微型近红外物联网节点的传感器输出数字化应用研究

物联网光谱分析技术的兴起,推动近红外光谱传感器向着微型化、数字化和智能化方向发展。针对InGaAs焦平面数字化、智能化的发展需求,研究InGaAs光谱组件输出数字化方案。设计一种集成自研ADC的数字化光谱传感电路,并研制了新型微型近红外光谱节点。该节点内部集成202个有效光谱通道,波长范围为900~1 700 nm,光谱分辨率优于16 nm,波长准确性小于1 nm,波长重复性优于0.3 nm,节点系统信噪比约为500:1,帧扫描时间约3 ms。研究结果表明:该微型物联网光谱节点满足近红外光谱分析实际应用需求,为传感器片上数字化输出发展和近红外光谱分析物联网应用提供技术支持。     

短波红外InGaAs线性焦平面数字化输出研究（英文）

提出了一种适用于短波红外铟镓砷线性焦平面的数字化输出研究.针对实验室自主研制出的短波红外256×1铟镓砷焦平面,结合SAR ADC的基本原理,以高分辨率、低功耗、小面积为设计原则,设计一款逐次逼近(SAR)模数转换器.ADC采用0.18μm CMOS工艺流片,采用3.3 V电压供电,采样率235 KS/s,功耗460μW,信噪比66.6 dB.将ADC芯片与256×1铟镓砷焦平面在变积分时间条件下进行耦合测试.结果表明ADC芯片可以满足短波红外线列256×1铟镓砷焦平面的应用需求.     

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。     

短波红外InGaAs线性焦平面数字化输出研究

一种适用于短波红外铟镓砷线性焦平面的数字化输出研究。针对实验室自主研制出的短波红外256×1铟镓砷焦平面,结合SAR ADC的基本原理,以高分辨率、低功耗、小面积为设计原则,设计一款逐次逼近（SAR）模数转换器。ADC采用0.18μm CMOS工艺流片,采用3.3V电压供电,采样率235KS/s,功耗460μW,信噪比66.6dB。将ADC芯片与256×1铟镓砷焦平面在变积分时间条件下进行耦合测试。结果表明ADC芯片可以满足短波红外线列256×1铟镓砷焦平面的应用需求。