微透镜阵列实现3维物体旋转不变实时识别

为了实现3维物体旋转不变实时识别,应用微透镜阵列的多视角成像特点,利用透射像阵列的高关联性,实现3维物体信息与2维透射像阵列信息之间的转换,从而可以利用光学2维图像识别技术实现3维物体的识别.对转换和识别过程进行了理论分析,用匹配滤波的方法进行了实验验证,实现了3维物体旋转不变实时识别.得到了良好的识别效果,并实现了旋转方向的准确定位和旋转角度大小的比较判别.结果表明,应用微透镜阵列可以实现旋转3维物体旋转不变实时识别.     

旋转不变的三维物体识别

提出一种具有旋转不变性的三维物体识别的新方法。该方法通过结构照明的方法,使物体的高度分布以变形条纹的形式编码于二维强度像中。由于条纹图像包含有物体的高度分布信息,因而对条纹图的相关识别具有本征三维识别的特点。旋转不变性是通过使用多通道滤波器实现的,此滤波器可以由不同方向三维物体对应的变形条纹图像经计算机处理得到。相关识别方法可以用光学匹配空间滤波器实现。计算机模拟实验证明了这种方法的有效性,它不仅可以实现旋转不变的三维物体识别,还可以给出物体旋转角度的估计值。     

微透镜阵列光学实现卷积运算

卷积作为一种简单的线性平移不变运算,被广泛应用于图像处理的各个领域,其衍生出的卷积神经网络更是在人工智能领域中大放异彩。为了应对后摩尔时代AI推理芯片算力受限的问题,光学神经网络应运而生。光学卷积神经网络作为其中一个重要的研究热点对光学神经网络的发展起到了重要的推动作用。设计了一种光学卷积系统,基于微透镜阵列与透镜组成的匀光光路对光场所携带的图像做二维卷积,该系统可以光学实现图像平滑和锐化。当使用空间光调制器来投影卷积核和输入图像时,系统可以实现各种步长的三种卷积形式,也可以通过多次投影/平铺实现多通道的三维卷积,进而为实现光学卷积神经网络用于复杂的图像处理任务奠定基础。     

液晶微透镜阵列研究进展

液晶微透镜阵列是基于微透镜光子技术和液晶技术而发展起来的学科交叉研究领域。就液晶微透镜阵列的工作原理、主要设计方法及其研究进展进行了论述,并对微透镜阵列的发展趋势及尚待解决的问题进行了总结。     

集成成像系统实现三维物体旋转不变分类识别

提出一种基于集成成像系统和综合判别函数(SDF)实现三维物体旋转不变分类识别的新方法。方法利用集成成像系统获取旋转三维物体的单元像阵列图像,应用图像中各个单元像记录的三维物体信息之间的高关联特性,结合SDF,实现了三维物体的旋转不变分类识别。与已有方法相比,本文方法减小了识别过程的数据量,降低运算复杂度,提高了识别效率,且不受物体旋转角度的限制。针对多类旋转三维物体,利用本文方法实现了旋转不变分类识别,验证了方法的有效性。     

酶蚀明胶法制作折射微透镜阵列

提出一种利用蛋白酶溶液刻蚀重铬酸铵明胶制作微光学元件的新方法。这种方法具有制作工艺简单、无需昂贵设备等优点,用此方法实际制作了具有良好连续面形的微透镜阵列,并给出了测量结果。     

基于逆滤波器的旋转不变匹配滤波相关识别

提出了用逆滤波器来进行旋转不变匹配滤波相关识别方法 ;采用级联变形滤波器可以实现透射匹配相关峰强度对透射输入能量的优化 ,大大改善相关峰的锐度 ,计算机模拟结果显示 ,对旋转图像 ,在平面内按 0°～ 32°旋转 ,每 4°取一灰度图像的旋转不变匹配滤波相关器 ,具有较好的相关不变识别性能 ,特别是目标图像在部分输入情况下也能较好地识别     

用于LED的微透镜阵列的光学性能研究

功率发光二极管(LED)的发展迫切需要提高取光效率,微透镜阵列的二次光学设计是改善其光强分布的有效途径.建立了一种大功率LED的封装结构,二次光学设计采用了微透镜阵列技术,运用光线追踪法研究了这种封装结构的光学性能.分析结果表明,利用微透镜阵列技术能显著改善LED的光学性能,改变其光束分布,将LED的照度衰减降低12%以上,从而得到更加均匀的照明系统.     

128×128硅衍射微透镜阵列的设计与制备

通过考虑互相关联的光学和工艺参数 ,设计了 3～ 5μm红外 12 8× 12 8硅衍射微透镜阵列。阵列中微透镜的孔径为 10 0μm,透镜 F数为 f / 1.5,微透镜阵列的中心距为 10 0μm。采用多次光刻和离子束刻蚀技术在硅衬底表面制备衍射微透镜阵列。对实际的工艺过程和制备方法进行了讨论 ,对制备出的 12 8× 12 8硅衍射微透镜阵列的光学性能和表面浮雕结构进行了测量。     

利用微透镜阵列产生多重像

采用自制的二阶位相型Gabor透镜阵列 (3× 4) ,在信息处理光路中 ,经过多次傅里叶变换 ,最后得到多重像。实验结果显示用此种方法是可行的 ,得到的多重像是清晰的。     

主光轴平行于基底的微透镜阵列设计与制作

用聚二甲基硅氧烷(PDMS)软光刻工艺实现了一种主光轴平行于基底的微透镜阵列。首先对微透镜形成过程中的PDMS薄膜受力和变形情况进行了分析,并采用有限元分析方法对不同压力、不同厚度的薄膜变形情况进行了模拟,确定了合理的微透镜腔体结构;然后利用SU-8负模制作了PDMS微透镜腔体,将腔体与盖片进行了密闭封装,通过一定的压力向其注入紫外固化光学胶成型了微透镜阵列;最后使用自制装置对微透镜阵列的聚焦效果进行了测试。结果表明,提出的制作方法简单易行、成本低廉和焦距可控,而且易与其它的微系统集成到同一芯片。     

改进的基于结构光投影的三维物体识别

提出一种在识别后期采用修正的无零级条纹调节联合变换相关代替传统联合变换相关(CJTC)的新的识别方法.此方法在原基础上对功率谱作了一系列修正.理论分析、计算机模拟实验和对实物模型的识别实验结果都表明该方法不仅具有本征三维识别的特点,而且相对于CJTC而言其能够抑制相关面上的中央零级项,很大程度上锐化了一级相关峰,明显地提高了信噪比和识别力.该方法进一步拓宽了三维物体识别的应用前景.     

基于微透镜阵外腔的光纤激光谱组束耦合效率分析

为了克服光纤激光外腔谱组束系统中增益带宽和透镜像差对组束阵元数量的限制,在系统中加入了微透镜阵。根据光束变换理论,建立了基于微透镜阵的光纤激光外腔谱组束系统的外腔耦合效率分析模型。通过数值模拟,对各种相关参数对耦合效率的影响进行了仿真分析。结果表明:微透镜阵的加入极大提高了阵元的耦合效率和系统的组束潜力;为了获得尽可能高的耦合效率,需要对离焦量进行合理配置并设计具有较长焦距的微透镜;横向对准误差是影响耦合效率的主要因素,对于宽度为10 mm的组束光纤阵列,为保证60%以上的耦合效率,在θy≤2 mrad的同时需将横向位置偏移量δy限制在10μm以内。     

利用深度和灰度图像实现三维目标的识别与分类

将深度图像和灰度图像相结合,对围绕定轴旋转的三维目标进行了识别与分类。将深度图像作为相位因子,对其进行傅里叶变换,并用其制成三维定向图,用于三维目标的识别和旋转角度的判定;对于灰度图像,采用主分量分析(PCA)的方法,对训练图像进行特征分析。根据深度图像测定的目标角度,对三维目标灰度图像在其所属特征空间进行分解与重构。实验结果表明,综合利用深度图像和灰度图像,可以大大降低目标识别中的误判概率。     

微透镜阵列薄膜定向增强OLED耦合效率的研究

利用微透镜阵列(MLA)薄膜定向增强有机发光器件(OLED)耦合效率,采用光线追迹方法模拟了不同长短轴比的椭圆形MLA对OLED光的定向增强作用。采用数字微反射镜器件(DMD)并行光刻和热回流相结合的方法制作了MLA模版,经过电铸、压印得到MLA薄膜。理论模拟和实验结果表明,利用MLA可以定向提高OLED的出光效率,圆形MLA可提高垂直OLED基底表面方向的亮度42%;椭圆形MLA可实现OLED在长短轴方向上30°的半强度角度差,总的提取效率可提高30%以上。     

Multi-view convolutional vision transformer for 3D object recognition

With the rapid development of three-dimensional (3D) vision technology and the increasing application of 3D objects, there is an urgent need for 3D object recognition in the fields of computer vision, virtual reality, and artificial intelligence robots. The view-based method projects 3D objects into two-dimensional (2D) images from different viewpoints and applies convolutional neural networks (CNN) to model the projected views. Although these methods have achieved excellent recognition performance, there is not sufficient information interaction between the features of different views in these methods. Inspired by the recent success achieved by vision transformer (ViT) in image recognition, we propose a hybrid network by taking advantage of CNN to extract multi-scale local information of each view, and of transformer to capture the relevance of multi-scale information between different views. To verify the effectiveness of our multi-view convolutional vision transformer (MVCVT), we conduct experiments on two public benchmarks, ModelNet40 and ModelNet10, and compare with those of some state-of-the-art methods. The final results show that MVCVT has competitive performance in 3D object recognition.     

基于近存储计算的手写数字识别实时检测阵列结构设计北大核心CSCD

卷积神经网络(convolutional neural network, CNN)作为传统神经网络的改进,已经得到了广泛的应用。然而,在CNN性能提升的同时其模型的规模不断扩大,对存储及算力的要求越来越高,基于冯·诺依曼体系结构的处理器难以达到令人满意的高处理性能。为了提升系统性能,近存储计算(near memory computing, NMC)成为了一个具有发展前景的研究方向。本文利用一种支持NMC的可重构阵列处理器实现手写数字识别,并行地实现了卷积运算;同时利用共享缓存阵列结构,减少片外存储的频繁访问。实验结果表明,在110 MHz的工作频率下,执行单个5×5卷积运算的计算速度提升了75.00%,可以在9 960μs内实现一个手写数字的识别。     

基于曲率关键点的点对特征三维目标识别

精准的三维(three-dimensional,3D) 目标识别对于机器人自主抓取至关重要,针对目前基于原始点对特征(point-pair feature,PPF) 的三维目标识别算法中存在识别速度慢、严重遮挡场景下识别率低的问题,提出了一种基于曲率关键点的点对特征三维目标识别算法。该算法根据点云法向量邻域夹角均值,快速估算点云曲率,以此提取关键点,通过对关键点计算点对特征,剔除了模型点对特征哈希表中存在的大量冗余点对。使用结合位姿聚类和假设检验的位姿优化算法,首先通过位姿聚类对候选假设位姿进行优化,其次位姿聚类后采用ICP (iterative closest point)算法对候选位姿进行细化,最后利用基于重合度计算匹配分数的假设检验算法滤除错误假设并得出最佳假设位姿。实验结果表明,在公开数据集上,所提方法能够获得95.2%的平均识别率,减少模型点对特征哈希表构建时间并且提高在严重遮挡场景下的识别率。