一种基于图像融合和卷积神经网络的相位恢复方法

相位恢复法利用光波传输中某一(或某些)截面上的光强分布来传感系统波前,其结构简单,不易受震动及环境干扰,被广泛应用于光学遥感和像差检测等领域.传统相位恢复法采用迭代计算,很难满足实时性要求,且在一定程度上依赖于迭代转换或迭代优化初值.为克服上述问题,本文提出了一种基于卷积神经网络的相位恢复方法,该方法采用基于小波变换的图像融合技术对焦面和离焦面图像进行融合处理,可在不损失图像信息的同时简化卷积神经网络的输入.网络模型训练完成后可依据输入的融合图像直接输出表征波前相位的4-9阶Zernike系数,且波前传感精度均方根(root-mean-square,RMS)可达0.015λ,λ=632.8 nm.研究了噪声、离焦量误差和图像采样分辨率等因素对波前传感精度的影响,验证了该方法对噪声具有一定鲁棒性,相对离焦量误差在7.5%内时,波前传感精度RMS仍可达0.05λ,且随着图像采样分辨率的提升,波前传感精度有所改善,但训练时间成本随之增加.此外,分析了实际应用中,当系统像差阶数与网络训练阶数略有差异时,本方法所能实现的传感精度,并给出了解决方案.     

磁耦合效应对半无限超晶格中表面电子态的影响

在有效质量近似理论下，采用有效垒高方法，研究了在沿超晶格生长方向加一有限磁场时磁耦合效应对半无限半导体超晶格中表面电子态的影响.当考虑超晶格中阱层和垒层之间电子有效质量的差别时，沿超晶格生长方向的磁场将导致磁耦合效应的出现.研究结果表明，磁耦合效应不仅引起表面电子能级的量子化，而且表面电子能级的大小及其在表面附近的局域程度也依赖于磁场的大小和朗道指数.此外，研究表明布洛赫波数的虚部可以作为一个衡量表面电子态局域程度的物理量. 关键词： 超晶格中的电子态 表面态 磁场     

Size effect of lattice material and minimum weight design

The size effects of microstructure of lattice materials on structural analysis and minimum weight design are studied with extented multiscale finite element method（EMsFEM） in the paper. With the same volume of base material and configuration, the structural displacement and maximum axial stress of micro-rod of lattice structures with different sizes of microstructure are analyzed and compared.It is pointed out that different from the traditional mathematical homogenization method, EMsFEM is suitable for analyzing the structures which is constituted with lattice materials and composed of quantities of finite-sized micro-rods.The minimum weight design of structures composed of lattice material is studied with downscaling calculation of EMsFEM under stress constraints of micro-rods. The optimal design results show that the weight of the structure increases with the decrease of the size of basic sub-unit cells. The paper presents a new approach for analysis and optimization of lattice materials in complex engineering constructions.     

柔性复合薄膜成形极限曲线的视觉测定方法

针对柔性复合薄膜成形试验中极限应变难以测量的问题,提出一种基于双目立体视觉结合数字图像相关法的测量方法.首先对于薄膜材料成形过程中产生大变形或裂纹时图像难以匹配的问题,根据系列图像相邻状态变形的连续性,提出了一种图像匹配基准自适应更新的弱相关分步匹配方法;然后根据薄膜材料表面应变分布不同于钢制件的特性,提出了一种构建应...     

时空联合调制空间外差干涉成像仪自适应条纹模板研究

时空联合调制型空间外差干涉成像光谱仪(TS-SHIS)推扫图像中有明显的干涉条纹,这会导致传统的图像配准方法对TS-SHIS推扫图像配准计算结果的影响较大。鉴于此,提出一种基于目标干涉数据的自适应条纹模板构建方法,采用该方法消除TS-SHIS推扫图像中的干涉条纹,并利用曲面拟合加梯度法对消条纹后的推扫图像进行图像配准。仿真及实验研究结果表明,所提方法能够有效消除TS-SHIS推扫图像中零光程差处的干涉条纹;干涉条纹对配准计算的影响得到抑制;消条纹处理对图像配准计算结果的影响在0.02 pixel以内。     

MAX相Nb2SnC和Nb2SnN的力学和热力学性质的第一性原理计算

利用基于密度泛函理论的第一性原理,在广义梯度近似下研究了MAX相Nb₂SnC和Nb₂SnN的力学、晶格动力学、电子以及热力学性质.通过弹性常数和声子的计算,研究了Nb₂SnC和Nb₂SnN两种结构的力学稳定性和动力学稳定性;通过对Nb₂SnC和Nb₂SnN的力学性质计算,证明了它们均具有较高的体积模量和剪切性,并且说明了Nb₂SnC和Nb₂SnN是具有弹性各向异性的韧性材料.此外,通过计算电子能带结构和态密度,研究了Nb₂SnC和Nb₂SnN的电子性质和成键性质,结果表明,两个化合物均具有金属导电性和较强的共价键,而且Nb₂SnN比Nb₂SnC具有更强的金属导电性.最后利用声子色散曲线预测了热容、自由能、焓和熵等热力学性质,结果标明,计算出的熵、焓和自由能值变化符合热力学第三定律.     

晶格均匀体形变对闪锌矿结构CaC和 SrC半金属性和磁性的影响

采用基于第一性原理的全势能线性缀加平面波方法计算闪锌矿结构CaC和SrC的电子结构.计算结果表明,锌矿结构CaC和SrC是自旋向上电子为非金属性的半金属,其半金属隙分别为0.83 eV和0.81 eV.磁性的计算分析表明,CaC和SrC的晶胞总磁矩都为2.00μ_B,C的原子磁矩较强,Ca和Sr的原子磁矩较弱.使晶格均匀体形变△a/a₀限于±15%,在此范围内计算CaC和SrC的电子结构.计算研究表明,当闪锌矿结构CaC和SrC的晶格常数分别为0.490 nm—0.661 nm和0.539 nm—0.707 nm时,它们的半金属性不变,晶胞总磁矩仍然为2.00μ_B.     

基于图像检索的大豆食心虫虫害高光谱检测

为减轻虫害对大豆的影响,首先使用相应的高光谱仪器进行样本采集,样本分为4类：包括带有微小虫卵的,带有幼虫的,有啃食痕迹的和完全正常的大豆各20颗;然后提出了一种基于三维图像检索(3D-R-D,3D Resnet18 DCH)的大豆食心虫的高光谱检测方法。该方法从视频检索的应用中得到启发,考虑到视频不同帧之间和高光谱不同层之间存在类比关系,使用了在大规模视频检索数据集下训练而成的分类模型,将它作为预训练3D卷积模型进行训练。和已知的文献方法相同,使用公开的光谱数据集进行正式训练和微调,从而得到能进行特征提取的3D卷积网络,用图像检索来实现间接分类,通过利用样本之间的特征距离,实现在全新类别上的分类。为能适应任务,将模型最后的分类层变成了图像检索常用的hash层,从而得到了代表特征的二进制码。该方法不但完成了对不同情况下大豆种类的检测,还解决了训练时样本不足的问题。为探寻一种好的相似度匹配损失函数,对比了多种较新的方法,最后发现使用融入柯西分布的损失函数,实验效果最佳,最终模型的分类精度达86%±1.00%,和在大豆食心虫检测上最新的小样本方法对比,3D-R-D方法提高了3.5%左右的精度,表明该方法是有效的,它也为结合高光谱检测相关研究提供了一种全新思路。     

深度神经网络和高光谱显微图像的二维材料纳米片识别

近年来,二维材料由于其独特的性质而受到了广泛关注。在制备二维层状晶体的各种方法中,机械剥离法获得的薄层二维材料晶体质量高,适用于基础研究及性能演示。然而用机械剥离法从衬底上获得的材料具有一定的随机性,可能包含了少许相对较厚的部分。实现对这些二维薄层材料有效、快速且智能化的表征有利于促进二维材料性能的进一步研究。提出了一种基于深度学习的表征方法,通过搭建的编解码结构的卷积神经网络语义分割算法,可以根据光学显微镜图像进行分割和快速识别二维材料纳米片。卷积神经网络作为深度学习在图像处理领域中的典型算法,能够对光学显微镜图像中的复杂信息进行特征提取。首先采用机械剥离制备MoS₂纳米片样本,通过光学显微镜采集高光谱图像并对样本进行标记,根据样本的厚度范围标记出不同的区域,对标记后的图像进一步处理,包括图像的颜色校准和剪切操作,得到用于网络训练和测试的数据集。针对光学图像中二维纳米薄片存在的低对比度、碎裂等特点,编码时加入残差结构和金字塔池化模型,有助于特征信息的提取;解码时融合编码路径中提取的浅层特征信息,以提高网络分割精度。实验中采用带权重的交叉熵损失函数解决类别数量不平衡问题和采用数据增强扩大数据集。对训练后的网络测试结果表明,模型像素精度为97.38%,平均像素精度为90.38%,均交并比为75.86%。之后通过迁移学习成功地对剥离的单层和双层石墨烯纳米片样本进行了识别,均交并比达到了81.63%,表明该方法具有普适性。通过MoS₂和石墨烯纳米片的识别演示,实现了深度学习在二维材料的光学显微镜图像中的成功应用。该方法有望在更多的二维材料上得到扩展并突破自动动态处理光学显微镜图像的问题,同时为其他纳米材料的高光谱图像处理提供参考。