用原子力显微镜4π旋转技术测量靶丸表面粗糙度

原子力显微镜靶丸4π旋转装置,可以将靶丸在夹持状态下实现4π方向旋转,便于原子力显微镜对靶丸表面任一部分做扫描测量。应用该装置对各种靶丸的表面形貌进行了测量,测量结果表明,靶丸外表面粗糙度小于10nm,内表面粗糙度小于20nm。     

用原子力显微镜4π旋转技术测量靶丸表面粗糙度

 原子力显微镜靶丸4π旋转装置,可以将靶丸在夹持状态下实现4π方向旋转,便于原子力显微镜对靶丸表面任一部分做扫描测量。应用该装置对各种靶丸的表面形貌进行了测量,测量结果表明,靶丸外表面粗糙度小于10nm,内表面粗糙度小于20nm。     

用原子力显微镜4π旋转技术测量靶丸表面粗糙度

原子力显微镜靶丸４π旋转装置,可以将靶丸在夹持状态下实现４π方向旋转,便于原子力显微镜对靶丸表面任一部分做扫描测量。应用该装置对各种靶丸的表面形貌进行了测量,测量结果表明,靶丸外表面粗糙度小于１０ｎｍ,内表面粗糙度小于２０ｎｍ。     

纳米颗粒材料表面形貌结构AFM表征中针尖干扰的修正与评价

原子力显微镜（ＡＦＭ）被广泛地用来进行纳米尺度和亚微米尺度结构材料的形貌表征,其优点是制样简单、无需进行导电处理,但会针尖与样品作用时,由于针尖自身的成像作用,导致得到的图像结果比实际结果要大,这就是针尖的放大效应,文章基于一种简单的数学模型,得到了对实测图像的修正结果,对于一般金字塔形针尖,ＡＦＭ的放大作用可导致粒子尺寸比真实尺寸大近２倍,实测图像的失真状况与针尖的形状因子、粒子的分散状态等因素     

Kα射线源半影成像研究

在SILEX-Ⅰ激光装置上,采用半影成像技术对超短超强激光与纳米靶作用产生的Kα源进行了空间二维成像,获得了分辨率为10 μm左右的图像.与国外的结果相比,在较小能量激光器上高质量地实现了铜Kα源空间二维半影成像.实验表明,半影成像能得到详细的Kα源空间分布的细节信息,优于刀边成像等一维成像技术. 关键词： Kα源')" href="#">Kα源 半影成像 纳米靶     

原子力显微镜观测生物大分子图像的一种处理方法

针对具有复杂结构的生物大分子图像,本文改进了已有的半自动化方法,设计了一种新的算法去消除背景噪声,目的在于能够从生物大分子图像高效准确地提取量化信息.通过利用这种新的处理程序对生物大分子DNA原子力显微镜图像进行了研究,不仅可以对线性构像的DNA图像进行了处理,而且对于具有分支构像复杂DNA图像也能够处理.本文所提出的数字图像处理方法具有普适性,它也可以被应用到其他成像领域. 关键词： 原子力显微镜 数字图像处理 DNA     

细胞的原子力显微镜最佳成像条件研究

通过对不同处理条件和测试条件下人肝癌细胞SMMC-7721的原子力显微镜图像的分析和研究,得到了在大气环境和溶液环境中肝癌SMMC-7721细胞的最佳成像条件,同时建立了用原子力显微镜观测活细胞的实验方法.使用0.5%、1%、1.5%的戊二醛溶液固定细胞后再漂洗,变换原子力显微镜的扫描模式,调节扫描参量并在大气环境下观测以寻找该环境下的最佳成像条件；将用多聚赖氨酸处理基底后的培养细胞直接放置于生理溶液中用原子力显微镜进行溶液环境观测,比较扫描时限并分别改变环境液体类型、探针以及扫描频率,比较了不同条件下原子力显微镜图像的差异,在得出最优参量的同时对其相关原理进行了分析,建立了活细胞实时观测的实验方法.比较两种条件下的细胞图像发现,戊二醛溶液固定过的细胞与生理溶液环境中的活细胞有很大差别,在生理溶液条件下的细胞饱满,可见到光滑清晰的细胞边缘；但戊二醛溶液固定的细胞表面粗糙,细胞边缘不清晰,表明固定后观测到的细胞与生理状态下活细胞的表面形貌存在很大差异.     

基于压电陶瓷迟滞特性模型的原子力显微镜仿真平台研究

将基于双二次拉格朗日插值方法的压电陶瓷迟滞非线性Preisach模型,加到原子力显微镜(AFM)仿真平台中,实现在任意加压情况下由于迟滞效应所产生的图像畸变的仿真,更准确地反映原子力显微镜的扫描结果,使得学生在仿真实验中能更好地掌握AFM实验的真实情况.为了校正样品图像的畸变,提出搜索求逆算法,并利用此算法对Preisach模型进行精确求逆,通过改变输入电压抵消了压电陶瓷迟滞效应带来的非线性特性.仿真结果表明,该方法有效地校正了样品图像的畸变.     

原子力显微镜高次谐波幅度对样品弹性性质表征的研究

轻敲模式下原子力显微镜微悬臂探针在接近其基态共振频率的外加驱动下振荡, 其末端针尖周期性靠近、远离样品, 产生于针尖与样品非线性相互作用过程中的高次谐波信号包含更多的待测样品表面纳米力学特性等方面的信息. 通过理论分析、计算, 系统地研究了针尖与样品接触时间受样品弹性模量的影响, 以及高次谐波幅度与接触时间的关系, 获得了通过高次谐波幅度区分待测样品表面弹性性质差异的规律. 并在自制的高次谐波成像实验装置上, 得到了与理论预期一致的实验结果. 关键词： 轻敲模式原子力显微镜 接触时间 高次谐波幅度 弹性模量     

基于聚类算法的血管直径测量研究

血管形态的变化与疾病密切相关,血管直径是血管形态的主要参数之一,测量血管直径有助于疾病的筛查与预防。提出一种基于聚类算法的血管直径测量方法,对微血管进行测量。大多数显微血管图像(如光学显微成像或光声显微成像)中存在噪声,通过非线性变换函数对显微图像进行增强;使用训练后的U-Net网络模型进行图像分割;利用结合聚类算法以及射线算法的测量方法对分割得到的血管进行测量,得到血管直径。实验表明,算法与传统测量结果一致(P0.05),与传统算法相比,本算法的测量精度得到提升,将测量误差由4.21%降低至2.27%,满足血管测量的准确度需求。     

基于改进U-Net++和近红外光谱技术的羊毛含量快速定性分析方法研究

羊毛制品因其柔软、保暖性好等优点广受欢迎,羊毛含量是衡量这类产品质量的重要依据。目前市场上羊毛制品质量参差不齐,传统检测方法具有破坏性大、主观性强等缺点,已无法满足实时快速评估目标羊毛制品质量情况的需求。近红外光谱技术是一种无需破坏样品结构、可模型封装操作的快速测量方法。将近红外光谱技术和深度学习技术融合,提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法。在数据准备方面,使用手持便携式光谱仪采集羊毛制品样本的光谱数据,其波段范围为908.1～1 676.2 nm,并根据其含量的不同对原始样本进行了等级划分。为减少光谱采集方式对建模数据集的影响,针对同一样本在距探头5, 6, 8, 9和19 mm 5种高度,分别采集了5次光谱数据,并使用马氏距离法剔除异常样本,最终共5 125组光谱数据用于建模。在模型选择方面,U-Net++网络可通过下采样、跳跃连接和上采样等环节实现对光谱数据的特征提取,并进一步对样本进行分类预测。然而,该网络使用了大量密集的跳跃连接,易产生模型参数冗余、低层特征被重复使用等问题。鉴于此,在原始网络的基础上引入了注意力门控模块,可以更有效地提取特...     

基于神经网络的大孔径厚针孔成像复原算法研究

为了更好地获取低强度辐射源空间分布图像,提出一种使用神经网络算法将大孔径厚针孔退化图像复原的方法。建立了孔径5 mm、10 mm、15 mm的厚针孔模型,获得了3600个汉字形状辐射源的厚针孔退化图像集。基于DnCNN神经网络模型,建立了大孔径厚针孔退化图像复原神经网络,并与维纳滤波、Lucy-Richardson这些传统算法进行了比较。在考虑噪声影响后,利用迁移学习理论,对原神经网络模型进行迁移训练,再对含噪大孔径厚针孔退化图像进行复原。神经网络算法复原的RMSE明显低于传统方法,迁移学习显著减小了噪声的影响。证明了神经网络算法在大孔径厚针孔退化图像复原领域的优越性,并验证了神经网络方法复原含噪大孔径厚针孔退化图像的可行性。     

Transfer learning in deep neural network based under-sampled MR image reconstruction

In Magnetic Resonance Imaging (MRI), the success of deep learning-based under-sampled MR image reconstruction depends on: (i) size of the training dataset, (ii) generalization capabilities of the trained neural network. Whenever there is a mismatch between the training and testing data, there is a need to retrain the neural network from scratch with thousands of MR images obtained using the same protocol. This may not be possible in MRI as it is costly and time consuming to acquire data. In this research, a transfer learning approach i.e. end-to-end fine tuning is proposed for U-Net to address the data scarcity and generalization problems of deep learning-based MR image reconstruction. First the generalization capabilities of a pre-trained U-Net (initially trained on the human brain images of 1.5 T scanner) are assessed for: (a) MR images acquired from MRI scanners of different magnetic field strengths, (b) MR images of different anatomies and (c) MR images under-sampled by different acceleration factors. Later, end-to-end fine tuning of the pre-trained U-Net is proposed for the reconstruction of the above-mentioned MR images (i.e. (a), (b) and (c)). The results show successful reconstructions obtained from the proposed method as reflected by the Structural SIMilarity index, Root Mean Square Error, Peak Signal-to-Noise Ratio and central line profile of the reconstructed images.     

基于神经网络的三维宽场显微图像复原研究

提出一种利用BP神经网络进行三维宽场显微图像复原的非线性映射方法，将三维图像转化为二维图像进行处理，利用神经网络的学习能力，通过训练，建立含有散焦信息的二维模糊图像与二维清晰图像之间的映射关系，然后对切片堆叠进行逐幅复原，从而实现显微图像的三维复原.得到的复原图像在视觉上和定量分析上都获得了很好的效果.由于采用小规模神经网络，训练时间短，计算量小，使实时复原成为可能.     

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.     

一种基于GAN和自适应迁移学习的样本生成方法

研究了基于生成式对抗网络(GAN)和跨域自适应迁移学习的样本生成和自动标注方法。该方法利用自适应迁移学习网络，基于已有的少量可见光图像样本集，挖掘目标在红外和可见光图像中特征内在相关性，构建自适应的转换迁移学习网络模型，生成标注好的目标图像。提出的方法解决了红外图像样本数量少且标注费时的问题，为后续多频段协同目标检测和识别获得了足够的样本数据。实验结果表明:自动标注算法对实际采集的装甲目标图像和生成的装甲目标图像各1 000张进行自动标注测试，对实际装甲目标图像的标注准确率达到95%以上，对生成的装甲目标标注准确率达到83%以上；利用真实图像和生成图像的混合数据集训练的分类器的性能和使用纯真实图像时基本一致。     

An adaptive regression method for infrared blind-pixel compensation

Blind pixel compensation is an ill-posed inverse problem of infrared imaging systems and image restoration. The performance of a blind pixel compensation algorithm depends on the accuracy of estimation for the underlying true infrared images. We propose an adaptive regression method (ARM) for blind pixel compensation that integrates the multi-scale framework with a regression model. A blind-pixel is restored by exploiting the intra-scale properties through the nonparametric regressive estimation and the inter-scale characteristics via parametric regression for continuous learning. Combining the respective strengths of a parametric model and a nonparametric model, ARM establishes a set of multi-scale blind-pixel compensation method to correct the non-uniformity based on key frame extraction. Therefore, it is essentially different from the traditional frameworks for blind pixel compensation which are based on filtering and interpolation. Experimental results on some challenging cases of blind compensation show that the proposed algorithm outperforms existing methods by a significant margin in both isolated blind restoration and clustered blind restoration.     

基于粒子群分类器的雷达目标一维像识别

设计了一种用于雷达一维像识别的粒子群分类算法.新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对雷达一维像进行分类识别.基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析.通过对三种飞机缩比模型的实测数据的识别实验,验证了新算法对实测数据和加噪数据均具有较高的识别率.     

Microscopic grid methods—resolution and sensitivity

The grid method is combined with microscopy and Fourier transform technique for micro deformation measurement. The spatial resolution and sensitivity for displacement measurement is discussed. It is found that the upper limit of spatial resolution is one grid pitch. Nevertheless, spatial resolution in micron to sub-micron region can be achieved despite this degradation. The limitation of sensitivity of grid technique is also considered. Experimental verification using optical microscope, scanning electronic microscope, and atomic force microscope is carried out. Degradation in spatial resolution is analyzed for each test example. Despite this, degradation spatial resolution in sub-micron region can be achieved.     

结合注意力机制的改进U-Net网络在端到端语音增强中的应用

设计了一个适用于端到端语音增强的改进的U-Net (Attention Dilated Convolution U-Net,ADC-U-Net)网络模型.与基线U-Net网络相比,一方面通过加入空洞卷积减小由采样带来的信息损失;另一方面引入了注意力机制结构,结合了含噪语音更多的上下文信息,提取更深层次和更丰富的特征信息...