基于多分辨率-多边形单元建模策略的多材料结构动刚度拓扑优化方法

利用多边形有限单元的高精度求解优势,融合多分辨率拓扑优化方法,实现粗糙位移网格条件下的高分辨率构型设计,由此提出多材料结构动刚度问题的拓扑优化方法。将多边形单元(位移场求解单元)劈分为精细的小单元,构造设计变量与密度变量的重叠网格,形成多分辨率-多边形单元的优化建模策略;以平均动柔度最小化为目标和多材料的体积占比为约束,建立多材料结构的动力学拓扑优化模型,通过HHT-α方法求解结构动响应,采用伴随变量法推导目标函数和约束的灵敏度表达式,利用基于敏度分离技术的ZPR设计变量更新方案构建多区域体积约束问题的优化迭代格式;通过典型数值算例分析优化方法的可行性和动态载荷作用时间对优化结果的影响机制。

基于空间非一致模糊核标定的红外图像超分辨率重建方法

近年来,红外成像系统在工业、安防、遥感等领域获得了广泛的应用,但由于制造工艺及成本制约,红外系统的分辨率仍然较低。基于深度神经网络的单帧图像超分辨率重建技术是提高红外图像分辨率的有效方法,获得了广泛研究,并在仿真图像上取得了显著进展,但应用于实际场景图像时容易出现伪影或图像模糊等现象。造成这种性能差异的主要原因是目前方法大多假定造成图像退化的模糊核是空间一致的,然而实际红外光学系统不可避免地存在像差、热离焦等,由此造成的图像模糊的模糊核并非空间一致的。针对这一问题,提出了一种非盲模糊核估计方法,通过采集特定的靶标图像,并设计模糊核估计网络,求解空间非一致模糊核;设计基于图像分块的超分辨率重建方法,将图像块和对应区域的模糊核一起输入非盲超分辨率重建网络进行子块图像重建,再通过子块合并和重叠区域图像融合,得到最终的高分辨率图像。实验结果表明,光学系统自身引起了模糊核随空间位置缓慢变化,在实验室条件下标定模糊核并基于图像分块进行超分辨率重建的方法可显著提高红外图像超分辨率重建的效果。

轻量级重参数化的遥感图像超分辨率重建网络设计

针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.8449,模型的推理时间为0.010 s;而HSENet算法的参数量为5470 K,峰值信噪比为30.00 dB,结构相似性为0.8420,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。

基于空间特征交叉融合的轻量级图像超分辨率重建

近几年,深度学习技术显著提高了单幅图像超分辨率重建(Single Image Super-resolution Reconstruction,SISR)的性能,但基于深度学习技术的SISR算法存在模型参数量大、网络结构复杂、资源消耗多等问题。为解决这些问题,提出一种基于空间特征交叉融合的轻量级图像超分辨率重建算法,该算法使用多个局部特征融合模块和特征交叉增强模块组成非线性映射单元,通过残差学习逐步聚合图像特征,提取更加精准的残差信息。同时采用对称结构将特征映射到两个分支,通过执行特征交叉,对应元素相乘提取高频成分,细化特征,增加网络非线性。在每个特征交叉增强模块中使用异构卷积代替标准卷积拆分和融合两条分支,有效地降低网络的参数量,使网络在参数量和性能之间达到相对平衡。通过一个多级集成模块增强不同阶段特征的相关性。在基准数据集上的实验结果表明,新的重建算法在降低模型参数量的同时,峰值信噪比和结构相似度均取得了较好的结果,而且重建图像的边缘结构完整,整体轮廓清晰,细节更加丰富。

结合坐标注意力与生成式对抗网络的图像超分辨率重建

针对现有生成式对抗网络GAN的图像超分辨率重建模型中存在着特征信息利用不充分、VGG式判别器对局部细节的判断能力较弱以及训练不稳定的问题,提出了一种结合坐标注意力与生成式对抗网络的图像超分辨率重建模型。首先,以嵌有坐标注意力的残差块构建生成器,沿通道和空间2个维度聚合特征,更充分地提取特征。然后,调整Dropout加入网络的方式使其作用于生成器中,提高模型的泛化能力。接着,以U-Net结构构造判别器,输出详细的逐像素反馈,以获取真假图像间的局部差异。最后,在判别器中引入谱归一化正则化,稳定GAN的训练。实验结果表明,当放大因子为4时,在基准测试集Set5和Set14上取得的峰值信噪比平均提高了1.75 dB,结构相似性平均提高了0.038,能够重建出更加清晰且真实的图像,重建图像具有良好的视觉效果。

多尺度残差密集注意力网络图像超分辨率重建

目的使用单一尺度卷积网络提取低分辨率(low-resolution,LR)图像特征会造成大量图像高频特征丢失,为了获取更多高频特征,重建更清晰的超分辨率图像,方法提出一种基于多尺度残差密集注意力网络(multi-scale residual dense attention network)的单幅图像超分辨率重建算法。首先,使用卷积网络从低分辨率图像中提取浅层特征并将其作为后续网络各级输入;其次,采用各级多尺度残差密集注意力块(multi-scale residual dense attention block)处理前级网络图像特征并从中提取图像高频特征,多尺度残差密集网络善于提取更丰富的图像特征,并融入注意力机制,增强网络对高频区域特征的关注;然后,将网络各级提取不同深度的图像特征进行全局特征融合;最后,融合后的特征经上采样输出重建的超分辨率图像。结果放大因子为4时,网络在SET5,SET14,BSDS100,URBAN100和MANGA109数据集上测试,峰值信噪比分别为31.97,28.58,27.57,25.85,29.79 dB;网络中基本模块分别由多尺度残差密集注意力块、残差块和密集块替换提取特征,以峰值信噪比作为模块性能评估标准,多尺度残差密集注意力块表现更优异。结论该网络结合多尺度残差密集网络能够获取更丰富图像高低频信息,融入注意力机制有效对网络中高频信息进行提取,能重建纹理更清晰的超分辨率图像。

基于混合时空卷积的轻量级视频超分辨率重建

针对三维卷积神经网络在视频超分辨率任务上具有较高的计算复杂度以及提取时空特征有限的问题,本文设计了一种基于混合时空卷积的轻量级视频超分辨率重建网络。首先,提出了一个基于混合时空卷积的模块,实现了网络时空特征提取能力的提升以及计算复杂度的降低;其次,提出了一个基于相似性的选择性特征融合模块,进一步增强了相关特征的提取能力;最后,设计了一种基于注意力机制的运动补偿模块,在一定程度上减轻了错误的特征融合的影响。实验结果表明:所提网络可以在视频超分辨率性能和网络复杂度之间取得很好的平衡,而且在基准数据集SPMCS-11上4倍超分辨率达到8 frame/s。所提网络满足了边缘设备推理运行中快速、准确等要求。

南海神狐海域天然气水合物微观赋存特征的超分辨率CT图像识别

南海神狐海域是我国天然气水合物资源勘探开发的主要目标区之一,2017和2020年先后两次现场试验性开采证实了水合物资源的利用前景。目前,对该地区含水合物储层的精细评价还有待进一步提升,水合物在沉积物孔隙空间中的微观赋存形态是其中的重要影响因素。针对水合物微观赋存形态CT图像表征存在的分辨率不足的问题,建立了一种基于自监督学习的数字图像超分辨率重建算法,实现了CT扫描图像空间分辨率的2倍和4倍提升。在此基础上,对南海神狐海域含水合物沉积物孔隙结构演化规律和水合物微观赋存特征进行了形态表征。由于南海沉积物中存在大量有孔虫壳体,水合物主要占据有孔虫壳体内部空间并堵塞了空隙间的连通喉道,显著降低了沉积物的气、水渗透能力;然而,水合物未能全部占据整个孔隙空间,仍然会有少量的气体和水残留,气体则主要分布于水合物颗粒内部,而水则主要分布在水合物颗粒表面,上述实验结果对地震、测井等现场勘探数据解释具有一定的指导意义。

风压平衡关系对高分辨率区域模式地面资料同化的影响分析

随着模式分辨率的提高,数值模式可分辨的短波信息增加,以地转平衡为基础的风压平衡约束关系不能完全满足低纬度地区及对流尺度高分辨率模式资料同化的需求。提出了基于多重网格方法构建1 km分辨率数值模式变分同化风压平衡约束关系的方案,基于CMA-MESO (China Meteorological Administration Mesoscale Model)三维变分(Three-Dimensional Variational Data Assimilation,简称3DVAR)和1 km分辨率中尺度区域模式开展了单点同化试验和典型个例分析。单点同化试验表明,气压和风的同化结果在没有平衡约束关系条件下比线性平衡约束下更接近观测。地面自动气象站观测资料同化试验表明新风压平衡约束关系将明显增加模式低层几十千米尺度的分析增量,其次是增加100—200 km尺度的分析增量。新风压平衡约束试验的同化分析增量相对于线性平衡约束的对照试验可以给出更多的增量中心位置,更好描述低层水汽辐合,对模式初始0—3 h降水、0—6 h地面10 m风和地面气压的模拟有改进。研究表明在大尺度风压平衡约束的基础上增加局地无风压平衡约束的订正,可以提高对流尺度天气系统地面短波信息的同化能力,改进高分辨率模式短时临近预报。

基于正则化约束的方位伽马成像测井分辨率提高方法

随钻方位伽马测井可以用于地层放射性强度分析及地质导向、储层界面识别,但受到统计误差的影响非常大,曲线和成像分辨率不高,特别是在对比度不高的地层中,这种影响更明显。为了提高随钻方位伽马测井的成像分辨率,提出一种基于仪器响应特性对方位伽马数据进行正则化处理的方法,以获得更准确的地层放射性强度。首先根据探测器响应原理,采用数值模拟和实验方法得到方位伽马测井的响应灵敏函数,并验证得到的灵敏因子的准确性。然后,通过构造正则化计算公式、调整计算参数对测量的原始方位伽马数据进行处理。结果表明:经该方法处理后得到方位伽马曲线的聚焦性能、对比度得到提高,避免了过去使用线性求解方法所导致的过拟合问题,且伽马成像分辨率有显著增强,薄层识别能力也得到一定改善。该方法能够提供更加准确和清晰的成像结果,提高仪器的地质导向能力和储层钻遇率。

OCT图像多教师知识蒸馏超分辨率重建

光学相干断层成像(OCT)广泛应用于眼科诊断与辅助治疗,但其成像质量不可避免地受到散斑噪声和运动伪影影响。本文提出了一种针对OCT超分辨率任务的多教师知识蒸馏网络MK-OCT,使用不同优势的教师网络训练平衡、轻量级和高效的学生网络。MK-OCT中高效通道蒸馏方法ECD的使用也使得模型能够更好地保留视网膜图像的纹理信息,满足临床需要。实验结果表明,与经典超分辨率网络相比,本文所提模型在重建精度和感知质量两个方面均表现优异,模型尺寸更小,计算量更少。

基于拆分注意力网络的单图像超分辨率重建

针对现有生成对抗网络的单图像超分辨率重建在大尺度因子下存在训练不稳定、特征提取不足和重建结果纹理细节严重缺失的问题,提出一种拆分注意力网络的单图超分辨率重建方法。首先,以拆分注意力残差模块作为基本残差块构造生成器,提高生成器特征提取的能力。其次,在损失函数中引入鲁棒性更好的Charbonnier损失函数和Focal Frequency Loss损失函数代替均方差损失函数,同时加入正则化损失平滑训练结果,防止图像过于像素化。最后,在生成器和判别器中采用谱归一化处理,提高网络的稳定性。在4倍放大因子下,与其他方法在Set5、Set14、BSDS100、Urban100测试集上进行测试比较,本文方法的峰值信噪比比其他对比方法的平均值提升1.419 dB,结构相似性比其他对比方法的平均值提升0.051。实验数据和效果图表明,该方法主观上具有丰富的细节和更好的视觉效果,客观上具有较高的峰值信噪比值和结构相似度值。

大气湍流对高分辨率遥感卫星的成像影响研究

遥感卫星在国防和民用探测等领域发挥着重要作用,而大气湍流严重影响高分辨率遥感卫星的成像质量。本文重点研究了遥感卫星对地探测时,相机口径、卫星轨高和大气湍流强度对空间相机成像质量的影响。首先,基于球面波传输模型和Kolmogorov湍流理论,针对空对地探测湍流波前进行仿真。然后,分析畸变波前随相机口径、卫星轨高和大气相干长度的变化规律,并推导出普适公式。在此基础上,进一步推导出空间相机成像分辨率随相机口径、卫星轨高和大气相干长度变化的计算公式。最后,研究了大气湍流对空间相机调制传递函数(MTF)的影响,并以MTF=0.15为基准,仿真分析了MTF相对误差随相机口径、卫星轨高和大气相干长度的变化规律。本研究为高分辨率遥感卫星的设计、分析和评估提供理论依据。

基于改进边缘注意力生成对抗网络的电力设备热成像超分辨率重建

针对低分辨率电力设备热成像图像,提出一种基于改进边缘注意力生成对抗网络的超分辨率重建方法。首先,在边缘注意力的基础上,引入通道注意力和位置注意力的双注意力模块(dual attention, DA),捕获特征图不同位置间和不同通道间的依赖关系,并将两组依赖关系进行融合,以加大全局信息的提取程度。然后针对参数修正线性单元激活函数(parametric rectified linear unit, PReLU)对网络中神经元进行无差别激活,导致网络特征表达能力受限问题。采用改进β-ACONC自适应控制激活函数替代PRe LU函数,在辨识有效特征的基础上,对神经元进行选择性激活,以强化有效特征、弱化无效特征,提升网络的自适应激活能力和特征表达能力。最后对所提改进边缘注意力生成对抗网络模型(edge-attention generative adversarial network, EA-GAN)进行实验验证。结果表明,与Bi Cubic双三次插值模型和原EA-GAN模型边缘注意力生成对抗网络模型相比,所提改进模型网络性能最好,重建图像质量最高,客观评价指标峰值信噪比(peaksignal-to-noiseratio, PSNR)均值、结构相似性(structural similarity,SSIM)均值和均方误差损失(mean square error loss, MSE-loss)均值最优,在电力设备红外图像重建领域普适性较高,具有一定的工程应用价值。

高分辨率CT鉴别诊断肺部磨玻璃结节影像良恶性的价值分析

目的:探讨高分辨率计算机断层扫描(CT)对于肺部磨玻璃结节影像良恶性进行鉴别诊断的价值。方法:在2017年1月至2021年12月,到我院就诊且发现肺部存在磨玻璃结节的患者共160例纳入作为研究样本,在160例患者中开展常规CT检查、高分辨率CT检查,将诊断金标准定为穿刺活检或手术后病理诊断结果,对比常规CT检查和高分辨率CT检查对肺磨玻璃结节开展定性诊断的各项结果指标,并对比常规CT与高分辨率CT对不同临床分期肺癌的诊断符合率。结果:在肺磨玻璃结节定性诊断中,参照穿刺活检或手术后病理诊断结果,在灵敏度、特异度、准确率、阳性预测值及阴性预测值方面,高分辨率CT比常规CT高(P<0.05)。高分辨率CT对Ⅰ期、Ⅱ期肺癌的诊断符合率均高于常规CT(P<0.05),而在Ⅲ期、Ⅳ期肺癌诊断中,常规CT与高分辨率CT的符合率比较,差异无统计学意义(P>0.05)。结论:高分辨率CT对肺磨玻璃结节的定性诊断价值良好,不仅可准确区分肺良性结节与肺癌,还可对肺癌的临床分期进行辅助鉴别。

基于深度学习的红外成像退化模型辨识及超分辨率成像方法

红外成像系统由于制造工艺和成本制约,分辨率仍然较低。图像超分辨率重建技术是提高图像分辨率的有效方法,获得了广泛研究,并在仿真图像上获得了很好的效果,但应用于实际图像时效果不甚理想,主要原因是实际成像退化更加复杂,包括红外光学系统像差和装配误差引起的空间非一致模糊,以及受工作温度影响导致的模糊核变化。针对上述问题,提出一种基于深度学习的红外成像退化模型辨识方法和基于退化模型约束的超分辨率重建方法,通过在不同工作温度下采集标定靶标图像,标定不同工作温度、不同空间位置的模糊核;采用卷积神经网络建立成像退化模型,并利用定标数据进行模型参数求解,为超分辨率重建提供更多先验信息;设计迭代超分辨率重建网络,交替进行退化参数估计和超分辨率重建,经过多次迭代逐步提高重建效果。实验结果表明,采用卷积神经网络求解的成像退化模型可准确描述模糊核变化规律,基于退化模型约束和退化参数在线学习的超分辨率重建方法可显著提高红外超分辨率成像的效果,具有较高的工程应用价值。

FGOALS高分辨率气候模式系统模式研制与应用综述

当今气候系统模式发展的重要趋势之一,是通过提高模式的空间分辨率,改进对气候系统中多尺度相互作用过程和极端事件的模拟能力。过去5年里,中国科学院大气物理研究所发展并完善了25 km分辨率大气环流分量模式FAMIL2.2、1/10°分辨率海洋环流分量模式LICOM3.0,并以此为基础建立了高分辨率气候系统模式FGOALS-f3-H。利用上述高分辨率模式,开展了大量的数值模拟试验和预报/预测研究,其中包括国际耦合模式比较计划第六阶段(CMIP6)的高分辨率模式比较子计划(HighResMIP),建立了海洋环流预测系统(LFS)等。初步评估分析表明,相对于低分辨率模式,高分辨率模式对气候平均态和气候变率的模拟能力均有明显改进。其中高分辨率大气环流模式可以更好地模拟台风、极端降水事件,高分辨率海洋模式可以更好地模拟海洋中尺度涡旋和西边界流,而高分辨率耦合模式则可以更好重现中尺度海气相互作用过程、热带不稳定波动(TIW)等事件。

三维地震资料时变空变频谱编辑高分辨率处理方法

地震资料由于地层吸收衰减等方面原因,地震剖面的纵向分辨率时常无法满足勘探开发的需求,因此需要对地震资料进行提频或者优势频带加强等处理。笔者基于时频分析的频率恢复技术,通过给定三维频率域编辑系数,并且通过三维空间线性插值、移动步长平滑等处理,得到对应三维地震数据体每一道数据的频率域频谱优化调整算子。再将频率域算子转时间域与地震数据进行卷积运算,实现对三维地震数据体振幅谱编辑,以此进行提高分辨率处理。模拟数据和实际地震资料验证测试表明,能够有效地对地震数据振幅谱进行优化处理,对于提高地震资料的分辨率、拓展资料频带、提高主频等具有很好的作用。

基于中低分辨率卫星影像中舰船目标识别方法

目前,中低分辨率成像侦察卫星已经成为远距离情报保障的重要手段之一。然而,中低分辨率成像侦察卫星对海上机动舰船的侦察存在目标检测、识别难等问题,大大影响了情报使用效益。针对上述问题,提出基于霍夫变换的舰船开尔文尾迹提取方法,用于匹配并识别舰船型号。通过仿真得出不同型号舰船的开尔文尾迹尖头波平均距离,可以有效的识别出真实遥感影像中舰船属性,与实际影像数据对比分析,证明上述算法具有一定可行性。因此,基于霍夫变换的舰船开尔文尾迹提取方法可以在一定条件下基本实现目标舰船型号的识别,提升中低分辨率成像侦察卫星对海上机动舰船目标的识别准确率。

基于超分辨率重建与机器学习的油菜苗情监测方法

为优化养分管理和确保植株正常生长,以无人机遥感技术高效且非破坏采集田间作物苗情信息,监测油菜苗期的叶面积指数(LAI)与叶绿素相对含量(SPAD)。针对无人机因飞行高度与图像分辨率相互制约,监测效率与监测精度难以兼顾的问题,采用超分辨率重建方法,融合较低飞行高度拍摄高分辨率影像,重建较高飞行高度拍摄影像,建模完成后可通过拍摄飞行影像监测LAI和SPAD。试验设置3个氮肥梯度、3个播期、3个种植密度处理,在苗期利用无人机分别采集20m及40m 2个飞行高度的油菜苗影像,采用SRRestnet方法,对40m影像进行超分辨率重建。基于20m、40m及40m重建影像中提取的3种特征组合,利用偏最小二乘回归(PLSR)、随机森林(RF)、支持向量回归(SVR)3种机器学习方法对LAI和SPAD进行监测。结果表明,超分辨率重建后的图像在表型苗情监测中表现出良好效果,PLSR监测LAI、RF监测SPAD的监测精度最高,且40m重建图像的作业效率相比于20m图像提高48.6%。