较低。为此,研制了一台星敏感器CMOS电路板靶面自动装调设备。采取非接触式测量方式,集成测量模组与微动平台完成CMOS靶面与基准面的相对位姿测量,解决由星敏感器特殊结构造成的狭小空间内高精度测量难题。设计调整机构实现零件任意角度翻转,消除测量方向与装配方向不一致造成系统结构布置复杂的影响。最后,对测量系统进行精度分析,采用局部枚举法开发了调整垫片研磨量算法,解决由平面姿态单一已知量反求多垫片研磨量的欠定问题。实验结果表明:该系统可实现靶面自动装调功能,测量系统的重复性为1.6′,满足技术指标要求。

面向地物混杂背景的偏振光谱图像融合方法

针对偏振光谱图像融合方法在地物混杂背景遥感探测中多尺度变换融合图像存在边缘轮廓细节模糊、对比度不佳的问题,提出一种基于非下采样轮廓波变换的稀疏表示与引导滤波器相结合的图像融合方法,以改善融合图像的质量和视觉效果。首先,该方法通过非下采样轮廓波变换对光谱图像和偏振图像进行多尺度多方向分解,进而将图像分解成不同子带内的特征信息。其次,低频子带采用稀疏表示融合,从而降低融合图像中物体对比度损失。此外,采用引导滤波器融合高频子带,以增强图像轮廓细节信息。最后,对低频与高频融合系数进行非下采样轮廓波逆变换,最终得出融合图像。分析表明融合图像对比度相对于原始光谱图像与偏振度图像分别提升了54.5%和15.4%,更容易区分混杂背景下阴影中的物体。基于此方法对偏振光谱成像仪所采集的不同波长下的光谱与偏振图像进行融合,并实现真彩还原。真彩还原图像证明此融合方法在保留混杂背景下的环境信息的同时实现了物体和背景的有效区分,有效提高了偏振光谱遥感探测成像的图像质量,有助于提升偏振光谱遥感探测成像中图像信息的完整性和真实性,扩大其在复杂环境遥感探测和图像识别中的应用范围。

可见光波段多路激光合束及闭环校正技术研究

为了实现可见光波段多路不同波长激光的周期性闭环校正,设计了一种具有光束指向和位置偏差独立监测与调节的激光合束系统。首先,根据系统的应用需求,提出了合束系统的设计指标与整体合束方案。然后,在合束方案的基础上,建立了合束系统的光束控制模型,并通过数值仿真得到了合束系统光束控制的解算方法。闭环合束系统通过光束指向和位置监测装置分别实现合束激光指向偏差与位置偏差的独立监测,并根据监测结果进行光束调节装置控制量的解算;进而通过两维摆镜和一维平移台分别实现光束指向和位置偏差的独立高效调节。最后,采用两路不同波长的激光束,配合光束监测与调节装置,搭建了闭环合束模拟实验平台,对周期性闭环合束系统的合束效果进行了验证。实验结果表明:在长时间的工作过程中,两路激光均实现了与基准光路的精密合束,合束指向精度优于±7μrad,位置精度优于±0.84 mm。本研究所组建的激光合束系统不仅具有合束精度高、校正速度快、光路扩展性强的优势,而且可实现激光束的周期性闭环校正,能够有效保证合束激光的长期工作稳定性。

GCN引导模型视点的光学遥感道路提取网络

在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取网络(RGGVNet)。RGGVNet采用编解码结构,并设计基于GCN的视点引导模块(GVPG)在编解码器的连接处反复引导模型视点,从而增强对特征模糊区域的关注。GVPG利用GCN信息传播过程具有平均特征权重的特性,将特征图中不同区域道路显著性水平作为拉普拉斯矩阵,参与到GCN信息传播从而实现引导模型视点。同时,提出密集引导视点策略(DGVS),采用密集连接的方式将编码器、GVPG和解码器相互连接,确保有效引导模型视点的同时缓解优化困难。在解码阶段设计多分辨率特征融合(MRFF)模块,最小化不同尺度道路特征在特征融合和上采样过程中的信息偏移和损失。在两个公开遥感道路数据集中,本文方法IoU分别达到65.84%和69.36%,F1-score分别达到79.40%和81.90%。从定量和定性两方面实验结果可以看出,本文所提方法性能优于其他主流方法。

基于金属-介质-金属的可调谐窄带完美吸收的研究

为了实现窄带完美吸收,本文提出了一种简单的三层金-二氧化硅-金薄膜(MDM)结构。通过电磁波时域差分算法(FDTD)进行模拟仿真和理论计算,详细分析了该结构的可调谐吸收特性,同时建立了理论模型,分析了其中存在的电磁模式以及窄带完美吸收的物理机制。首先,利用电磁波时域差分算法和传输矩阵算法(TMM)对该结构进行了理论计算,详细地分析了各个结构参数对吸收光谱的影响。然后,对该结构形成的窄带完美吸收物理机制进行了分析讨论。最后,利用磁控溅射制备手段,成功制备了三层结构的样片。实验观测到的结果与理论仿真一致。实验结果表明:本文提出的窄带完美吸收结构,最窄带宽约为21 nm,最高吸收可达99.51%,基本实现了窄带完美吸收。本文研究成果为相关应用奠定了基础。

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。

压电平台高精度自适应分数阶滑模跟踪控制

为了实现压电平台高精度指令跟踪控制,针对其存在的严重迟滞问题,本文提出了一种自适应分数阶滑模跟踪控制方法。首先,根据Duhem模型结构将分数阶算子和自适应律引入到滑模面的设计过程中,增加滑模面的自由度可变性并实现了滑模面参数的自适应调节;其次,利用不确定和干扰估计方法代替传统的滑模控制器切换项,解决了滑模控制器存在的抖振问题并提高了控制器的鲁棒性。最后,通过压电平台指令跟踪控制实验结果表明:相较于PID和传统的滑模控制方法,提出的自适应分数阶滑模控制器的指令跟踪误差减小了80%以上,在50 Hz参考指令信号下自适应分数阶滑模控制器将压电平台的平均跟踪误差降低到0.41μm。因此,自适应分数阶滑模控制方法具有更加优越的跟踪性能。

低空监控系统的红外小目标检测方法

无人机遥感系统在检测复杂背景下红外小目标时存在虚警过高的问题,结合卷积神经网络提出一种两阶段的无人机遥感系统红外小目标检测模型。第一阶段利用Unet神经网络学习红外图像中目标的深度语义特征与浅层位置特征,同时增强红外小目标信号,并抑制背景信号。第二阶段利用Faster R-CNN对第一阶段输出的图像进行分析,检测图中红外小目标的位置与边框。在公开的无人机遥感系统红外小目标检测数据集上完成了验证实验,结果表明该模型将三个复杂背景数据集下红外小目标的检测精度分别提高了13.2、9.8与13个百分点,每秒处理的帧数分别增加了11、14与13。

高光谱偏振技术的研究进展及展望

高光谱偏振技术是一种融合了高光谱和偏振成像的新兴技术,其在多个科学领域成为研究热点。本文旨在全面综述高光谱偏振技术的研究进展,并展望其未来发展方向。首先介绍了高光谱偏振技术的基本原理,解释了高光谱和偏振成像相结合的优势。然后,根据不同的设计原理介绍了偏振光谱仪器的分类。接下来详细讨论了该技术在遥感、医学、环境监测、地球科学和材料科学等领域的广泛应用。通过对不同领域的案例研究进行梳理,展示了高光谱偏振技术在提供更为丰富、精确信息方面的独特优势。最后对高光谱偏振技术目前面临的挑战进行了分析,包括仪器设备的精密性、数据处理的复杂性以及与其他传感设备的有效融合的问题。针对这些挑战,探讨了未来技术发展方向。未来的研究应着重于提升该技术的高光谱和时间分辨率,提高数据处理和分析准确性,扩展不同应用场景的适用性,以更好地满足不同领域的需求。综合而言,高光谱偏振技术作为一种全面、高效的信息获取手段,在多个领域取得了显著的研究进展。通过优化高光谱偏振技术满足更宽广的应用领域,高光谱偏振技术有望成为未来科学研究和实际应用中的重要工具。

基于深层动态特征双流网络的高效行为识别算法

为了更高效地获得视频中的行为信息,提出一种结合时域卷积与双流卷积网络的人体行为识别算法。利用多层时域卷积从视频获取动态信息,得到二维的深层动态特征;构建双流卷积网络并采用深层动态特征代替光流特征作为运动信息流的输入;加权融合双流结果,获得对行为的判定。在公开数据集UCF101、HMDB51与NTU-RGBD-60测试,最高准确率为94.2%、70.9%与89.1%(跨对象实验)。当与经典算法ECO(Efficient Convolutional Network)和TSM(Temporal Shift Module)准确率相近时,平均并行速度分别提高2.1倍和3.6倍。所研究算法提高了计算效率,更具有实用性。

多光谱图像融合的IC器件表面缺陷检测

针对单可见光或单红外条件下的IC器件表面缺陷对比度不足,缺陷检测精度低的问题,提出多光谱图像融合的IC器件表面缺陷检测方法。针对IC器件可见光与红外图像配准中存在尺度不一致和对比度反转问题,引入拉普拉斯金字塔和特征描述符重组策略改进ORB(Oriented FAST and Rotated BRIEF)图像配准算法。在图像配准的基础上,提出NSST_VP图像融合方法,以非下采样剪切波变换(Non-Subsample Shearlet Transform, NSST)得到红外图像和已配准可见光图像的低频和高频子带,对低频子带采用视觉显著图(Visual Significance Map, VSM)加权融合规则,高频子带则采用自适应脉冲耦合神经网络(PA-Pulse Coupled Neural Network, PA-PCNN)决策融合规则,进而通过NSST逆变换得到高质量多光谱融合图像。最后,将融合图像输入YOLOv8s模型进行检测。实验结果表明,改进ORB的图像配准平均精度为87.8%,比ORB图像配准精度提高了62%,NSST_VP图像融合算法在主观视觉效果和客观评价指标上均有所提高。在缺陷检测实验中,NSST_VP融合方法的均值平均精度(mean Average Precision, mAP)达到83.15%,比单可见光、单红外缺陷图像检测的mAP分别提高了22.97%,28.31%,比双树复小波变换融合、曲线变换融合、非下采样轮廓波变换融合方法的mAP分别提高了13.14%,15.01%,20.35%。

联合图像层级特征的压缩感知迭代重构

基于卷积神经网络(Convolutional Neural Networks,CNN)的图像压缩感知重构算法难以捕捉高分辨率图像的长距离依赖关系,采用Transformer虽能解决该问题,但网络参数量和图像重构时间成倍增长。基于此,本文提出了一种联合图像层级特征的压缩感知迭代重构网络(Combining Image Hierarchical-Feature Network,CHFNet),在提高图像重构质量的同时减少重构时间。CHFNet由采样和重构两个子网络组成,采样子网络通过可学习的采样矩阵为重构过程提供更有效的测量值。在重构子网络中,设计了一种使用梯度下降操作和特征优化操作的迭代策略,同时提出一种轻量级CNN-Transformer混合架构,能够建模并优化高细粒度的图像层级特征,在增强网络感知能力的同时降低计算复杂度。此外,CHFNet通过联合优化学习采样重构,实现了完整的端到端训练。实验结果表明,所提算法在多个公共基准数据集上取得了良好的重构效果。在Urban100数据集上,相较于现有最优算法CSformer,平均PSNR,SSIM分别提升0.63 dB和0.0076;在0.10采样率下,相较CSformer在Set11,BSD68和Urban100数据集上的平均重构时间分别减少了2.7447 s,3.5510 s和4.7750 s。

并行特征提取和渐进特征融合的计算机主板装配缺陷检测

针对计算机主板装配缺陷检测中的元器件位置分布复杂、缺陷目标不显著及多尺度等问题,本文提出了一种并行特征提取和互交叉渐进特征融合的端到端的缺陷检测算法。首先,结合部分卷积和视觉Transformer提出了一种并行残差特征提取网络,利用部分卷积的低计算复杂度的优势提取局部特征,同时利用视觉Transformer的长距离建模能力扩大模型的感受野,增强网络的特征提取能力。其次,引入注意力机制和特征渐进融合机制,提出了一种多尺度注意力互交叉的渐进特征融合网络,增强检测模型的特征融合能力。在公开数据集上的实验结果表明,该算法的平均精度均值(mAP)达到了94.63%,相较于基线模型YOLOv5提升了4.62%,并优于其他几种先进模型,检测速度达到了25 FPS。实现了较好的检测精度与速度的平衡,为实际工业环境下计算机主板表面装配缺陷检测自动化和智能化的实现提供了一种快速、有效的方法。

可见光通信系统失真信号的无监督还原方法

发光二级管的非线性特性、环境光干扰以及信道噪声等因素会引发可见光通信系统出现非线性失真的现象,导致可见光通信系统的误码率升高。针对该问题,提出一种新的深度神经网络模型,并基于该模型对可见光通信系统的非线性失真符号进行无监督地还原处理。建立了可见光通信系统的数学模型,分析了引起信号出现非线性失真现象的多种因素;利用循环神经网络学习可见光信号序列的短期相关性,利用门控循环单元学习可见光信号序列的长期相关性;采用密集网络学习输入光信号与接收光信号之间的非线性映射关系。仿真结果表明,所提神经网络能有效降低可见光通信系统的误码率,并且在不同调制阶数与不同带宽条件下均实现了较好的效果。

基于逐点前进法的改进型点云配准方法

点云配准是获取三维点云模型空间姿态的关键步骤,为了进一步提高点云配准的效率和准确性,提出了一种基于逐点前进法特征点提取的改进型点云配准方法。首先,利用逐点前进法快速提取点云特征点,在保留点云模型特征的同时大幅精简点云数量。然后,通过使用法向量约束改进的KN-4PCS算法进行粗配准,以实现源点云与目标点云的初步配准。最后,使用双向Kd-tree优化的LM-ICP算法完成精配准。实验结果显示:在斯坦福大学开放点云数据配准实验中,其平均误差较SAC-IA+ICP算法减少了约70.2%,较NDT+ICP算法减少了约49.6%,配准耗时分别减少约86.2%和81.9%,同时在引入不同程度的高斯噪声后仍能保持较高的精度和较低的耗时。在真实室内物体点云配准实验中,其平均配准误差为0.0742 mm,算法耗时平均为0.572 s。通过斯坦福开放数据与真实室内场景物体点云数据对比分析结果表明:本方法能够有效提高点云配准的效率、准确性和鲁棒性,为基于点云的室内目标识别与位姿估计奠定了良好的基础。

实时输出视频的水下主动偏振成像

针对在水下主动偏振成像方法中,需要机械旋转相机前的检偏器获取正交偏振态图像,导致无法实时输出去后向散射视频的问题,提出了实时输出视频的水下主动偏振成像方法。首先,本方法将正交偏振切换位置从相机端更换到光源端,而相机端的检偏器偏振状态保持不变,并论证了此改变并不影响去后向散射的效果;然后,设计了阵列正交偏振光源,即光源由偏振态正交的两组LED灯珠交错排列组成,通过独立的驱动电路分别控制两组灯珠,输出偏振态正交的偏振光,从硬件上取消了偏振态切换的机械结构;第三,设计了同步控制装置,分别控制光源输出的偏振态和相机拍照,实现了正交偏振态图像数据的采集;最后,通过流水线式主动偏振图像处理方法,实现实时的视频输出。实验结果表明,本方法可以实时输出去后向散射视频,且在去后向散射性能上,与机械式主动偏振成像方法性能接近,两者去后向散射性能的背离度均低于4%,图像EME值增长倍数最大可达17.96。本方法具有结构简单、成本低、输出帧频不受影响以及相机选择性多等优点,能够广泛应用在水下成像领域。