首次实现二维量子片的普适和规模制备

<正>2004年,石墨烯(graphene)首次从天然石墨中(微)机械剥离出来~[1],从而揭开了二维材料的神秘面纱,以及这种独特结构所带来的全新物理,它的发现者Geim和Novosolev也因此获得诺贝尔物理学奖。石墨烯的出现,使得纳米碳材料完成了维度上的全满贯(即零维富勒烯、一维碳纳米管     

不均匀光照和重影的仪表图像二值化方法

高压计量仪表识别过程中需要对图像进行二值化操作，然而拍摄的仪表图像多出现光照不均和数字重影现象，导致传统方法对仪表图像的二值化困难。为此，提出一种基于卷积神经网络的二值化方法，用于对复杂光照下含数字重影的仪表图像二值化。该网络使用的数据集为真实环境下的仪表图像，首先对输入的图像进行降维提取特征，然后反卷积重建图像前景，最后输出二值图。将设计的网络与传统的二值化方法进行对比，实验结果表明，经该网络训练得到的二值图数字清晰且无重影，且测得的交并比（IoU）平均值为95.12，与样本标签图像的相似度最高，能够有效解决复杂环境下有重影的仪表图像二值化问题。     

基于二维直方图和模糊熵准则的阈值化方法

图像分割是图像分析、识别和理解的基础。图像分割主要是指将图像分成各具特性的区域并提取出感兴趣目标的技术,其研究多年来一直受到人们的高度重视;阈值化法是图像分割的一种重要方法,在图像处理与识别中广为应用;针对图像分割中细节往往被忽略导致后续处理困难的问题,基于模糊关系和最大模糊熵原理提出了一种阈值化方法,对二维直方图进行模糊分割;为了获得图像分割中的细节,提出的方法根据最大熵原则自动确定模糊区域和门限,进而获得二维模糊熵和遗传算法最优解,最后获得图像细节;通过对不同灰度水平和颜色类型图像进行实验比较,实验结果表明提出的方法优于二维非模糊方法和一维模糊熵分割法,得到该方法在图像分割中获得细节的结论。     

基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。     

二维量子片及其光学研究进展

以石墨烯为代表的二维材料因其独特的结构和优异性能而受到广泛关注。随着二维材料在无限小的方向不断发展,二维(材料)量子片逐渐引起人们极大的兴趣。二维量子片不仅保留了二维材料的本征特性,而且表现出量子限域和突出的边缘效应,为二维材料的潜在应用带来全新机遇。本文详细介绍了二维量子片的基本概念,制备现状与光学性能的研究进展,特别强调了二维量子片本征、普适和规模制备的实现及其重大意义。此外,重点关注了二维量子片的光致发光特性以及在非线性光学、固态发光器件等领域的应用。最后,分析了二维量子片的发展趋势以及面临的主要挑战。     

硫化锡电子结构和光学性质的量子尺寸效应

基于密度泛函理论的第一性原理计算,系统研究了硫化锡(SnS)晶体、纳米单层及多层的结构稳定性、电子结构和光学性质.结果表明:由于相对弱的层间范德瓦尔斯力作用,SnS单层纳米片可以像石墨烯等二维材料一样从块体中剥离出来;受制于量子尺寸效应和层间相互作用的影响,SnS的结构稳定性随层数减少而逐渐减弱,其带隙随层数减少而逐渐增大;由于材料的本征激发和吸收取决于电子结构,因此改变SnS材料的层数可以到达调控其光学性质的目的;SnS块体和纳米结构的主要光学吸收峰起源于Sn-5s,5p和S-2p轨道之间的电子跃迁;并且从块体到单层纳米结构,SnS的光学吸收峰出现明显的蓝移.本文的研究将有助于SnS材料在太阳能电池领域的应用.     

基于扩张卷积注意力神经网络的高光谱图像分类

为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型。首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,实现了多尺度特征的融合;最后,利用注意力机制使网络关注重要的空谱特征,并抑制噪声和冗余信息。在两个常用数据集上对本文算法和四种基于深度学习的分类算法进行对比实验,结果表明,所提模型取得了最准确的分类结果,有效提高了训练样本有限条件下的分类精度。     

一种改进的三维双路径脑肿瘤图像分割网络

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注。从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度。所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原有特征的同时,还可以在脑肿瘤的纹理、形状和边缘等方面产生新特征,来提高网络分割精度;其次,在双路径网络模块中加入多纤结构,在保证分割精度的同时减少了参数量;最后,在每个网络模块中的组卷积之后加入通道随机混合模块来解决组卷积导致的精度下降问题,并使用加权Tversky损失函数替代Dice损失函数,提高了小目标的分割精度。所提模型的平均Dice_ET、Dice_WT和Dice_TC均优于3D-ESPNet、DeepMedic、DMFNet等算法。该研究结果具有一定的现实意义和应用前景。     

多模态磁共振脑肿瘤图像自动分割算法研究

脑肿瘤图像自动分割的难点在于肿瘤形态各异,且类别不平衡情况比较严重,常规的卷积神经网络难以预测出高精度分割图像。针对以上问题,在原始3D-Unet的基础上提出一种改进模型,以混合膨胀卷积模块代替常规卷积模块,指数级地增大神经元的感受野,同时减小网络深度,避免上采样时无法恢复小目标的情况。同时以混合损失函数代替原来的Dice损失函数,加强稀疏类分类错误时对模型的惩罚,迫使模型更好地学习分类错误的样本。实验结果表明,混合膨胀卷积模块与混合损失函数能分别提高整个肿瘤区域和肿瘤核心区域的预测精度,提出的3D-HDC-Unet模型改善了脑肿瘤自动分割的多项性能参数。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

低维MoS_2混合纳米片的发光特性

采用液相剥离法剥离MoS2块体材料,通过选择合适的剥离剂、超声时间、超声功率得到含有不同尺寸且分散均匀的MoS2混合纳米薄片悬浮溶液。在360 nm光激发下,这种悬浮液表现出单层MoS2及小尺寸MoS2纳米颗粒的复合发光特征。与微机械剥离得到的单层MoS2的发光特性相比,这种液相法得到的混合纳米薄片在512 nm处的最强发光峰位发生明显蓝移。混合纳米薄片在横向尺度上所产生的量子限制效应可能是导致该峰位蓝移的主要原因。     

层状二硫化钼研究进展

近年来,层状二硫化钼由于其特殊的类石墨烯结构和独特的物理化学性质已成为国内外研究的热点.本文综述了层状二硫化钼的物理结构、价带结构和光学性质;介绍了制备方法,包括生长制备和剥离制备.生长制备的原料包括四硫代钼酸铵((NH4)_2MoS_4)、钼(Mo)和三氧化钼(MoO_3)等.剥离制备包括微机械剥离、液相超声法、锂离子插层法和电化学锂离子插层法等.归纳了层状二硫化钼在场效应晶体管、传感器和存储方面的应用,展望了层状二硫化钼的研究前景.     

基于U-net和可见光谱图像的黄瓜褐斑病分割

褐斑病是黄瓜主要真菌性病害之一,适宜条件下,特别是在昼夜温差大及饱和湿度条件下发病迅速,病情加重,导致黄瓜减产,造成经济损失。对黄瓜褐斑病进行病斑分割与提取,可以为后续的病害识别与诊断提供有效依据,具有重要意义。结合黄瓜褐斑病可见光谱图像,利用U-net深度学习网络构建黄瓜褐斑病语义分割模型,实现了病斑分割。首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本,共在40幅图像中截取到135个像素区域,区域的像素分辨率为200×200,利用Matlab的Image Labeler工具对样本进行像素标记,分别标记出感病区域和健康区域。然后构建U-net网络,该网络包含46层和48个连接,通过卷积层和线性整流层以及最大池化法来完成病斑特征提取,通过深度连接层以及上卷积层和上线性整流层完成上采样,通过跳层连接来完成复制和剪裁操作,并进行病斑特征融合。利用所构建的U-net网络进行学习训练得到语义分割模型,在135个样本中,随机选取其中96个作为训练样本,剩余的39个作为测试样本,设置迭代次数为240次,L2正则化系数为0.000 1,初始学习率为0.05,动量参数为0.9,梯度阈值为0.05,进行样本训练和测试。经过10次重复训练和测试,结果表明,基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s,内存占用平均为6 665.8 MB,执行效率较高;模型准确率PA为96.23%~97.98%,MPA为97.28%~97.87%,MIoU为86.10%~91.59%,FWIoU为93.33%~96.19%,模型的稳定性较好、泛化能力较强。该研究方法利用较少的训练样本,获得了准确率较高的分割模型,为小样本机器学习提供了参考,同时为其他蔬菜的病斑分割、病害识别与诊断提供了方法依据。     

悬浮二维晶体材料反射光谱和光致发光光谱的周期性振荡现象

研究了在二氧化硅/硅衬底上制备的悬浮石墨烯以及二硫化钼的反射光谱以及悬浮二硫化钼的光致发光光谱.研究发现:悬浮多层石墨烯的反射光谱表现出明显的振荡现象,并且该振荡具有一定的周期性;振荡周期的大小不依赖于悬浮多层石墨烯的层数,而是随着衬底上沉孔深度(空气层厚度)的增加而减小.利用多重光学干涉模型可以解释这种振荡现象以及振荡周期随沉孔深度改变的变化趋势.该模型计算结果表明,只有当沉孔深度达到微米量级时这种振荡现象才会显著出现;并且可由振荡周期定量地确定出沉孔深度.对于悬浮的二硫化钼样品,其反射光谱和光致发光光谱也出现了类似的振荡现象.这表明这种振荡现象是在各种衬底上悬浮二维材料反射光谱和光致发光光谱的一种普遍性结果,也预示悬浮二维材料器件的电致发光光谱也会出现类似的振荡现象,对悬浮二维晶体材料的物理性质和器件性能研究具有一定的参考价值.     

石墨烯等二维原子晶体薄片样品的光学衬度计算及其层数表征

本文以鉴别机械剥离法制备的高质量石墨烯样品的层数为例, 阐明了如何利用传输矩阵来计算二维原子晶体薄片样品的光学衬度, 并进一步精确地鉴别其层数. 计算结果表明测试时所选用的显微物镜数值孔径对精确确定薄片样品的层数非常重要, 并为实验所证实. 同时提出了使用两个激光波长可以快速地表征样品尺寸接近物镜衍射极限的薄片样品层数的方法. 本文所采用的传输矩阵形式非常适合于计算二维原子晶体薄片样品的光学衬度, 并可以方便地推广到更复杂的多层衬底结构, 以便快速和准确地鉴别各种衬底上二维原子晶体薄片样品的厚度. 关键词： 二维原子晶体材料 层数 传输矩阵 光学衬度     

新型机械解理方法在二维材料研究中的应用

自从石墨烯被发现以来,机械解理技术已经成为制备高质量二维材料的重要方法之一,在二维材料本征物性的研究方面展现出了独特的优势.然而传统机械解理方法存在明显的不足,如制备效率低、样品尺寸小等,阻碍了二维材料领域的研究进展.近些年我们在机械解理技术方面取得了一系列的突破,独立发展了一套具有普适性的新型机械解理方法.这种新型机械解理方法的核心在于通过改变解理过程中的多个参数,增强层状材料与基底之间的范德瓦耳斯相互作用,从而提高单层样品的产率和面积.本文着重以石墨烯为例,介绍了该技术的过程和机理.相比于传统机械解理方法,石墨烯的尺寸从微米量级提高到毫米量级,面积提高了十万倍以上,产率大于95%,同时石墨烯依然保持着非常高的质量.这种新型机械解理方法具有良好的普适性,目前已经在包括MoS₂,WSe₂,MoTe₂,Bi2212等几十种材料体系中得到了毫米量级以上的高质量单层样品.更重要的是,在解理过程中,通过调控不同的参数,可以在层状材料中实现一些特殊结构的制备,如气泡、褶皱结构等,为研究这些特殊材料体系提供了重要的物质保障.未来机械解理技术还有很多值得深入研究的科学问题,该技术的突破将会极大地推动二维材料领域的研究进展.     

二硫化钨纳米片制备及其钙钛矿太阳能电池空穴传输层应用

开发新型无机空穴传输层材料是钙钛矿电池实现商业应用的重要挑战之一。本文开展了二硫化钨纳米片制备及其钙钛矿太阳能电池空穴传输层应用研究。采用液相超声剥离法成功制备了WS 2纳米片,并将其引入钙钛矿太阳能电池中用作空穴传输层。结果表明,当WS 2纳米片溶液浓度为1 mg/mL时,制备的WS 2纳米片空穴传输层具有较合适的厚度,并且后续在其上生长的钙钛矿活性层成膜质量高、结晶性能好,电池取得6.3%的光电转换效率。结果证实WS 2纳米片可作为新型无机空穴传输层材料用于钙钛矿太阳能电池。     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练.利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试.结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9.相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低.另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度.实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断.     

Dynamic pixel-wise weighting-based fully convolutional neural networks for left ventricle segmentation in short-axis MRI

Left ventricle (LV) segmentation in cardiac MRI is an essential procedure for quantitative diagnosis of various cardiovascular diseases. In this paper, we present a novel fully automatic left ventricle segmentation approach based on convolutional neural networks. The proposed network fully takes advantages of the hierarchical architecture and integrate the multi-scale feature together for segmenting the myocardial region of LV. Moreover, we put forward a dynamic pixel-wise weighting strategy, which can dynamically adjust the weight of each pixel according to the segmentation accuracy of upper layer and force the pixel classifier to take more attention on the misclassified ones. By this way, the LV segmentation performance of our method can be improved a lot especially for the apical and basal slices in cine MR images. The experiments on the CAP database demonstrate that our method achieves a substantial improvement compared with other well-know deep learning methods. Beside these, we discussed two major limitations in convolutional neural networks-based semantic segmentation methods for LV segmentation.