Existing multi-view three-dimensional (3D) reconstruction methods can only capture single type of feature from input view, failing to obtain fine-grained semantics for reconstructing the complex shapes. They rarely explore the semantic association between input views, leading to a rough 3D shape. To address these challenges, we propose a semantics-aware transformer (SATF) for 3D reconstruction. It is composed of two parallel view transformer encoders and a point cloud transformer decoder, and takes two red, green and blue (RGB) images as input and outputs a dense point cloud with richer details. Each view transformer encoder can learn a multi-level feature, facilitating characterizing fine-grained semantics from input view. The point cloud transformer decoder explores a semantically-associated feature by aligning the semantics of two input views, which describes the semantic association between views. Furthermore, it can generate a sparse point cloud using the semantically-associated feature. At last, the decoder enriches the sparse point cloud for producing a dense point cloud with richer details. Extensive experiments on the ShapeNet dataset show that our SATF outperforms the state-of-the-art methods.

工程陶瓷已广泛应用于工业领域，而其较高的脆性一直是推广受限的主要因素之一。基于此，本研究旨在协同提高工程结构陶瓷的强度和韧性。以微米级Si3N4粉体和高纯度镍丝为原料，借鉴仿生制备思路，利用热压烧结的方式制备仿木质年轮状Si3N4/Ni复合材料，研究了Si3N4/Ni复合材料中Si3N4与Ni丝的界面结合状态，测试了复合材料的物理力学性能。结果表明，复合材料中Si3N4基体与Ni之间界面结合良好，仿木质年轮的材料结构有助于陶瓷材料的强韧化，复合材料的弯曲强度达(989±87) MPa，断裂韧性达(8.12±0.8) MPa·m1/2，较单相Si3N4陶瓷的物理力学性能有较好的提升。

光刻投影物镜中透物镜的面形精度是影响光学系统成像质量的关键因素之一,而支撑变形是影响面形精度的一个非常重要的因素。为提高大口径透镜的光学检测复现性,设计了一种整体式柔性支撑结构,分析了重力作用下弹片数量和各尺寸参数等对透镜面形精度及复现精度的影响。分析结果表明: 增加弹片数量、减小支撑距离透镜中心的距离及增大弹片厚度可使透镜的变形减小; 可以通过缩短弹片长度、增加弹片厚度及弹片数量来提高复现精度。根据各影响因素与复现性的关系分析得到的优化参数下的复现精度为0.21nm rms,能够满足深紫外光刻投影物镜中透镜的高精度面形要求。

深紫外、极紫外光刻、先进光源等现代光学工程牵引驱动超精密光学技术持续发展, 超精密光学制造要求与之精度相匹配的超高精度检测技术。作为核心技术指标之一的面形精度通常要求达到纳米、深亚纳米甚至几十皮米量级, 超高精度面形干涉检测技术挑战技术极限, 具有重要研究意义和应用价值。本文分析了面形干涉检测技术发展趋势, 主要介绍了中国科学院光电技术研究所近年来在超高精度面形干涉检测技术相关研究进展。

基于空间模式的干涉,tilt-locking技术为稳定激光频率或锁定光学谐振腔提供了一种灵活便捷的方法。在本文中,对tilt-locking技术进行了修改并进行了实验演示。该方法使用非谐振的一阶空间模式TEM01模作为相位参考,并利用TEM01模式和TEM00模式的干涉进行光学腔的锁定。在光学腔的反射光路中添加障碍物以阻挡反射光束的一半。反射光束的通过的一半由单像素光电探测器而不是分离探测器来检测,以导出用于将光学腔的TEM00模式谐振频率锁定到激光频率的误差信号。利用此方法可以将光学腔稳定锁定4 h。

常规的视轴测试采用单台经纬仪读取俯仰绝对数值的定位方式, 探测器的线阵、视轴平行于整星坐标系+Y、+Z方向。区别于常规测试, 离轴相机视轴不再遵循探测器视轴与基准镜平行的原则, 并且整星坐标、立方镜坐标及视轴线阵三者是空间分离的, 因此提出了一种新的测试方法, 实验前需要将视轴调整到相机坐标系理论位置, 并且四色与五色线阵平行。借助于钻模支架, 利用经纬仪分别将相机视轴和整星坐标引出到相机立方镜a和钻模立方镜b, 通过立方镜坐标系的方向余弦矩阵, 将相机视轴引出到整星坐标。对视轴精度以及九谱段线阵多维定位进行分析, 给出实验采集的图像。结果表明, 视轴矩阵满足要求, 定位引出方法合理可行。

为提高电气设备红外故障图像识别准确率, 提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先, 使用Slic超像素分割算法合并相似像素成区域块; 其次, 根据改进后HSV空间的亮度信息判别设备温度异常区域, 进而分割出温度异常区域所在的连通区域及所对应的设备; 最后, 基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取, 再采用softmax 损失和中心损失两种监督信号对提取的特征进行监督训练, 并自行建立700幅电气设备红外故障图像数据集, 其中500幅用于训练, 200幅用于测试。实验结果表明: 使用双监督信号深度学习算法测试准确率达到98.6%, 比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。