近背向散射能量空间分布的时间分辨测量技术

基于神光Ⅲ原型激光装置上建成的近背向散射诊断系统,设计了一种可探测近背向散射能量空间分布的时间过程的采集方法,并通过静态实验对该方法的可行性进行了验证。结果表明:通过一维转二维传像束,将二维图像记录成一维信息,然后通过数据后处理还原成二维图像信息的方法可以实现能量空间分布的时间分辨测量。将该方法用于近背向散射光诊断系统,可以得到近背向散射光能量空间分布随时间变化的信息,为深入分析激光等离子体相互作用实验中近背向散射光构成及变化过程提供重要数据。     

激光陀螺中背向散射的研究

为了研究谐振腔形状变化对激光陀螺中背向散射的影响,基于矢量叠加理论,分析了激光陀螺背向散射源及其对总的背向散射的影响.根据背向散射对顺逆时针光的耦合作用,推导出了总的背向散射系数与顺逆时针旋转光光强的关系式.基于这一关系,设计实验,通过施加电压使谐振腔反射镜到不同位置来改变光腔形状变化,同时测量光强交流量的振幅,得到了总的背向散射系数的变化曲线.通过与仿真结果对比,验证了背向散射的矢量叠加理论.     

近红外激光照射人体合谷穴与非穴位区的温度和背向散射光强度的时间相关性比较研究

研究了人体合谷穴以及周边的非穴位组织受不同功率的半导体激光(808 nm功率分别为15,25,35 mW)照射前后,穴位和非穴位组织的温度和在不同深度处的背向散射光强度的时间相关性及其差异。实验采用红外热成像和光相干层析成像技术获取人体穴位区和非穴位区的温度及其背向散射光强度。结果表明,在808 nm激光照射前,穴位区和非穴位区的温度和背向散射光强是基本相同,照射后,穴位区的温度和背向散射光强明显地高于非穴位区的温度。在照射后的0～40 min内,穴位区和非穴位区的温度和背向散射光强都随着时间的增加而波动地缓慢下降。实验结果表明,合谷穴的穴位区与非穴位区对近红外激光照射前后的温度与时间的相关性和不同深度处的背向散射光强度的时间相关性有明显的差异,且穴位区对半导体激光器的照射反应比非穴位区更敏感。     

基于神光Ⅲ原型的背向散射实验技术研究

激光与等离子体相互作用研究是惯性约束聚变 (ICF) 研究中的重要研究内容. 为了定量研究神光III原型实验中激光与等离子体互作用产生的散射光能量和光谱, 研制了全孔径和近背向散射诊断系统, 并介绍了全孔径和近背反测量系统的光路结构. 对采用连续相位板技术后引起的激光焦斑变化进行了分析. 介绍了采用全孔径和近背向散射诊断系统在神光III原型上完成的考核束匀滑实验效果的实验, 对比了使用束匀滑前后背向散射系统获得的散射光份额和散射光谱分布. 实验发现, 在神光III原型使用800J能量 8束打靶的条件下, 使用束匀滑后背向散射光份额可以降低到5%以下, 其散射光谱也更加集中. 这些数据为黑腔能量学等研究的进一步发展起到重要的促进作用. 关键词： 激光散射 连续相位板 黑腔 光谱     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

基于改进深度残差网络的计算断层扫描图像分类算法

基于改进的深度残差网络(ResNet),提出更加适合肺部组织的计算断层扫描(CT)图像模式分类模型。为克服医学图像分析中可用数据集稀少的困难,采用迁移学习方法来减小神经网络模型对数据量大的需求,以减小过拟合。迁移学习的策略是将肺内大量可用的无标签区域作为预训练的数据,使用深度互信息最大化和先验分布匹配的方法进行无监督表征学习。通过对比实验发现,改进的深度ResNet可以得到更高的分类精度,迁移学习算法可以有效地利用肺内无标签区域的数据,从而提升网络模型的分类表现。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.      

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。     

527nm激光辐照盘靶背向散射能量测量

在星光Ⅱ激光装置上,测量了脉宽1ns、能量40-110J的527nm激光在不同条件下辐照Au盘靶、Al盘靶的背向散射能量。结果表明:激光辐照Au盘靶时．在聚焦条件下背向散射能量约占打靶激光能量的7．8％;在束匀滑条件下背向散射能量份额下降到6.2％左右,证明了束匀滑可有效抑制背向散射。对比Au盘靶、Al盘靶背反能量与打靶激光能量关系曲线,可以看出背向散射能量与打靶激光能量基本上成线性关系。 Au and Al disk target were irradiated with -1 ns, 40-110 J, 527 nm laser at Xingguang-Ⅱ facility. The backscattered lights by laser-produced plasma were studied experimentally. The results are in troduced in this paper. Backscattered light energy is 7.8% of laser energy when laser is focused on Au disk target; when laser beam is smoothed, it is 6.2%. The comparison shows that laser smoothing can restrain backscattered light efficiency. The experimental results :also show that there is a linear relation between backscattered light energy and the laser energy.     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

塑料激光诱导击穿光谱技术快速分类应用研究

在大气环境中,采用激光诱导击穿光谱技术与支持向量机算法相结合,对来自不同厂家不同颜色的20种工业塑料进行分类研究。首先对分类结果有影响的实验参数进行优化,在最佳的实验参数条件下进行光谱采集,采用6条非金属元素特征谱线,有效缩短了训练支持向量机分类模型所需时间,从而提高了塑料的分类效率。实验结果表明,利用碳、氢、氧、氮等主量非金属元素对这些工业塑料样品进行分类,测试集1 000个光谱数据中有996个识别正确,算术平均识别精度达到99.6%。在选取较少的主量非金属特征谱线的情况下,结合采用支持向量机算法,可以实现激光诱导击穿光谱技术对更多类型的塑料制品快速、高精度分类,为激光诱导击穿光谱技术在实现塑料分类方面提供了数据参考。     

时频谱图和数据增强的水声信号深度学习目标识别方法*

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用。该文 提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的VGG网络模型实现目标分类。实验结果表明,该文方法得到的水下目标识别准确率(95.2%) 要优于其他4种对比方法,证明了该文提出的网络模型和数据增强方法均有助于提高目标分类性能。     

基于卷积神经网络和高光谱成像技术的多宝鱼新鲜度鉴别

鱼类产品新鲜度鉴别一直是重要的研究课题,相较于目前常规鱼类品质检测方法存在的成本高、检测时间长等问题,高光谱成像技术(HSI)因其无损、快速等优势得到了学者的广泛研究。卷积神经网络是深度学习中应用较为广泛的模型,表达能力强,模型效率高。因此,使用卷积神经网络(CNN)结合高光谱成像技术建立多宝鱼新鲜度鉴别模型。采集160个多宝鱼样本感兴趣区域(ROI)光谱,并根据样本不同冻融次数和冷冻时间分为5类新鲜度。以VGG11网络为基础,针对光谱数据特点对网络结构进行调整,减少全连接层数量,降低模型的复杂度,分别对比不同卷积核个数、激活函数对分类性能造成的影响,确定最佳CNN网络结构。由于高光谱数据量大同时存在的冗余信息较多,分别采用无信息变量消除算法(UVE)和随机青蛙算法(RF)对高光谱数据进行波长筛选,将波长筛选后的高光谱数据分别输入卷积神经网络(CNN)、最小二乘支持向量机(LS-SVM)、 K最近邻算法(KNN)建立模型。采用无信息变量消除(UVE)提取的165个特征波长建立的UVE-CNN模型鉴别效果最佳,分类模型在测试集上的精度达到了100%。结果表明,利用卷积神经网络与高光谱成像...     

基于支撑先验与深度图像先验的无预训练磁共振图像重建方法

基于深度学习的磁共振成像(magnetic resonance imaging, MRI)方法需要大规模、高质量的病患数据样本集进行预训练.然而,由于病患隐私及设备等因素限制,获取大规模、高质量的磁共振数据集在实际临床应用中面临挑战.本文提出一种新的基于深度学习的欠采样磁共振图像重建方法,该方法无需预训练、不依赖训练数据集,而是充分利用待重建的目标MR图像的结构先验和支撑先验,并将其引入深度图像先验(deep image prior, DIP)框架,从而削减对训练数据集的依赖,提升学习效率.基于参考图像与目标图像的相似性,采用高分辨率参考图像作为深度网络输入,将结构先验信息引入网络;将参考图像在小波域中幅值大的系数索引集作为目标图像的已知支撑集,构造正则化约束项,将网络训练转化为网络参数的最优化求解过程.实验结果表明,本文方法可由欠采样k空间数据重建得到更精确的磁共振图像,且在保留组织特征、细节纹理方面具有明显优势.     

基于深度学习、小波变换和可见光谱的茶树冻害程度评估

茶树冻害鉴定是评价茶树抗逆性、指导茶园越冬管理的基础。茶树冻害鉴定的传统方法主要通过人工观察茶树叶片的冻害数量和冻害程度,存在准确率低,效率低,主观性强等缺点。提出一种基于深度学习、小波变换和可见光谱的茶树冻害程度评估框架。首先,采集了1 000张茶树受冻后的树冠图像,并且按照4∶1分为训练集和测试集,并对训练集图像的冻害叶片进行标注。其次,采用Faster R-CNN网络对茶树的冻害叶片进行识别提取,并且分别选择了AlexNet、 VGG19和ResNet50三种特征提取器,选择鲁棒性最高的特征提取器作为主干网络。然后,将提取到的茶树冻害叶片图像进行小波变换增强处理,从而得到了一张低频率和三张高频率的图像。将小波变换处理后的图像和未经小波变换处理的图像分别输入到VGG16、 SVM、 AlexNet、 ResNet50等网络对冻害叶片进行分级,比较四种网络的分类性能。根据冻害叶片的数量、冻害叶片的程度,不同冻害程度叶片的权重系数,对茶树受冻程度打分,从而对茶树整体的冻害程度进行评估。结果表明：(1)基于ResNet50的Faster R-CNN模型提取茶树冻害叶片的性能最好,其查准率...     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收。传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要。激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用。采用激光诱导击穿光谱技术结合主成分分析（PCA）和支持向量机（SVM）算法对20种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。     

环状PIN阵列测量全口径背向散射光空间分布的实验研究

基于由同心环状排布的多个 PIN 探测器组成的环状 PIN 阵列,发展了一种测量激光等离子体全口径背向散射光空间分布的实验方法.采用该方法,在神光Ⅱ装置激光与黑腔靶相互作用实验中,对全口径背向散射光空间分布进行了测量,获得了全口径受激 Brillouin 散射背向散射光空间分布的图像.初步建立了全口径背向散射光空间分布...     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究

夏威夷果含油量高,在开缝之后容易发生变质,现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验,很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一,具有比浅层学习方法更强的特征提取与模型表达能力,在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析,研究用于提取夏威夷果光谱特征的卷积神经网络模型,并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象,分析样本在500~2 100 nm的光谱信息;在光谱数据预处理中引入白化处理方法,用以增强数据的相关性差异;然后在模型训练过程中,将样本随机分为训练集和预测集,探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响,并采用激活函数ReLU和Dropout方法,预防样本数据过少引起的过拟合现象;最后通过分析模型分类准确率和计算效率,确定了一个6层结构的CNN模型： 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。因此,改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类,将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定,同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。     

激光诱导击穿光谱的自组织特征映射结合相关判别对天然地质样品分类方法研究

激光诱导击穿光谱技术具有微损、原位、快速分析的特点,在样品分类识别、成分分析等领域有广阔的应用前景。为探索该技术在天然地质样品识别应用的可行性,提出了一种自组织特征映射神经网络结合相关判别对天然地质样品LIBS光谱分类识别的方法。为减小全谱中背景噪声等不相关数据干扰、降低计算量,在元素谱线归属的基础上进行了特征谱线提取,实现了高维光谱数据的降维。以特征谱数据为输入建立网络训练模型,得到具有输入样本特征的权向量,通过权向量与待测样本进行相关分析可以实现样品分类。对16种天然地质样品的分类算法实验证明,在全谱、主成分降维和特征谱段三种数据处理方法中,特征谱的降维和提取LIBS数据主特征效果最优。改进的SOM网络结合相关判别算法比支持向量机方法和直接应用SOM网络方法的分类准确度更高,初步证实了该方法的有效性。