1 1.电子科技大学 电子科学与工程学院 电子薄膜与集成器件国家重点实验室, 成都 610054
2 2.北京卫星制造厂有限公司, 北京 100094
3 3.电子科技大学(深圳) 高等研究院, 深圳 518110
电致变色材料因其颜色随外加电压变化的特性, 可用于新型显示器件。目前, 彩色电致变色器件(Multicolor electrochromic devices, MCECDs)大多使用几种不同颜色的有机材料制备的, 流程较为复杂。为了简化制备流程, 本课题组提出了一种具有红、蓝、绿、黄四种典型颜色的普鲁士蓝类似物的复合电致变色(MC-PBA)薄膜, 以实现性能优异的变色器件。本工作通过两步电沉积法制备了锌铁普鲁士蓝类似物(Zn-Fe PBA)薄膜, 其循环伏安曲线仅有一对氧化还原峰, 对应于FeⅢ/FeⅡ间的氧化还原反应, 在10000圈循环后性能几乎不发生衰减。该薄膜为白色且在电化学循环过程中几乎不发生颜色变化, 在与MC-PBA薄膜组装相应的电致变色器件(Z-MCECD)时不会对颜色产生影响, 并且其作为离子存储层可以显著减低过电势(从4.0 V降低至1.5 V)。得益于此, 所组装的Z-MCECD在保有红、蓝、绿、黄四种典型颜色状态的同时, 工作电压更低, 循环稳定性也得到显著提高(2400 s内透过率调控范围几乎没有发生衰减, 在3600 s后仍保持有初始的74.4%; 而对照组在1200 s后发生不可逆的性能衰减)。基于Z-MCECD的电致变色器件在彩色电致变色显示领域表现出相当大的应用潜力。
电致变色 普鲁士蓝类似物 离子存储层 彩色 electrochromism Prussian blue analogues ion storage layer multicolor
1 中国科学院上海技术物理研究所中国科学院智能红外感知重点实验室，上海 200083
2 国科大杭州高等研究院，浙江 杭州 310024
3 中国科学院大学，北京 100049
对空间目标进行三维重建能够为在轨服务卫星提供服务对象的结构信息，是提高系统自主性的关键技术。受空间目标的结构对称性以及成像非朗伯特性的影响，传统的重建方法存在特征点匹配错误或特征点匹配不足的问题，重建精度低。针对该问题，提出了一种基于MVSNet深度学习网络实现空间目标三维重建的方法，利用深度学习提取图像高层语义，提高了立体匹配的鲁棒性。首先，基于空间目标的成像特点，分析了模型的几何结构和材质对重建结果的影响，设计了搭建在Blender平台上的空间目标多视图采集系统。然后，基于MVSNet深度学习网络，采用多尺度卷积充分提取了图像的深度特征，并通过编码解码结构融合和规整上下文信息进行了立体匹配，有效解决了传统方法重建卫星的弱纹理、反射、重复纹理等区域时对特征点的高度依赖问题。最后通过残差网络解决了多次卷积造成的边界过平滑问题，进一步提升了重建效果。实验结果表明，所设计的重建模型的平均准确度误差为0.449 mm，平均完整度误差为0.379 mm，误差综合评价为0.414 mm，精度较经典开源软件COLMAP提升了20%。该方法为空间操作自动化提供了技术参考，进一步推动了三维重建在相关领域中的应用。
遥感 深度学习 多视图 空间目标三维重建 卷积神经网络 编码解码结构 中国激光
2022, 49(23): 2310003
深圳大学物理与光电工程学院深圳市激光工程重点实验室，广东 深圳 518060
为实现低损耗、抗弯曲的中红外激光传输，在3 μm波段研究超低损耗空芯嵌套式反谐振无节点光纤，采用有限元法对空芯光纤的结构参数（管厚、包层毛细管外径、纤芯直径和嵌套管外径）进行数值仿真，并在3 μm波段实现低至0.52 dB/km的光纤传输损耗。通过对空芯反谐振光纤和空芯嵌套式反谐振无节点光纤的弯曲损耗及泄漏损耗的对比研究，证明空芯嵌套式反谐振无节点光纤相比于空芯反谐振光纤在宽光谱范围内具有更低的传输损耗（损耗比最高可达22.87 dB）、更好的抗弯曲性能（弯曲半径为6.5 cm的损耗小于0.1 dB/m）。
光学器件 中红外 反谐振 低损耗 抗弯曲 空芯光纤 激光与光电子学进展
2021, 58(17): 1723001
1 中国科学院智能红外感知重点实验室, 上海 200083
2 中国科学院上海技术物理研究所, 上海 200083
3 中国科学院大学, 北京 100049
4 上海大学上海先进通信与数据科学研究所专业光纤与光接入网络重点实验室,专业光纤与先进通信国际联合研究实验室, 上海 200444
为了实现定量化应用目标,高精度的云层检测已成为遥感数据预处理的关键步骤之一。然而,传统的云检测方法存在特征复杂、算法步骤多、鲁棒性差,且无法将高级特征和低级特征相结合的缺陷,检测效果一般。针对以上问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。首先,编码器通过残差模块的不断降采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。实验结果表明,对于Landsat 8云检测数据集,所提方法的像素精度达到93.33%,比原版U-Net提高了2.29%,比传统Otsu方法提高了7.78%。该方法可以为云层目标智能化检测研究提供有益参考。
遥感 云检测 深度学习 语义分割 全卷积网络 残差网络 激光与光电子学进展
2020, 57(10): 102801
