ZIF-67/氧化亚铜复合材料的制备及其光增强电催化性能研究——推荐一个综合性物理化学实验

大学物理化学实验多以经典的基础理论验证性实验为主,自主设计性、综合性实验缺乏。依托于山东大学化学实验教学中心现有的仪器设备及实验条件,设计了制备钴基金属有机框架/氧化亚铜微纳米复合材料,并研究其光增强电催化析氧性能的综合性物理化学实验。本实验涉及物质合成、结构成分分析、产品性能表征、实验结果处理等方面,在启发学生发现物质结构与性能之间内在规律的同时,巩固了学生对前期所学理论及实验知识的掌握,调动了学生学习的积极性和主动性,提升了学生解决问题和灵活运用知识的能力。

光增强型可充电锌-空气电池双功能催化剂研究进展

随着全球工业不断发展,对可再生能源加大投入是解决目前化石燃料消耗和环境污染严重等问题的重要举措.光增强型可充电锌-空气电池可充分地将自然界多余的太阳能转化为电能并储存,从而提高能源利用率和光电转换效率,且其供电不受天气变化等自然因素的制约.催化剂作为电极的重要组成部分,对锌-空气电池的性能发挥重要作用.首先介绍了光增强型可充电锌-空气电池的工作原理,在此基础上重点就光/电催化剂的制备方法、性能调控以及双功能特性在可充电锌-空气电池中的研究和应用等进行了概述,最后就该领域今后的研究机遇和面临的挑战进行了总结.

可见光增强g-C_3N_4/Co_3O_4胶体催化剂的催化产氢性能

通过水热法制备了具有可见光增产氢高性能的g-C_3N_4/Co_3O_4胶体催化剂,采用XRD、TEM、SEM和EDS等分析样品的组成和形貌结构。催化产氢结果表明,光照条件下g-C_3N_4/Co_3O_4胶体催化剂具有极高的催化产氢活性,TOF值高达58.2 min^(-1),通过拟合温度动力学曲线,得到了催化反应的活化能为15.73 kJ·mol^(-1)。对样品进行UV-vis和PL测试发现,g-C_3N_4/Co_3O_4胶体催化剂具有极高的光能利用率和电子-空穴分离率,并进一步阐述了光能促进催化产氢的作用机理。

基于低光增强的夜间疲劳驾驶检测算法

司机疲劳驾车会影响车辆的正常行驶,严重时会威胁司机和乘客的生命安全,因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中,一般在夜间光照强度较弱的情况下,司机出现疲劳驾驶的次数较多,但是现有的相关检测算法无法处理灯光问题,导致其在夜间检测时准确率较低.针对此问题,本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理,从而提高图像的曝光度;然后使用人脸关键点检测网络获取图像的眼睛区域;之后使用卷积神经网络对眼睛区域进行睁、闭眼分类;最后统计单位时间内睁、闭眼数量的比值,以此判定司机是否处于疲劳状态.实验结果表明,在夜间环境中,本文提出的检测算法相对现有算法在检测成功率上提升了15.38%,取得了更好的效果.

基于金属光栅的谐振腔光增强现象的研究

设计了一种基于金属光栅的谐振腔,光栅的单元结构为三角形。利用时域有限差分(FDTD)方法对此结构进行了仿真,研究了光栅的周期、三角形的角度和谐振腔长度等参数对光增强性能的影响。利用SPPs的激发理论和Fabry-Perot效应理论对这种增强现象进行了理论分析,结果表明这种新型结构的谐振腔对特定波长的光具有增强效应。

面向夜间疲劳驾驶检测的改进Zero-DCE低光增强算法

为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率。然后,针对噪声相关问题,提出改进的核选择模块。进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度。最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态。实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果。

全镀银膜四面锥尖光增强的数值求解

利用依赖于频率的时域有限差分法(FD)2TD计算了入射平面波波长分别为355nm和800nm情况下,从四面锥尖底面入射和侧面入射时锥尖所在平面光增强大小,并对结果进行了比较和分析.结果表明,较大波长的入射光从锥底面入射时能够获得较大的光增强和纳米尺度的光斑.

Au/ZnO光增强纳米材料的气敏特性研究

气体安检质量一直是热点问题。文章首先采用纳米种子辅助化学浴法制备具有光增强优势的ZnO纳米材料,然后用紫外灯照射成功合成了Au/ZnO纳米复合材料。利用智能气敏分析系统、XRD、FESEM、EDS等测试了该材料性能。在室内自然光照、100 ppm乙醇条件下,此材料响应值比无光照时高9倍多,且响应时间小于1 s。文章为利用室内光设计与研究增强型气敏材料速检有毒、易燃、易爆炸等有害气体提供有益的参考。

一种面向机器视觉感知的暗光图像增强网络

低光照等恶劣环境下的目标检测一直都是难点,低光照和多雾因素往往会导致图像出现可视度低、噪声大等情况,严重干扰目标检测的检测精度。针对上述问题,提出了一个面向机器视觉感知的低光图像增强网络MVP-Net,并与YOLOv3目标检测网络整合,构建了端到端的增强检测框架MVP-YOLO。MVP-Net采用了逆映射网络技术,将常规RGB图像转换为伪RAW图像特征空间,并提出了伪ISP增强网络DOISP进行图像增强。MVP-Net旨在发挥RAW图像在目标检测中的潜在优势,同时克服其在直接应用时所面临的限制。模型在多个真实场景暗光数据上取得了优于先前工作效果并且能够适应多种不同架构的检测器。其端到端检测框mAP(50%)指标达到了78.3%,比Y0L0检测器提高了1.85%。

亮度自调节的无监督图像去雾与低光图像增强算法研究

在低质图像降质问题中,亮度偏离(如图像偏亮及偏暗)是较为常见的图像降质现象。基于全监督学习的图像增强方法面临训练数据难以获取或获取成本过高、训练数据和应用场景不一致的困境。针对以上问题,提出了一种能够克服数据依赖和亮度自适应的无监督图像增强方法。方法的具体细节为:针对图像去雾与低光增强任务,设计了一个基于通道与像素注意力的深度卷积网络,对增强图像与输入图像进行比较,采用亮度饱和度、空间一致性、照明平滑度、伪标签监督损失等多种无监督损失函数,在保证增强图像与输入图像一致性的同时,调节图像的亮度偏离程度,有效提高图像质量。实验结果表明,所提方法在客观指标及视觉效果上不仅优于传统方法和基于无监督学习的方法,甚至优于近年来的全监督图像增强方法。将所提方法与5种图像去雾方法及4种低光增强方法分别进行对比,相比性能次优的方法,其在图像去雾任务的Reside数据集上,PSNR和SSIM值分别提高了2.8 dB和0.01;在低光增强任务的SICE数据集上,PSNR和SSIM分别提高了0.56 dB和0.01。结果表明,所提无监督图像去雾与低光增强算法能够有效调节图像的亮度偏离程度,重建了亮度正常、细节清晰、对比度较好的增强复原图像,较为有效地克服了当前底层视觉任务数据难以获取、训练数据与应用数据不一致、存在域迁移的难题,提升了算法在应用中的适用性。

基于石英增强光声光谱技术的微水传感器在电力系统中的应用研究

在SF6气体绝缘高压气体电力系统中,H2O是一种很难去除且有危害的杂质,它不仅会降低绝缘性能,还会产生酸性气体分解物,腐蚀破坏电气设备,造成SF6气体泄漏,对人身和环境造成严重的安全隐患。该文利用近红外商用分布式反馈(DFB)二极管激光器,研制了一种在SF6缓冲气体中,基于石英增强光声光谱(QEPAS)技术的亚ppm级水汽传感器系统。由于SF6的物理常数与N2或空气有很大差异,裸石英音叉(QTF)的谐振频率和Q因子分别为32 763 Hz和4173。通过对声微谐振器(AmR)参数、气体压力和调制深度进行实验优化,检测时间为1 s,检测限为0.49 ppm,为电力系统安全监测提供了有力的预防工具。

分组增强型OTN系统中光放大器故障恢复方法

分组增强型光传输网络(Optical Transport Network,OTN)系统在光通信中的使用越来越广泛。光放大器是分组增强型OTN的重要部件。一旦光放大器出现故障,在故障机盘到位前通常无法实现系统恢复,对承载业务影响很大。本文通过模拟分组增强型OTN系统中光放大器板卡故障,提出了一种新的思路,即使用增益值和额定光功率类似的同厂家和异厂家光放大器进行替代,探索同厂家和异厂家不同光放大器间的替代可行性,并进行了初步实体网络测试,测试结果表明该方法有效压缩了故障影响时间,为分组增强型OTN系统光放大器故障提供了一种新型解决方案。

基于Retinex理论的暗光图像增强算法

为了解决现有的目标检测、跟踪等视觉算法在暗光场景下出现的检测率下降问题,提出了一种基于Retinex理论的暗光图像增强算法。在分解网络中将图像的暗通道作为先验补偿;在降噪网络中设计一种多分辨率递归集合模块,以避免上采样时损失信息,同时编码多尺度的上下文信息;在光照恢复网络中使用快速傅里叶变换和复数卷积进行高频信号增强。所提算法在公开数据集LOL、LSRW上的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)指标分别达到了22.408 dB、0.875和18.901 dB、0.691,均优于当前主流算法。

森林火灾微光遥感识别新指数——增强夜光火灾扰动指数

随着光电技术的发展,低照度条件下的微光成像技术及其应用成为近年来的研究热点之一。在微光遥感影像上,很难单纯依靠辐射亮度或温度,将森林火灾与工业燃烧、城市等热源充分地分离,同时由于频繁的数据饱和问题,目前NPP火灾产品仅提供探测位置信息。因此,为了在各种高亮度异质热源中实现森林火灾识别,进一步推进火灾探测产品像素级表征,基于地表温度通过潜热传递随植被密度的增加而降低的原理,提出了一种新的光谱指数—增强夜光火灾扰动指数(ENFDI),并与传统的中红外波段(Tmir)火灾识别方法进行对比分析。结果表明,ENFDI可以增强森林火灾与城市热源之间的光谱差异,提高微光条件下森林火灾识别能力,森林火灾ENFDI明显高于城市热源区;ENFDI能够有效缓解微光波段易饱和的影响,ENFDI不仅可以明显地分辨出潜在饱和区内火光亮度的差异,增强火灾像元的可区分性,而且与中远红外亮温差的相关性R高达0.94~0.97,明显高于微光波段亮度(NTL)与中远红外亮温差的相关性(0.82~0.83);ENFDI具有一定的稳定性,它不受月相变化的影响,在有无月光情况下夜间森林火灾均被识别;ENFDI森林火灾识别精度(87.66%)高于传统中红外波段(Tmir)火灾识别精度(83.91%),与NPP/VIIRS主动火灾产品(VNP14IMG)具有良好的总体对应关系,定位偏差在628 m以内。因此,ENFDI指数对森林火灾的识别具有敏感性、稳定性和准确性,为进一步实现火灾像素级表征提供可行性参考。

基于Retinex理论的低光图像增强算法

为了解决低光照图像存在的对比度低、噪声大等问题,提出一种基于Retinex理论的卷积神经网络增强模型(Retinex-RANet)。它包括分解网络、降噪网络和亮度调整网络3部分:在分解网络中融入残差模块(RB)和跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个RB提取的特征融合,以确保图像特征的完整提取,从而得到更准确的反射分量和光照分量;降噪网络以U-Net网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和Sigmoid层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果。实验结果显示:Retinex-RANet在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于R2RNet,PSNR值上升了4.4%,SSIM值上升了6.1%。结果表明:Retinex-RANet具有更好的低光图像增强效果。

基于去尘估计和多重曝光融合的煤矿井下图像增强方法

煤矿井下粉尘和暗光等因素导致采集的图像质量低,而现有图像增强方法存在图像细节丢失、局部特征不清晰、无法消除噪声、去尘效果不理想等问题。针对上述问题,提出了一种基于去尘估计和多重曝光融合的煤矿井下图像增强方法。该方法通过尘化图像简易模型及暗原色理论,并引入自适应衰减系数估算出图像透射率,再根据透射率分布,通过尘化图像简易模型复原物体的原始图像,将煤矿井下图像中的粉尘去除;利用多重曝光融合算法为曝光不足的原始图像生成一组不同曝光比的图像,并引入权值矩阵将这些不同曝光比的图像与原始图像进行融合,有效提升暗光图像质量。实验结果表明:相较于直方图均衡法、带色彩恢复的Retinex(MSRCR)方法、改进Retinex方法,该方法在去尘及暗光增强方面效果较好,颜色还原度较高,白边和过曝等现象得到抑制,且增强后的图像平均对比度分别提升了169.00%,42.50%,10.88%,平均图像熵分别提升了51.80%,16.45%,8.99%,平均亮度顺序误差(LOE)分别降低了31.01%,16.94%,7.83%,同时该方法运算耗时最短。

基于正则化高斯场模型的低光图像增强

利用交替方向优化技术的Retinex分解是一种有效的低光图像增强解决思路。但是由于反射层和照度层的联立估计通常被视为一个多块凸优化问题,这导致算法结构复杂,优化效率低。本文将Retinex分解扩展到高斯场中,提出了一种基于正则化高斯场(Regularized Gaussian Fields,RGF)模型的低光图像增强方法。通过建立基于RGF的目标函数,将反射层和照度层的联立估计表述为一个无约束优化问题。该目标函数是可微的,因此可以通过标准的梯度优化技术进行解优化,同时解出反射层和照度层。然后,利用高斯核权重对求解出的反射层进行校正,以避免过度曝光而导致的细节丢失。经过大量的定性和定量对比实验,结果说明了与目前公认效果较好的方法相比,本文方法在增强效率和质量方面都具有一定优势。

高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

基于角点校准的暗光下桥梁位移监测研究

基于机器视觉的数字图像方法监测结构物变形具有非接触性等优点,但受到暗光环境及人工标志物变形等因素的影响导致其应用受限.在现有模板匹配测量基础上,提出了暗光环境下基于Harris角点检测校准和Retinex暗光增强网络的桥梁位移监测方法和系统,以提高桥梁结构在复杂环境下的位移监测精度.进一步通过试验验证,结果显示10 m距离的暗光环境下桥梁位移监测最大绝对误差小于0.3 mm,在靶标偏转角度在0.6°至1.2°情况下,基于角点校准后的平均精度相比未校准提高了44%,说明该系统具备在暗光环境下进行工程结构位移监测的实用性.

基于无监督学习的双分支融合低光图像增强方法

针对经过算法增强后的图像产生伪影且图像噪声放大的问题,提出了一种基于无监督学习的双路融合低光照图像增强网络(Unsupervised Learning-based Dual Fusion Low-light Image Enhancement Network,ULDFNet),可从非配对的低光和正常光数据集中学习到低光图像到正常光图像的映射方式。ULDFNet由双支路构成,上支路是注重对噪声进行抑制的细化分支,下支路是基于注意力机制的U-Net全局重建分支,用于高质量图像的生成。判别网络采用特征金字塔的多尺度结构来增强图像全局一致性,同时改进了损失函数,引入全新的保真度循环一致性损失来进一步提高图像纹理信息的恢复质量。定性与定量的实验结果证明了所提方法能够有效抑制增强后图像伪影的产生和噪声的放大。