基于邻域像素注意力机制的光场深度估计方法

通过发掘深度信息与子孔径图像邻域像素间的高度相关性,提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制,该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系,能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块,该模块通过三维卷积将相邻序列图像上的特征编码到特征图上,并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络,该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明,所提方法在均方误差（MSE）和平均坏像素率（BP）指标上总体表现优于其他先进方法,同时得益于高效注意力机制的加入,与其他先进方法相比所提方法运行速度最快。     

极紫外光刻掩模相位型缺陷检测方法

提出了一种基于空间像的极紫外光刻掩模相位型缺陷检测方法,用于检测多层膜相位型缺陷的类型、位置和表面形貌。缺陷的类型、位置和表面形貌均会影响含缺陷掩模的空间像的分布。因此,采用深度学习模型构建含缺陷掩模的空间像与待测缺陷信息之间的映射,利用训练后的模型可从含缺陷掩模的空间像中获取待测缺陷信息。采用卷积神经网络（CNN）模型构建含缺陷空白掩模的空间像和缺陷类型与位置之间的关系,建立用于缺陷类型和位置检测的CNN模型。在获取缺陷的类型与位置后,基于测得的缺陷位置对空间像进行截取,利用截取后的空间像的频谱信息和多层感知机模型获取缺陷表面形貌参数。仿真结果表明,所提方法可对多层膜相位型缺陷的类型、位置和表面形貌参数进行准确检测。     

基于深度学习的视网膜OCT图像无监督去噪方法

以散斑噪声为主的噪声干扰严重影响视网膜光学相干层析（OCT）图像质量。深度学习是一种有效的去噪方法。但对活体成像而言,其很难获取多帧配准的真值图像,这影响了监督学习方法的效果。提出一种无监督深度残差稀疏注意力网络用于视网膜OCT图像去噪,并分别从视觉评价和数值评价两方面与传统的三维块匹配滤波去噪算法和经典的深度学习去噪网络进行对比。研究了监督学习与无监督学习策略下3种卷积神经网络的去噪性能,并利用公开的视网膜OCT图像数据集进行泛化能力测试。实验结果表明：所提算法的视觉评价和数值评价均具有良好的降噪效果,可以实现视网膜OCT图像高质量降噪,具有较强的泛化性,而且与监督学习相比,无监督学习在数据集不充分时仍能获得较好的降噪性能,可以有效地辅助医生进行准确高效的临床诊断。     

基于神经网络的可见光通信系统信道估计方法

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题,提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化,并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法;在使用较少的导频和省略循环前缀（CP）进行信道估计时,所提方法具有更强的鲁棒性。此外,在DNN训练过程中引入GC方法,可以加快网络的收敛速度,提高其优化能力。     

基于PCAU-Net的快速多通道磁共振成像方法

多通道磁共振成像方法采用多个接收线圈同时欠采样k空间以加快成像速度,并基于后处理算法重建图像,但在较高加速因子时,其图像重建质量仍然较差．本文提出了一种基于PCAU-Net的快速多通道磁共振成像方法,将单通道实数U型卷积神经网络拓展到多通道复数卷积神经网络,设计了一种结构不对称的U型网络结构,通过在解码部分减小网络规模以降低模型的复杂度．PCAU-Net网络在跳跃连接前增加了1×1卷积,以实现跨通道信息交互．输入和输出之间利用残差连接为误差的反向传播提供捷径．实验结果表明,使用规则和随机采样模板,在不同加速因子时,相比常规的GRAPPA重建算法和SPIRiT重建方法,本文提出的PCAU-Net方法可高质量重建出磁共振复数图像,并且相比于PCU-Net方法,PCAU-Net减少了模型参数、缩短了训练时间．     

基于智能算法的冷水机组优化运行研究

以南方某机场航站楼冷源系统为研究对象,采用深度神经网络建立了两种不同类型冷水机组的运行能效模型,并将冷却水出水温度模型与冷水机组能效模型进行耦合,以冷源系统能耗最低为目标,采用布谷鸟搜索算法优化了冷源系统的运行参数、冷水机组与冷却塔的组合方式。研究结果表明：采用深度神经网络建立的冷水机组模型具有较高的精度和泛化能力,与原运行方式对比,采用布谷鸟搜索算法优化的方法在夏季典型日最高节能19.6%,具有较高的节能效果。     

基于GANs网络的条纹图正交化方法

提出一种利用深度学习强大的隐式建模能力解决单帧条纹图正交化存在的欠采样问题,结合条纹图降噪归一化技术,利用对抗生成网络的特征先验,构造了一种条纹图轮廓项数字方式的π/2相移网路,实现了单帧条纹图的正交化,放松了应用解析模型法实现条纹图正交化时的严格要求。通过标签图像对训练后,该网络成功地实现了归一化后的条纹图的正交化,进而高精度地实现了单帧条纹图的相位解调。仿真和实验分析证明,与基于Riesz变换的数字相移方法相比,所提方法求解更可靠,能有效地恢复测量相位。以现有的多帧高精度相移算法的解调结果作为参考值,实验结果表明所提方法的相位误差分布在0.05 rad以内,为瞬变场和物体三维轮廓测量提供了一种途径。     

基于DCGANs的半片光伏组件电致发光图像增强技术

针对半片光伏组件电致发光（electroluminescence,EL）缺陷自动识别过程中训练用样本不足导致模型过拟合的问题,采用深度卷积生成对抗网络（deep convolutional generative adversarial networks,DCGANs）生成可控制属性的半片光伏组件EL图像,再采用多尺度结构相似性（multiscale structural similarity,MS-SSIM）指标对生成的EL图像与拍摄的EL图像之间的相似程度进行了评估。评估结果得到,使用DCGANs生成的所有类型半片光伏组件的EL图像与拍摄的EL图像的MS-SSIM指标都大于0.55,大部分的MS-SSIM值在0.7附近。在分类模型的训练过程中,测试集准确率随着训练集中生成图像数量的增加而升高,当生成图像数量达到6 000张时,测试集准确率达到97.92%。实验结果表明,采用DCGANs能够生成高质量且可控制属性的半片光伏组件EL图像,较好地解决因缺少训练样本而导致的模型过拟合问题。     

利用激光背向散射成像的马铃薯品质智能分级

激光背向散射成像是激光与生物组织相互作用产生散射光的成像,在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习,实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析,搭建激光背向散射成像的数据采集系统,对马铃薯样品进行激光背向散射图像采集,得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练,并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示,改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明,激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。     

梁板结构埋入压电片的深度和厚度优化研究

根据梁的弯曲变形理论，以及压电材料的压电效应，对压电复合材料梁结构的应变和应力状态进行了分析。推导了压电材料埋入梁结构时其埋入深度和压电材料本身厚度的优化目标函数。根据优化目标函数，绘制出了在给定的基体材料和压电材料弹性模量比之下，压电材料的驱动力矩随埋入深度和压电材料厚度变化的三维曲面和等高线图，直观地表示出了埋入型压电材料智能结构获得最佳驱动力矩的配置方案。同时也分析了结构和压电材料两者的弹性模量之比对其结果的影响。结果表明，压电材料对于结构的作动力矩与其埋入基体材料的深度、本身厚度以及基体材料和压电材料的弹性模量之比都有着密切的联系。同时将结果也推广到了压电板结构，此时压电材料和基体材料的泊松比时其结果也有一定的影响。