Selective liquid directional steering enabled by dual-scale reentrant ratchets

Achieving well-controlled directional steering of liquids is of great significance for both fundamental study and practical applications, such as microfluidics, biomedicine, and heat management. Recent advances allow liquids with different surface tensions to select their spreading directions on a same surface composed of macro ratchets with dual reentrant curvatures. Nevertheless, such intriguing directional steering function relies on 3D printed sophisticated structures and additional polishing process to eliminate the inevitable microgrooves-like surface deficiency generated from printing process, which increases the manufacturing complexity and severally hinders practical applications. Herein, we developed a simplified dual-scale structure that enables directional liquid steering via a straightforward 3D printing process without the need of any physical and chemical post-treatment. The dual-scale structure consists of macroscale tilt ratchet equipped with a reentrant tip and microscale grooves that decorated on the whole surface along a specific orientation. Distinct from conventional design requiring the elimination of microgrooves-like surface deficiency, we demonstrated that the microgrooves of dual-scale structure play a key role in delaying or promoting the local flow of liquids, tuning of which could even enable liquids select different spreading pathways. This study provides a new insight for developing surfaces with tunable multi-scale structures, and also advances our fundamental understanding of the interaction between liquid spreading dynamics and surface topography.

Dual-scale multimedia dynamic synchronization model

Multimedia synchronization is the key technology in application of distributed multimedia.Solution of synchronization conflicts insides and among streams as well as that of user interaction,synchronization granularity refinement and synchronization precision improvement remain great challenges although great efforts have been invested by the academic circle.The construction method of a dual-scale dynamic synchronous model of multimedia presented in this article realizes multimedia synchronization on two sca...

中国水层CO_(2)地质封存技术攻关方向

在国家“碳达峰碳中和”战略目标下,为了延长化石能源行业的生命周期,亟需进行大规模碳减排的重大革命,其中CO_(2)地质封存(CCS)这一大规模碳减排的托底技术,已在全球达成共识。为此,系统梳理了全球CCS发展趋势,并针对中国CCS地质特点和工程技术现状,分析了中国发展水层CCS面临的挑战和难点,提出了中国水层CO_(2)地质封存技术的攻关方向。研究结果表明:①中国水层CCS起步早,当前正在开展世界级规模水层CCS先导试验,技术水平与国外并行,CCS有望成为中国未来大规模碳减排的主要手段;②鉴于中国水层多无法回避陆相沉积、断裂发育、非均质性强等先天条件,中国未来建设大规模水层CCS将面临封存规模大、封存成本高和长期封存安全性等3个方面关键技术的挑战;③从推动和形成CCS负碳新产业角度,中国未来水层CCS碳埋存需要攻克CCS地质体评估、CO_(2)高速注入、低浓度CO_(2)封存、降低成本和地质监测等5个关键技术。结论认为,该研究认识进一步坚定了中国发展水层CCS技术的信心,提出的5个方面关键技术为快速形成负碳领域的国家战略科技力量明确了攻关方向,同时为后续推动大规模地下储氢、储氦、压缩空气储能等战略性新兴行业的发展提供了前瞻性技术支撑。

基于双尺度海谱的动态海面场景仿真建模分析

针对典型复杂环境下动态海面目标场景,采用双尺度海谱用于风驱海面的建模构建公里级别复杂场景电磁仿真模型,研究面向体-面复合结构的自适应弹跳射线法,结合区域分解和并行加速技术实现典型目标及地物环境的耦合电磁散射特性分析,形成公里级别复杂场景多维复合散射特性仿真能力,实现大场景复杂环境与目标一体化模型的高效电磁散射计算与分析。通过测量海面邮轮在实际海面背景下的电磁散射特性,进行验证,为复杂海面背景下大尺度目标的动态场景生成和目标特性研究提供重要支撑作用。

基于多分支空谱特征增强的高光谱图像分类

为了解决高光谱图像自身及分类过程中噪声干扰大、空间-光谱特征信息提取不足以及有限样本下分类性能不佳等问题,提出一种基于多分支空谱特征增强的高光谱图像分类模型SSFE-MBACNN。首先,利用多分支特征提取模块分别提取浅层空谱特征和深层空间特征信息,并引入注意力机制抑制噪声干扰。其次,设计一种改进多尺度空谱特征提取融合模块及结合双池化和空洞卷积的空间特征增强模块实现空谱特征增强,减少模型参数量和提高分类性能。最后,用全局平均池化层代替全连接层,进一步降低参数量,缓解模型过拟合问题。实验结果表明,在Indian Pines(10%训练样本)、Pavia University (5%训练样本)和Salinas(1%训练样本)数据集分别取得了0.990 7、0.997 5和0.994 7的总体分类精度。SSFE-MBACNN不仅能充分利用空谱特征信息,而且在有限样本下也取得了优秀的分类性能,明显高于其他对比方法。

基于多层级金字塔信息融合的曝光矫正方法

针对图像曝光不足和曝光过度的问题,设计了基于拉普拉斯金字塔结构的多层级信息融合曝光矫正网络,该网络每个层级的矫正模块采用类U-Net的编码器解码器架构。为了提高矫正模块的特征提取能力并减少模型参数量,设计了基于ConvNeXt-tiny的多尺度卷积编码器作为基本特征提取单元。针对图像上采样过程中可能出现的棋盘格伪影问题,提出一种基于双线性插值和亚像素卷积的双路上采样模块。通过定量和定性验证,在大规模曝光矫正数据集上均取得较好的结果。定位销定位实验显示,在不同对比度阈值下,应用该网络进行图像增强显著提升了特征可重复性、定位精度和稳定性。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

面向城市复杂场景的多尺度监督融合变化检测

城市复杂场景中,地物形状多样,光照和成像角度变化大会导致变化检测结果受到干扰。为解决这些问题,文章提出了一种双上下文多尺度监督融合的网络模型(dual context multi-scale supervised fusion network model,DCMSFNet)。首先,在编码部分使用双上下文增强模块获得地物丰富的全局上下文信息。在解码部分,采用级联的方法组合特征,然后通过自适应注意力模块捕捉不同尺度的变化关系,设计多尺度监督融合模块,增强深度网络融合,获得具有更高辨别能力的变化区域特征,将不同层级的输出结果与主网络的重构变化图融合形成最终的变化检测结果。该模型在LEVIR-CD和SYSU-CD变化检测数据集取得了较好的结果,F1-score分别提高了1.58%和2.17%,可更加精确识别复杂场景的变化区域,进一步减少无关因素引起的误检和漏检,且对目标地物边缘的检测更加平滑。

基于双路径编码的遥感建筑物图像分割方法

高分辨率遥感图像建筑物分割是遥感影像研究的热点之一,而高分辨率遥感图像中建筑物尺度多样容易导致错分割、漏分割和边界模糊。针对上述问题,基于U-Net网络结构提出了一种双路径编码的遥感建筑物图像分割网络(DCU-Net)。DCU-Net在U-Net上加入一条并行编码路径,形成双路径编码结构。在编码阶段设计了密集残差编码模块(DRCM)和多尺度空洞卷积编码模块(MDCCM)以增强多尺度特征提取。在网络中加入双路融合注意力模块(DFAM),增强网络对特征的表达能力。为验证网络有效性,在WHU与Massachusetts数据集上进行实验,召回率、F1分数和交并比指标在WHU上达到91.26%、92.33%和86.15%,在Massachusetts Buildings上达到81.64%、84.33%和82.72%。结果表明,DCU-Net对于不同尺度的建筑物提取有较高的提取精度。

时间尺度上约束力学系统的Noether型绝热不变量

时间尺度微积分是近年来的研究热点之一,其不仅统一连续分析与离散分析,还能协助完成更复杂动力学系统的建模.Noether对称性方法是一种近代的积分方法,揭示了力学系统守恒量与其内在的动力学对称性之间的潜在关系,Noether对称性的摄动与绝热不变量和系统的可积性之间也有着密切的联系.时间尺度上约束力学系统的Noether对称性问题虽然已有学者研究,但是由于时间尺度微积分理论的不成熟,研究成果的深度及正确性均有待探究.文章的重点是探讨时间尺度上约束力学系统Noether对称性的摄动与绝热不变量,这其中包含了Lagrange系统、Hamilton系统以及Birkhoff系统.首先,探讨了3个受小扰动作用的系统,其Noether对称性的变化,并给出了相应的绝热不变量;然后提供了在无扰动条件下,3个系统的精确不变量.Lagrange系统得到的精确不变量与原有结果吻合,Hamilton系统和Birkhoff系统得到的精确不变量是新的.其次,时间尺度上的导数分为delta导数和nabla导数,由这两种导数所组成的系统,互为对偶系统.基于文章delta导数下所得到的结果,采用对偶原理的方法,给出了3个系统对偶空间的绝热不变量和精确不变量.最后,文末分别讨论了时间尺度上Kepler问题和Hojman-Urrutia问题的Noether型绝热不变量,从而借助例题对3个系统中所得到的结果和所采用的方法进行说明.

热镀锌铁合金双相钢表面白条缺陷分析

分析了热镀锌铁合金双相钢两种白条缺陷的微观形貌及其特征,并对相关工艺进行了讨论。结果表明:两种白条缺陷都源自于镀锌前的基板表面缺陷,一种源自热轧辊系铁皮,其微观以Mo、V、Cr、Ni等热轧辊系元素为特征;另一种推测源自铸坯微裂纹,其微观特征主要为二次氧化物。

拉普拉斯卷积的双路径特征融合遥感图像智能解译方法

由于遥感图像存在多尺度变化和目标边缘模糊等问题,对其进行智能解译仍然是一项极具挑战性的工作。传统的语义分割方法在处理这些问题时存在局限性,难以有效捕捉全局和局部信息。针对上述问题,文中提出一种双路径特征融合分割方法 DFNet。首先,使用Swin Transformer作为主干提取全局语义特征,以处理像素之间的长距离依赖关系,从而促进对图像中不同区域相关性的理解;其次,将拉普拉斯卷积嵌入到空间分支,以捕获局部细节信息,加强目标地物边缘信息表达;最后,引入多尺度双向特征融合模块,充分利用图像中的全局和局部信息,以增强多尺度信息的获取能力。在实验中,使用了三个公开的高分辨率遥感图像数据集进行验证,并通过消融实验验证了所提模型不同模块的作用。实验结果表明,所提方法在Uavid数据集、Potsdam数据集、LoveDA数据集的mIoU达到了71.32%、85.58%、54.01%,提高了语义分割的性能,使分割结果更为精细。

双规模经营对林农家庭收入的影响——基于福建省新型林业经营主体的实证分析

基于福建省299份新型林业经营主体实地调研数据,采用耦合协调度模型和倾向得分匹配法,从分工视角探讨了双规模经营对于新型林业经营主体总收入的协同效应,以及对家庭收入结构影响的异质性。研究表明:双规模经营正向显著影响林业经营性收入,但对工资性收入具有削减效应;双规模经营通过改变经营主体在务工与务农之间的资源分配模式,实现了总收入的动态平衡;双规模经营对合作社类主体的增收效应更强。因此,要鼓励开展多种形式的规模经营,加强林业技术指导和服务,差异化培育新型林业经营主体发展。

基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks,DAMSCN)与改进的双向门控循环单元(bidirectional gated recurrent unit,BiGRU)组成的故障诊断模型DAMSCN-BiGRU。首先,多尺度特征融合模块使用不同大小的卷积核,获得多种感受野,从而提取到轴承原始振动信号的多尺度特征信息,并根据重要性对其进行自适应融合,然后利用通道注意力和空间注意力组成的双注意力模块(dual attention module,DAM)对多尺度特征进行重新标定,分配注意力权重,削弱融合特征中的冗余特征;然后,增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征,以提高轴承故障诊断的性能;最后,通过Softmax层完成对不同故障的分类。试验结果表明,与其他智能诊断模型相比,DAMSCN-BiGRU在变工况环境下,平均诊断精度达到98.2%,在强噪声背景下仍然有着85.3%的准确率,且在不同程度的噪声强度下效果均优于其他常用模型,有利于促进滚动轴承的智能故障诊断研究和实际应用。

基于多路光流信息的微光视频增强算法

图像和视频是记录真实场景信息的重要媒介,它们包含丰富而详细的视觉内容,可以开发各种智能系统来执行各种任务。特别是对于低照度条件下的视频,提升其清晰度和细节可以更好地表现和还原真实场景。针对在夜间低照度环境条件下对周围环境感知的需求,提出一种基于多路光流信息时间一致性的微光视频增强算法。通过引入预测的光流与真实的光流信息,构建三分支孪生网络对微光视频进行增强;同时针对微光视频存在的低信噪比以及模糊化问题,设计一种基于双尺度注意力机制的微光视频去噪模块(CA-Swin模块),以提升网络的去噪性能。通过在DAVIS数据集上进行对比实验和评估,得出所提网络在增强微光视频方面更高效,鲁棒性显著;且该策略还具有通用性,可以直接扩展到大规模数据集。

面向直流微网的光伏及固定-移动混合储能的双时间尺度容量配置策略

针对单一时间尺度下光储容量配置冗余或不足的缺点,考虑孤岛直流微网的供电可靠性指标,结合储能的动态运行特点及约束,基于典型负载曲线与光伏发电曲线,建立了双时间尺度光储容量配置模型。其中,储能系统建模提出了固定–移动储能混合储能模型,以应对短时间内光伏负载波动造成的电力缺口。仿真算例采用改进粒子群算法进行求解,结果验证了混合储能和双时间尺度的优越性,说明了容量配置模型的正确性与配置方案的可行性,可为孤岛直流系统光储容量配置提供参考。

基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法

由于超声图像具有噪声强、质量低和边界模糊等特征,获取可靠的注释非常耗时费力,提出基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法。首先,通过不确定性修正金字塔一致性(URPC)的半监督分割方法充分利用未标记数据训练模型减轻费时费力的标注压力。其次,提出一种基于边缘检测的双编码器结构,并利用边缘检测编码器辅助超声斑块图像特征编码器充分获取边缘信息;另外,设计了一个多尺度融合模块(MSFM),通过自适应融合多尺度特征改善提取不规则形状斑块的结果,并结合一个级联通道空间注意力(CCSA)模块更好地关注斑块区域;最后,在超声颈动脉斑块图像数据集上评估所提方法。实验结果表明,所提方法在该数据集上的Dice指标和交并比(IoU)指标比监督方法CA-Net(Comprehensive Attention convolutional neural Network)分别提升了约2.8和6.3个百分点,比半监督方法循环原型一致性学习(CPCL)分别提高了约1.8和1.3个百分点,所提方法可以有效提高超声颈动脉斑块图像的分割准确度。

基于MSFA-Net的车辆及车道线检测算法

车辆检测与车道线分割是自动驾驶感知系统的重要组成部分,其基本要求是具有高精度和实时性。鉴此提出一种双任务多尺度特征聚合网络(MSFA-Net),该网络由1个特征提取网络和2个检测分支网络构成,实现了车辆和车道线同时检测。首先使用E-ELAN网络构造共享主干特征网络;在车辆检测分支网络设计增强卷积模块(CBS+)进行自下而上的特征融合以提升精度;在车道线检测分支网络使用特征融合模块(FeatFuse)对多分辨率特征进行自适应加权融合,配合空洞卷积语义感知模块(CDBS)使用梯形结构的多空洞值卷积对融合特征进行采样,以提升不连续车道线及其他非线性车道的分割精度。结果表明:在BDD100K数据集上,该文网络MSFA-Net其平均精度均值、召回率、像素准确率分别达到了81.3%、90.1%和80.1%,检测帧率达到了41.6帧/s,能较好适应真实行车环境的需求。

观测信息不足条件下TanDEM-X InSAR的大范围林下地形反演

TerraSAR/TanDEM-X InSAR双站卫星系统是目前最主要的全球测图卫星系统之一,但该系统主要获取单基线、单极化InSAR数据。受观测信息不足的限制,无法直接分离植被体散射与地表散射信息,难以获取高精度的森林高度和林下地形。鉴于此,本文提出了联合单/双基线的大范围林下地形反演方法,其核心思想为:在InSAR干涉对重叠区,每个干涉对有不同的基线,两个干涉对重叠相当于双基线观测,可以采用RVoG模型估计森林高度。然后,利用简化的RVoG模型(C-SINC模型),以重叠区反演的树高结果为已知值,通过假定不同树高的散射过程具有相似性,对C-SINC模型进行求解进而获取林下地形。最后,以西班牙Teruel试验区对本文方法进行验证,与LiDAR DEM进行精度对比,InSAR DEM的RMSE为7.43 m,本文方法获取的林下地形RMSE为5.98 m,精度提高了20%。本文方法为利用TanDEM-X实现大范围林下地形测绘提供了参考。

基于再感知双模型联合训练的散焦模糊检测

针对散焦模糊检测(defocus blur etection, DBD)模型训练时没有对响应错误区域学习优化,且在识别过程中部分图像的模糊同质区域和处理边界过渡等位置仍然具有挑战性等问题,提出了再感知双模型联合训练方法和基于注意力机制多尺度语义融合散焦模糊检测网络。将未正确响应的预测区域映射到全新合成图像中驱动模型学习,实现再感知错误位置的图像特征;利用DBD任务的互补性质构建预测网络,组成对焦预测和模糊预测双模型,将互补网络中多余响应的区域反馈到另一个模型上从而提升训练效果;利用多尺度特征融合模块逐渐整合不同尺度的语义信息;在特征提取时设计了全局通道注意力模块,使模型关注预测结果的有效特征信息,增强网络在不同输入场景下的灵活性。在DUT、CUHK和CTCUG数据集上进行的对比实验表明,提出的方法与对比方法中性能最优者相比,F-Measure指标分别提高了0.082、0.051、0.264,MAE指标分别降低了0.032、0.018、0.144。