南京航空航天大学电子信息工程学院，江苏 南京 211106
随着传感器技术的不断发展，三维点云被广泛应用于自动驾驶、机器人、遥感、文物修复、增强现实、虚拟现实等领域的视觉任务中。然而，直接应用收集到的海量原始点云数据得到的效果不佳，因此，基于深度学习的点云处理方法受到了越来越多的关注和研究。本文综述了近6年来基于深度学习的三维点云处理方法的研究进展。首先给出了三维点云的基本概念和获取方式，简述了4种点云处理任务；然后针对点云去噪和滤波、点云压缩、点云超分辨率以及点云修复-补全-重建任务，重点阐述了相应的深度学习方法的原理，并分析了其优缺点；随后介绍了22种点云数据集和4类评价指标，同时给出了性能对比结果；最后探讨了点云处理方法目前存在的问题，并对未来的研究趋势进行了展望。
深度学习 三维点云处理 点云去噪 点云压缩 点云修复
提出了一种基于神经网络的多输入多输出（MIMO）均衡器，并在大容量模分-波分复用通信系统中进行了实验验证。该系统基于6模掺铒光纤放大器实现了16通道波分复用双极化48 Gbaud 16阶正交振幅调制（16QAM），在LP01、LP02、LP11a、LP11b、LP21a、LP21b六种模式上传输了100 km少模光纤（FMF）。为降低非线性的影响，在接收端数字信号处理中，采用基于多标签技术的MIMO神经网络均衡器，能够显著提升系统性能。实验结果表明，经100 km的FMF传输，MIMO神经网络均衡器的强大性能使得系统的比特误码率能满足15% 软判决前项纠错阈值要求。
光纤光学 光纤通信 模分复用 波分复用 神经网络均衡
1 上海理工大学健康科学与工程学院，上海 200093
2 上海理工大学医用光学仪器与设备教育部重点实验室，上海 200093
3 北京大学长三角光电科学研究院，江苏 南通 226010
4 上海理工大学光学仪器与系统教育部工程中心，上海 200093
光声信号的传统检测方法是基于超声技术，这样接触式的信号探测方式增加了交叉感染的风险，不利于临床应用。采用纯光学技术的光声成像可提升检测精度和临床舒适度，具有较强的临床应用价值。设计了采用调Q Nd∶YAG脉冲激光器作为激励源的光声信号激发系统，选用双频He-Ne激光器作为探测源采集光声信号，搭建的外差干涉系统产生携带光声信号特征的拍频信号，利用I/Q正交法解调出光声信号。首先通过超声换能器模拟振动信号验证系统性能，实验结果表明光声信号探测系统能较好地还原出超声振动信号，且与水浸探头相比，振动频率的相对测量误差只有0.04%，绝对差值为0.2 kHz。然后以碳棒和离体生物组织作为样品，利用短脉冲光激励诱导光声信号，采用本系统和超声探头进行信号探测，对比分析结果显示所搭建的外差系统在检测带宽内可以实现光声表面振动波的非接触、高精度探测。
生物光学 外差干涉 光声信号 I/Q正交法 非接触式探测
1 中国农业大学烟台研究院, 山东 烟台 264003中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083
2 中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083中国农业大学农业农村部农业信息获取技术重点实验室, 北京 100083
3 中国农业大学烟台研究院, 山东 烟台 264003中国农业大学农业农村部农业信息获取技术重点实验室, 北京 100083
土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。
拉曼光谱 土壤磷素 光谱分析 变异系数 回归系数 Raman spectroscopy Soil phosphorus Spectral analysis Coefficient of variation Regression coefficient 光谱学与光谱分析
2023, 43(12): 3871
1 陕西科技大学材料科学与工程学院，西安 710021
2 清华大学材料学院，新型陶瓷与精细工艺国家重点实验室，北京 100084
热激励去极化电流(TSDC)测量技术可以提供存在于材料体系中的缺陷类型信息，例如空间电荷、偶极子、陷阱电荷等。通过TSDC谱分析，可研究偶极子和可动离子的性质，以及激活能、弛豫时间、荷电粒子浓度等微观参数，进而更好地理解与缺陷有关的物理本质。本文介绍了当前TSDC技术在无机材料中的应用现状，整理归纳出TSDC技术在线性介质、非线性介质、陶瓷-聚合物复合材料中的研究结果与最新进展，从本质上揭示无机材料中缺陷与性能之间的内在关联。有望拓展TSDC技术在无机材料中的应用，为无机材料微观机制研究提供新思路。
无机材料 热激励去极化电流 缺陷 线性介质 非线性介质 陶瓷-聚合物复合材料 inorganic material thermally stimulated depolarization current TSDC TSDC defect linear dielectric nonlinear dielectric ceramic polymer composite
Author Affiliations
Abstract
1 Nanjing University, College of Engineering and Applied Sciences, and Collaborative Innovation Center of Advanced Microstructures, School of Electronic Science and Engineering, School of Physics, National Laboratory of Solid State Microstructures, Nanjing, China
2 Beijing Academy of Quantum Information Sciences, Beijing, China
3 Xin Lian Technology Co., Ltd., Huzhou, China
Free-space optical communication (FSO) can achieve fast, secure, and license-free communication without physical cables, providing a cost-effective, energy-efficient, and flexible solution when fiber connection is unavailable. To achieve FSO on demand, portable FSO devices are essential for flexible and fast deployment, where the key is achieving compact structure and plug-and-play operation. Here, we develop a miniaturized FSO system and realize 9.16 Gbps FSO in a 1 km link, using commercial single-mode-fiber-coupled optical transceiver modules without optical amplification. Fully automatic four-stage acquisition, pointing, and tracking systems are developed, which control the tracking error within 3 μrad, resulting in an average link loss of 13.7 dB. It is the key for removing optical amplification; hence FSO is achieved with direct use of commercial transceiver modules in a bidirectional way. Each FSO device is within an overall size of 45 cm × 40 cm × 35 cm, and 9.5 kg weight, with power consumption of ∼10 W. The optical link up to 4 km is tested with average loss of 18 dB, limited by the foggy test environment. With better weather conditions and optical amplification, longer FSO can be expected. Such a portable and automatic FSO system will produce massive applications of field-deployable high-speed wireless communication in the future.
free-space optical communication acquisition, pointing, and tracking system field-deployable system Advanced Photonics Nexus
2023, 2(6): 065001
1 中国疾病预防控制中心辐射防护与核安全医学所 辐射防护与核应急 中国疾病预防控制中心重点实验室 北京 100088
2 太原市疾病预防控制中心 太原 030012
3 中核战略规划研究总院有限公司 北京 100048
通过建立以硫酸钡为载体共沉淀分离水中镭，液体闪烁计数法直接测量镭-226（226Ra）的方法，实现水中226Ra活度浓度的快速分析，并对方法不确定度进行评价。实验结果表明：该方法分析水中226Ra总效率为91.3%~98.5%，方法探测下限为0.01 Bq/L，相对扩展不确定度为7%（k=2），样品计数率和总效率引入的误差是水中226Ra不确定度的主要来源。该方法具有良好的精密度和准确度，适用于饮用水中226Ra的快速分析。
液体闪烁计数法 水 226Ra 不确定度 Liquid scintillation counter (LSC) Water sample 226Ra Uncertainty 辐射研究与辐射工艺学报
2023, 41(2): 020701
1 北京科技大学科技史与文化遗产研究院, 北京 100083
2 淮安市文物保护和考古研究所, 江苏 淮安 223001
3 北京市延庆区博物馆(北京市延庆区文物管理所), 北京 102100
4 北京国文琰文物保护发展有限公司, 北京 100029
光谱学是利用光与物质的相互作用, 展示物质微观结构, 提供不同化学分析方式, 从而实现对物质的定量和定性分析。 壁画制作工艺分析中运用了大量的光谱分析技术, 该研究以北京延庆花盆关帝庙为例, 通过光谱及其他技术分析壁画的制作材料和工艺。 花盆关帝庙位于北京延庆区花盆村, 始建于清雍正四年(1726年), 是当时祭祀的重要场所, 也是延庆地区关帝庙的典型代表之一。 运用X射线衍射、 拉曼光谱和激光粒度分析仪等一系列光谱技术发现关帝庙壁画的地仗层成分为石英、 方解石和钠长石, 白粉层成分为石膏, 颜料层中红色颜料为铁红、 铅丹和朱砂, 蓝色颜色为蓝铜矿, 黄色颜色为铬黄, 黑色颜色为炭黑, 白色颜料为石膏, 绿色颜色为巴黎绿、 绿土和铬绿。 沥粉贴金工艺的胶结物为熟桐油和松香树脂, 金箔采用含金量86.1%的赤金。 拉曼光谱不仅可以辨析壁画颜料, 还能通过颜料历史研究佐证和丰富壁画修复历史信息。 结合文物光谱分析数据与文献资料, 充分挖掘文物背后的信息, 对研究和保护古代壁画有着重要意义。 通过花盆关帝庙壁画同面墙不同位置的壁画地仗层制作工艺的差异, 说明壁画制作材料和工艺受位置影响。 期待日后研究者通过研究壁画制作材料和工艺差异, 发现符合规制的典型壁画案例, 通过梳理壁画不同位置制作材料与工艺, 总结历代壁画制作规制。
壁画制作工艺和材料 光谱分析 花盆关帝庙壁画 Mural production technology and materials Spectral analysis Mural of Huapen Guandi Temple 光谱学与光谱分析
2023, 43(4): 1147
中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083
针对中国农田存在种植景观破碎化和复杂的种植结构这一现状, 如何实现目标作物的高精度识别与制图对作物产量估算、 粮食政策调整和国家粮食安全保障具有十分重要意义。 基于Google Earth Engine（GEE）遥感数据处理云平台, 提出一种冬小麦不同生育期的种植结构提取方法, 该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源, 综合考虑光谱波段特征、 光谱指数特征、 纹理特征和地形特征等多维特征变量, 利用GBDT（gradient boosting decision tree）分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取, 并探讨了冬小麦识别的最佳生育期。 此外, 对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。 以河南陈固镇为研究区开展实验, 实验结果显示, 冬小麦在起身拔节期的地物识别准确率相对较高, 总体分类准确率为94.61%, Kappa系数为92.68%; 在抽穗扬花期的识别精度最高, 总体分类准确率为97.01%, Kappa系数为95.52%; 但在灌浆乳熟期的分类精度偏低, 总体分类准确率为86.23%, Kappa系数为81.33%。 研究结果表明, 在冬小麦抽穗扬花期, GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取, 进而取得较好的地物分类识别效果。 此外, 本研究将GBDT与传统分类器如随机森林（random forest, RF）、 CART(classification and regression tree)和朴素贝叶斯（Naive Bayesian, NB）进行相比。 结果表明, GBDT分类器的地物识别效果最佳, 总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%, Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%, 朴素贝叶斯分类器的识别效果最差, 总体分类准确率和Kappa系数分别为84.43%和78.69%。 研究结果可为田块尺度作物精细提取提供有效的技术支持。
GBDT分类器 Sentinel-2卫星传感器 冬小麦 种植结构提取 Google Earth Engine Google Earth Engine GBDT classifier Sentinel-2 satellite Winter wheat Planting structure extraction
