基于信息瓶颈孪生自编码网络的红外与可见光图像融合

红外与可见光图像融合方法中存在信息提取和特征解耦不充分、可解释性较低等问题,为了充分提取并融合源图像有效信息,本文提出了一种基于信息瓶颈孪生自编码网络的红外与可见光图像融合方法(DIBF:Double Information Bottleneck Fusion)。该方法通过在孪生分支上构建信息瓶颈模块实现互补特征与冗余特征的解耦,进而将互补信息的表达过程对应于信息瓶颈前半部分的特征拟合过程,将冗余特征的压缩过程对应于信息瓶颈后半部分的特征压缩过程,巧妙地将图像融合中信息提取与融合表述为信息瓶颈权衡问题,通过寻找信息最优表达来实现融合。在信息瓶颈模块中,网络通过训练得到特征的信息权重图,并依据信息权重图,使用均值特征对冗余特征进行压缩,同时通过损失函数促进互补信息的表达,压缩与表达两部分权衡优化同步进行,冗余信息和互补信息也在此过程中得到解耦。在融合阶段,将信息权重图应用在融合规则中,提高了融合图像的信息丰富性。通过在标准图像TNO数据集上进行主客观实验,与传统和近来融合方法进行比较分析,结果显示本文方法能有效融合红外与可见光图像中的有用信息,在视觉感知和定量指标上均取得较好的效果。

液态奶中镉、铜等重金属的光谱智能检测新方法研究

该文针对传统重金属检测方法速度慢、通量低等问题,发展了表面富集扫描激光诱导击穿光谱(SES-LIBS)检测新方法,显著提升了液态奶中重金属的检测灵敏度和通量。SES-LIBS方法利用金属置换反应原理,将液态奶中游离的痕量重金属离子置换并富集到活性金属基底的特定区域表面,进而高效采集该区域表面的LIBS信号。SES-LIBS方法在有效避免液体离子猝灭效应的同时,显著提升了痕量重金属离子的检测灵敏度。为克服样品采集和基质的干扰,采用重加权特征光谱驱动的自编码孪生多网络算法(RCSD-ASMN)进行SES-LIBS信号解析,从复杂、变动的LIBS信号中准确提取出待测组分的光谱特征信息。SES-LIBS方法可同时检测Cd、Cu等多种重金属元素,检出限分别为0.11、0.13 mg/kg,R^(2)均不低于0.97。实验结果证明,SES-LIBS技术能有效克服不同品牌液态奶基底和重金属元素的交叉干扰,具备良好的检测精度和线性度,为液态样品中重金属的高通量检测提供了一种新手段。