Highly sensitive and stable SERS probes of alternately deposited Ag and Au layers on 3D SiO2 nanogrids for detection of trace mercury ions

The hazard of Hg ion pollution triggers the motivation to explore a fast, sensitive, and reliable detection method. Here, we design and fabricate novel 36-nm-thick Ag-Au composite layers alternately deposited on three-dimensional （3D） periodic SiO2 nanogrids as surface-enhanced Raman scattering （SERS） probes. The SERS effects of the probes depend mainly on the positions and intensities of their localized surface plasmon resonance （LSPR） peaks, which is confirmed by the absorption spectra from finite-difference time-domain （FDTD） calculations. By optimizing the structure and material to maximize the intrinsic electric field enhancement based on the design method of 3D periodic SERS probes proposed, high performance of the Ag-Au/SiO2 nanogrid probes is achieved with the stability further enhanced by annealing. The optimized probes show the outstanding stability with only 4.0% SERS intensity change during 10-day storage, the excellent detection uniformity of 5.78% （RSD）, the detection limit of 5.0 × 10-12 M （1 ppt）, and superior selectivity for Hg ions. The present study renders it possible to realize the rapid and reliable detection of trace heavy metal ions by developing high- performance 3D periodic structure SERS probes by designing novel 3D structure and optimizing plasmonic material.

基于CNN跨层融合结构的边缘检测算法

传统边缘检测算法难以处理复杂的图像,而现有基于深度的边缘检测模型,其检测结果往往存在边缘定位错误和信息丢失等现象.针对此类问题,提出一种基于RCF的高精度的边缘检测算法RCF-CLF.首先,引入HDC结构设计用于避免因叠加相同膨胀卷积而引起的网格效应;其次,设计了一种特征增强结构,旨在融合多尺度信息、扩大感受野;然后,设计了跨层融合结构,将高层信息和低层信息融合,用于提取准确的边缘信息;最后,引入注意力机制CBAM,通过聚焦物体边缘区域,抑制非边缘区域,从而提高网络对边缘信息的提取能力.本文在BSDS500和BIPED数据集上评估所提出的方法,与RCF算法相比,在BIPED数据集上,主要指标ODS、OIS和AP分别达到了0.893、0.901和0.945,提高了近5个百分点,在BSDS500数据集上,主要指标也有所提升.此外,与其他同类算法相比,本文算法也具有一定的优势,可以实现更加准确的边缘定位.

对比特征增强的高架库小目标检测方法

针对高架库区场景下安全帽检测中目标特征信息少、分类精度低等问题,提出小目标对比特征增强网络。首先提出快速空间金字塔池化跨层融合模块,减少空间维度上的目标信息丢失。然后提出小目标对比特征增强模块,使用双路并行空洞卷积获取不同感受野,利用通道注意力获取特征图在通道维度上更为精准的特征信息,采用浅层特征图减去深层特征图的方法削弱浅层特征图中大目标信息,以增强小目标特征信息表达。加入高效通道注意力解耦检测头,通过将检测头解耦为分类和回归分支,分别学习目标的语义信息和位置信息。实验结果表明,在TT100K数据集上,所提方法的mAP@0.5比基准网络YOLOv5提高了6.4个百分点,比YOLOv7提高了1.9个百分点。在自建高架库数据集上,所提方法的mAP@0.5相比基准网络提高了4.9个百分点,其中安全帽的mAP@0.5相比基准网络提高了6.9个百分点。

TRNet:基于遥感影像的三通道区域增强变化检测网络

遥感影像变化检测任务是遥感领域的研究重心之一,目前大多为深度学习方法,主要采用单通道或孪生网络提取特征,能够较为有效地提取变化特征。但是随着遥感影像分辨率的不断升高,单一化的特征提取方式易受无关细节信息的影响,从而导致检测结果中变化和未变化区域分割能力不足。为此,提出一种全新的三通道区域增强变化检测网络,从多个角度增强特征提取能力。首先构建了三通道区域增强编码器,利用三个特征提取通道定向提取相似性信息、全面性信息和差异性信息,并且在编码器每个层级使用区域分离增强模块,能够将通道1和3增强通道2,有利于取得更好的变化区域分割效果;其次设计了层级交互指导融合解码器,通过高层级特征和低层级特征之间的交互指导,实现不同层级特征间的有效融合;最后使用基于信息熵的自适应权重来优化损失函数,通过给高熵区域更多的关注,来改善网络模型的训练过程。在常用数据集上的实验结果表明,与对比网络相比,所提网络能够取得更优的检测精度。

基于通道注意力和图卷积的激光三维目标检测

针对三维目标检测时点云分区容易损失几何信息的问题,提出一种基于通道注意机制和图卷积的融合模型,建立基准网络级联构建特征增强层,加强基准网络对提取有效特征信息的敏感性,以提取局部点云几何结构特征,提升三维目标检测精度。根据KITTI数据集上的实验结果表明,融合模型将基准网络对行人的检测精度提升了4.25%,对自行车的检测精度提升了2.88%。实验结果表明,所提模型能够提高目标检测精度,特别有效提升了对小目标的检测精度。

多层记忆增强生成对抗网络二次预测的视频异常检测方法

为了提高视频异常检测的准确率,提出了一种基于多层记忆增强生成对抗网络二次预测的视频异常检测方法。首先利用目标检测提取时空立方体,并将其输入自编码器中得到预测帧;其次将预测帧的表观特征和对应真实帧的光流特征进行融合,形成融合特征;最后利用多层记忆增强生成对抗网络二次预测未来帧,以便学习不同层次特征的正常模式并捕获上下文的语义信息。在UCSD Ped2和CUHK Avenue数据集上进行的实验结果表明:所提出的方法与其他视频异常检测方法相比,可有效提高视频异常检测的性能,使帧级别AUC分别达到99.57%和91.59%。

基于多维尺度特征增强的公路结构层无损检测识别方法

针对探地雷达检测回波易受地下复杂环境干扰而产生的弱目标漏检问题,本文提出一种基于多维尺度特征增强的公路结构层无损检测识别方法,该方法将探地雷达回波中不同目标的回波纹理图像映射到频率、方向尺度空间,通过调整二维Gabor滤波核函数的不同尺度参数对不同目标信号进行特征增强,利用不同频率、方向尺度特征提取了探地雷达回波中的弱目标,并通过两组实测数据验证了所提出方法的有效性,弱目标的漏检率降低了25%。

基于PU-Faster R-CNN的手机屏幕缺陷检测算法研究

手机屏幕缺陷检测是手机生产的重要环节,实现准确而高效的屏幕缺陷检测对于提高手机工业产能具有重要意义;在实际生产过程中,手机屏幕图像缺陷特征隐晦、缺陷尺寸差异大等问题,加大了手机屏幕缺陷检测的难度;为解决上述问题,提出了一种基于Preprocessing operations are combined with U-Net-Faster R-CNN(PU-Faster R-CNN)的手机屏幕缺陷检测模型;针对手机屏幕图像的特征信息隐晦的问题,提出多层特征增强模块,有效的对目标缺陷特征信息进行增强;构建多尺度特征提取网络,有效提取多尺度的缺陷特征信息;为了生成拟合性更好的Anchor box,提出了自适应区域建议网络,通过自迭代聚类算法生成尺寸更准确的Anchor box模板;实验结果表明,基于PU-Faster R-CNN的手机屏幕检测框架在手机屏幕数据集上优于主流的手机屏幕缺陷检测框架。

基于分层差分表达理论的图像视觉增强

视觉注意机制表明人眼趋向于关注感兴趣区域。为了实现图像视觉增强,该文提出基于2维直方图分层差分表达理论的图像增强方法。该算法首先检测图像的显著性区域,并对该区域进行分割,得到更适合人眼观测的显著图。然后统计原图中显著图对应区域的2维差分直方图,依据分层差分表达理论和考虑各层之间的内在联系,通过解线性优化问题得到显著性区域差分向量。定义原始差分向量代表原图特征,将两个向量加权相加后得到全局变换函数,重建得到视觉增强图像。实验结果表明:该方法有效地增强图像中人眼感兴趣区域对比度,提升细节信息。客观评价指标表明:与其他5种方法比较,该方法处理结果在3组实验中在保持全局亮度、提升峰值信噪比及人眼视觉系统敏感度信噪比指标优势明显。该方法增强后图像显著性区域的EME值适中,有利于视觉观测。客观指标与主观观察结果一致,表明该方法能有效改善图像视觉效果。

红外图像序列小目标检测预处理技术

文中就如何提高复杂背景条件下低信噪比的小目标检测概率问题展开讨论，提出了用空间高通滤波方法改善图像质量，达到抑制背景噪声，增强小目标的目的，并将高通滤波和中值滤波做了一个简单的比较，随后采用分层投票表决法对目标进行检测，取得了良好效果。

多层Au-Pd核壳纳米颗粒膜增敏的光纤氢气传感器

高灵敏度、快速响应的光纤氢气传感技术是未来氢气传感技术的发展方向,对保障氢能系统安全具有重要意义。针对纳米尺度的钯基氢敏材料难以与光器件耦合的问题,本文采用水相合成及离心沉积方法制备具有快速氢气响应特性的Au-Pd核壳纳米颗粒膜,搭建了含有Au-Pd核壳纳米颗粒氢敏膜阵列的透射式传感系统,实现了光信号与多层纳米颗粒膜阵列的耦合,通过提高敏感材料对光信号的调制能力增强了传感器的灵敏度。实验研究表明,本文制备的Au-Pd核壳纳米颗粒膜粒径为48 nm,Pd层厚度约为4 nm。该敏感薄膜对4%浓度氢气的响应时间小于3 s,且在循环测试中显示了良好的重复性和稳定性。通过3片薄膜阵列传感,在不影响传感器响应速度的同时将传感器灵敏度提升至最高,为单片膜的2.7倍。该研究为开发高性能光纤氢气传感器提供了重要指导。

非标记光反射干涉生物传感器及其检测模型的构建

构建了基于反射光干涉生物传感器检测系统,用原子力学显微镜对传感单元的表面进行了表征,对检测系统传感单元进行优化,以人IgG和抗人IgG为模型建立了反射光干涉生物传感器的应用模型。结果表明:应用甩膜法构建的传感单元具有较平整的表面,以二氧化钛为干涉增强层的传感单元具有低背景信号,检测光学厚度信号与检测浓度之间具有很好的线性相关性。建立的非标记检测系统在环境、食品安全检测、药物筛选及生物材料等多方面具有广阔的应用前景。

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合(OSA)模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值(mAP)提升3%,不同目标类检测的平均准确率(AP)均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.

改进的Cascade RCNN行人检测算法研究

在复杂路况下的行人检测中,行人尺寸变化大,导致小尺寸行人漏检率高,增加了行人检测的难度。为了降低行人检测漏检率,提高行人检测精度,在级联区域卷积神经网络(cascade regional convolutional neural network,Cascade RCNN)的基础上,将浅层特征与深层特征融合,进行深层特征对浅层特征的特征增强,提高深层信息的利用率,并且增加了一条浅层到深层的通道,将浅层信息直接向上进行传递,提高浅层空间信息的利用率;将行人分类和预测框回归的全连接层改为解耦的回归与分类分支,更加稳健地进行分类和回归整个边界框。在Caltech和ETH行人数据集上进行实验,结果表明,改进的Cascade RCNN与原Cascade RCNN相比,在Caltech行人数据集中大中小尺寸行人漏检率分别降低了7.9个百分点、11.4个百分点和9.1个百分点,平均精度均值提高了3.0个百分点;在ETH行人数据集中漏检率降低了5.6个百分点,平均精度均值提高了2.3个百分点。

基于改进YOLOv7模型的肺结节检测

目的设计一种基于改进YOLOv7模型的肺结节检测算法。方法首先,在PAFPN结构中,引入轻量化上采样算子CARAFE,以提高肺结节检测精度。然后添加一个增强型小尺度检测层,增强对于小目标肺结节的检测性能,同时可减少训练的参数量,并降低模型复杂程度。在保证各项参数指标不变的情况下,对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验;对改进点训练集总损失进行比较;用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理,将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%,召回率提高了3.5%,平均精度(mAP)上升了3.1%,参数量减少了25.3%,网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%,参数量减少28.3%,模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高,但是仍然出现了漏检与假阳性的情况,与预测图片1比较,YOLOv7原模型出现了漏检的情况;与预测图片2比较,YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善;与经典模型算法比较,改进后YOLOv7模型算法的精度、召回率和mAP最高,分别为91.7%、89.1%、93.5%。结论改进YOLOv7模型具有更强的特征表达能力,参数量更少,能够有效提高肺结节的检测精度。

薄层原位表面增强拉曼光谱法检测中成药和保健品中添加的西地那非

目的:考察西地那非在薄层原位表面增强拉曼光谱(TLC-SERS)的特点及其影响因素,并建立中成药和保健品中添加西地那非的薄层原位表面增强拉曼光谱的检测方法。方法:比较了西地那非拉曼光谱及其薄层原位表面增强拉曼光谱的差异,考察了激光光源强度、测定积分时间、纳米银溶胶溶液用量、西地那非浓度及空白硅胶等因素对西地那非薄层原位表面增强拉曼光谱的影响;将3种具有壮阳作用的中成药进行薄层色谱分离后,对与西地那非Rf值一致的斑点进行原位表面增强后测定其拉曼光谱,并通过与西地那非对照品薄层原位表面增强拉曼光谱进行比较,来进一步判断中成药和保健品中是否含有西地那非。结果:薄层原位表面增强后的拉曼光谱与西地那非的拉曼光谱比较除1582 cm-1处拉曼峰的位置没有变化外,在1563、1530、1405、1240、1272 cm-1处的拉曼峰位置发生了蓝移和红移,个别峰的强度也发生了变化,但主要特征谱带的形状和频率基本保持一致。随着激光强度的增大、积分时间的延长、纳米银溶胶用量的加大及西地那非浓度的增加,西地那非薄层原位表面增强后的拉曼光谱的强度都会相应加大,并且空白硅胶的表面增强拉曼光谱对其没有影响。经薄层色谱分离后在与西地那非Rf值一致的斑点测定的原位表面增强拉曼光谱与西地那非斑点的表面增强拉曼光谱的光谱特征非常一致。结论:将薄层的分离作用与表面增强拉曼光谱结合,可以快速确认薄层色谱上的疑似斑点是否为西地那非成分。薄层原位表面增强拉曼光谱法可作为中成药及保健品中添加西地那非的检测方法。

薄层色谱和表面增强拉曼散射光谱联用检测猪肉中二甲硝咪唑

采用薄层色谱和表面增强拉曼散射光谱(TLC-SERS)联用技术对猪肉中的二甲硝咪唑进行分离检测。硅藻土作为固定相制备薄层色谱板,将含有二甲硝咪唑的混合物直接滴在硅藻土板上,可实现对二甲硝咪唑的快速分离检测。经过薄层色谱分离后,确定比移值(R_(f)),在对应位置滴加浓缩40倍的纳米金溶胶,表面增强拉曼光谱检测二甲硝咪唑的灵敏度为10μmol/L,检出限为4.16 mmol/L,低于食品中二甲硝咪唑的最高残留限量。