深度学习在材料显微图像分析中的应用与挑战

材料的组织结构主要受成分和制备加工工艺的影响,是决定材料性能的关键因素,在材料研发的全周期内具有重要作用。材料组织结构以非结构化图像数据的形式呈现,利用人工经验性的手段进行分析和信息抽取,遗漏了大量的材料学信息和隐含知识。深度学习技术的发展和应用,为材料显微图像中信息的精准、快速、自动获取提供了重要的研究手段。本文从图像处理、图像分析和图像理解3个方面概述了材料显微图像处理与信息挖掘的主要研究内容和关键技术,详细介绍了深度学习在图像分析中的图像识别、图像分割和图像生成3个任务中的研究进展,讨论了深度学习在材料显微图像分析和信息挖掘中的发展方向和挑战。

传感网中UWB和IMU融合定位的性能评估

位置信息是物体的基本属性之一.随着无线传感器网络(wireless sensor network,WSN)的蓬勃发展,传感器网络中节点位置信息的获取变得尤为重要.超宽带(ultra-wideband,UWB)和惯性测量单元(inertial measurement units,IMU)以其高定位精度,在WSN中得到了广泛应用.UWB精度高,但容易受多径效应和节点间的相对几何位置关系影响.IMU惯性测量单元能够提供连续的惯性信息,但累积误差问题难以解决.基于IMU和UWB结合的融合定位方法,能够在提高定位精度的同时补偿UWB的多径效应影响和IMU的误差累积问题.因此,提出一种新的基于UWB和IMU的融合定位方法,实现传感网中目标节点的高精度位置追踪,并通过计算克拉美罗下限(Cramer-Rao lower bound,CRLB)表征融合定位方法的空间定位性能验证其在解决多径和几何拓扑问题上的有效性,通过计算后验克拉美罗下限(posterior Cramer-Rao lower bound,PCRLB)表征融合定位方法的时间定位性能验证其在累积误差纠正上的有效性,为基于UWB和IMU融合定位算法的设计和仿真提供理论支持.实验结果表明:融合定位方法具有更好的时空定位性能,更能接近实际应用的理论精度下限.

一种硅油填充术眼内硅油乳化过程模拟可视化方法

眼科中治疗孔源性视网膜脱离(RRD)的玻璃体切割联合硅油填充术中,预测术后硅油乳化情况,并根据其确定术中适宜硅油填充量和最终取出时间是手术成功的关键。然而手术流程中医生无法直接观察眼球内部结构,很难对填充物质进行定量分析,手术完成后亦对硅油乳化状态缺乏可视化认知。该文提出一种基于光滑粒子流体动力学的体积不可压缩多相流体计算框架,结合表面张力模型对眼内环境中硅油和水的耦合进行数值计算;构建以力平衡散体动力学模型为基础的多相流体互溶扩散模拟方法,对硅油乳化过程进行可视量化分析。实验表明,该方法可以稳定模拟强表面张力作用下多相流体耦合以及可混溶多相流体相间交互效果,从而有效辅助医生判定所需硅油填充量,并预测评估硅油乳化状态对手术预后的影响。

用于索引视域的凸多边形树

智能手机等设备在拍摄照片和录制视频时会将拍摄位置和光学参数记录到影像文件中,可以提取并利用这些信息,在二维平面空间中还原出图片所对应的扇形视域(field-of-view,FOV).将影像文件及其对应的FOV存储在计算机中,用来支持用户对影像文件的空间查询.一种典型的空间查询是用户在地图上指定查询区域,计算机找出拍摄到这个区域的影像返回给用户,其实质是找出与查询区域存在交集的FOV.为了提升查询效率,需要设计合理的数据结构来索引FOV.然而,现有的索引结构没有充分利用FOV的形状特点.使用五边形近似描述FOV,并设计凸多边形树来索引五边形.树的节点是k;凸多边形.k;凸多边形是包围一组多边形的最佳多边形,它的边数不超过k并且无效区域最小,即它本身与其内部元素的差集最小.提出了淹没算法来找出这样的包围多边形.在构建凸多边形树时,将逐一插入FOV,为每个待插入FOV选择最优叶子节点的标准是让FOV插入后新节点的无效区较小,新节点的增加区较小,并且旧节点与FOV的重合区较大.同时,提出了基于凸多边形树的FOV查询算法.实验结果表明凸多边形树与现有索引相比可以提升查询效率.

基于深度学习和区域感知的多晶体显微组织图像分割方法

材料微观组织结构表征是成分-工艺-组织-性能内禀关系研究中的重要环节。通常采用图像技术对材料显微组织图像进行处理和分析是获取材料微观组织结构特征的主要途径。本文针对材料组织图像分割任务,提出了一种基于深度学习和区域感知的图像分割方法。通过将形状信息作为约束条件引入深度学习的损失函数中,驱使网络在训练过程中更加关注分割目标的形状特征,提升准确度。实验结果表明,本文提出的加权损失函数在4种基线模型上的性能均超过9种经典的损失函数加权方法。