云南师范大学, 云南省农村能源工程重点实验室, 昆明 650500
本文采用溶液法制备铜锌锡硒(Cu2ZnSnSe4, CZTSe)薄膜。通过在溶液中加入少量的锗(Ge), 探究Ge的引入对CZTSe薄膜及其器件性能的影响。为了对比分析, 分别制备了不含Ge的CZTSe和含少量Ge的铜锌锡锗硒［Cu2Zn(Sn, Ge)Se4, CZTGSe］两组薄膜及其薄膜太阳电池。分别利用X射线衍射仪(XRD)、拉曼(Raman)光谱、扫描电子显微镜(SEM)、霍尔(Hall)测试、电流-电压(J-V)曲线和外量子效率(EQE)测试等手段对吸收层薄膜的晶体结构、相的纯度、表面形貌、载流子浓度, 以及完整器件的电学性能进行表征和分析。结果表明, 在CZTSe薄膜中引入少量Ge可以与Se形成液体流动剂, 提升吸收层薄膜结晶度, 改善晶体质量, 减少晶界数量, 降低光生载流子在晶界处的复合, 提高载流子寿命。此外, Ge对Sn的部分取代可以降低与Sn有关的缺陷态密度, 增加带隙, 提高开路电压, 同时改善串联电阻和并联电阻, 提高填充因子。最终获得了开路电压为513.2 mV、短路电流为27.47 mA/cm2、填充因子为62.68%、光电转换效率为8.83%的CZTGSe薄膜太阳电池。
铜锌锡硒薄膜 薄膜太阳电池 溶液法 硒化处理 光电转换效率 Cu2ZnSnSe4 thin film thin film solar cell Ge Ge solution method selenization photoelectric conversion efficiency
1 云南师范大学云南省农村能源工程重点实验室, 昆明 650500
2 云南师范大学云南省光电信息技术重点实验室, 昆明 650500
晶体质量是决定铜锌锡硫硒(Cu2ZnSn(S,Se)4, CZTSSe)吸收层薄膜吸收效率的关键, 旋涂是溶液法制备CZTSSe吸收层的第一步, 因此旋涂方式的选择至关重要。为了探究不同旋涂方式对CZTSSe吸收层薄膜质量和相应器件性能的影响, 分别采用三组不同的旋涂方式制备铜锌锡硫(Cu2ZnSnS4, CZTS)前驱体薄膜及CZTSSe吸收层薄膜, 并利用X射线衍射仪(XRD)、能谱仪(EDS)、显微拉曼光谱仪(Raman)、场发射扫描电子显微镜(FE-SEM)分析了不同旋涂方式对所制备的CZTSSe吸收层薄膜晶体结构、元素成分、相纯度、表面形貌的影响。同时, 采用电流密度-电压(J-V)测试和外量子效率(EQE)测试对CZTSSe吸收层薄膜太阳电池的光电特性进行了表征。结果表明: 旋涂7周期, 且第一周期烘烤之前旋涂2次的效果最好, 所制备的CZTS前驱体薄膜均匀, 无裂纹, CZTSSe吸收层薄膜结晶度更高, 薄膜表面更平整致密, 晶粒大小更均匀, 实现了9.63%的光电转换效率。通过对采用不同旋涂方式制备的器件的性能参数进行统计分析, 得出新的旋涂方式可以提高CZTSSe薄膜太阳电池的可重复性, 为将来可能的大规模商业化应用做铺垫。
薄膜太阳电池 旋涂方式 光电转换效率 溶液法 硒化处理 Cu2ZnSn(S,Se)4 Cu2ZnSn(S,Se)4 thin film solar cell spin coating mode photoelectric conversion efficiency solution method selenization
2中国人民解放军 92941部队 44分队，辽宁 葫芦岛 125001
水下偏振成像技术是目前水下成像研究的热点，由于自然光在水中衰减大，水下成像系统多采用主动照明方式。针对分焦平面偏振成像系统中偏振照明光源与偏振探测像元偏振方向不匹配引起采集图像偏振信息存在的偏差，进而影响目标图像增强质量的问题，提出了一种分焦平面偏振成像系统光源标定方法。阐述了偏振光源的标定原理，然后给出偏振光源标定的实施步骤，最后采用偏振去雾算法和图像质量评价方法对标定前后的水下目标图像进行了图像增强和图像质量评价。评价结果表明，标定后的增强图像质量优于未标定的增强图像质量，平均梯度最大提升了2.48倍。该标定方法简单有效，实用性强，适用于分焦平面偏振成像系统偏振光源标定。
1 四川大学,图像图形研究所,四川,成都,610064
2 西安理工大学,计算机科学与工程学院,陕西,西安,710048
3 西安石油大学,油气资源学院,陕西,西安,710065
研究了使用三维人脸模型进行不同姿势下的人脸识别问题,提出了一种三维建模二维识别的人脸识别算法,首先使用该方法将三维模型向不同方向投影,进而将不同姿势的二维图像与不同方向的投影结果相匹配,进行.人脸识别.研究了使用Minolta Vivid 910进行数据获取,创建三维模型的方法和过程.实验结果表明,在进行不同姿势的人脸识别时,该方法的识别速度快于三维可变形模型方法,识别率远优于使用二维正面图像作为模板的人脸识别方法.
三维人脸识别 姿势变化 投影 2.5维扫描 三维模型
1 四川大学 计算机学院 图形图像研究所，成都 610064
2 西南石油学院，成都 610500
提出了NSA多尺度模型。该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设。首先利用神经网络建立不同尺度图像间的映射关系；其次使用反向传播算法训练神经网络确定这种映射关系；最后根据该映射关系由低分辨率图像估计高分辨率图像。利用对比度相似性量化估计图像与目标图像间的相似程度。将该模型用于人脸识别，提出利用梯度算子进行图像分割提高识别的准确性。实验结果表明，以该模型分析得到的对比度相似性为95．3634%；以该模型为基础的人脸识别系统对光照具有很好的鲁棒性。
多尺度分析 线性尺度自回归(LSA) 神经网络尺度自回归(NSA) 小波变换 multiscale analysis linear scale autoregressive neural networks scale autoregressive wavelet transform
1 四川大学 计算机学院图形图像研究所，成都 610064
2 西南石油学院，成都 610500
针对线性子空间模型在处理具有阴影的人脸图像时出现的不足之处，提出了GLS模型，并将其用于不同光照下的人脸识别。按照测试图像与正确模型间距离尽可能小的原则构造了一个确定最优分组数和子空间维数的标准；采用SVD方法和K平均聚类法将像素分组，并确定每个分组的线性子空间模型；计算测试图像到每个GLS模型中所有分组的线性子空间模型的距离之和，进而识别人脸图像。经假设检验统计表明，基于该模型的方法在处理不同光照下的人脸图像时，效果明显优于其他方法。
表面法线 线性子空间模型 分组线性子空间模型 假设检验 surface normal linear subspace model grouped linear subspace model hypothesis testing
1 四川大学,计算机学院图形图像研究所,四川,成都,610064
2 西南石油大学,四川,成都,610500
提出ASPCM模型,并将其用于不同姿势下的人脸识别.对人脸图像的形状表示和纹理表示进行主成分分析,建立形状模型和纹理模型;以形状参数、纹理参数和姿势参数间的转换确定人脸图像与头部角度间的映射关系;使用精确性和概括性两个标准衡量ASPCM模型的分解性能和合成性能;根据平均纹理相似度判断输入图像与模型视图间的相似程度.实验表明,该模型分解性能的精确性误差和概括性误差均在1.85°以内;合成性能的这两种误差均在1.1个像素以内;精确性和概括性的平均纹理相似度均在95.8% 以上;当头部转动角度在25°以内时,该模型的识别率达到100%.
形状表示 纹理表示 模型视图 分解合成主成分映射 模式识别
1 四川大学计算机学院图形图像研究所,四川,成都,610064
2 西南石油学院,四川,成都,610500
考虑近似图像信息和细节图像信息,提出了GNSA多尺度模型.该模型利用具有1个隐含层和50个隐单元的神经网络建立不同尺度图像间的映射关系;使用反向传播算法训练神经网络,确定这种映射关系;根据该映射关系由低分辨力图像估计高分辨力图像.采用亮度相似性和对比度相似性量化估计图像与目标图像间的相似程度.实验表明,以该模型分析得到的两种相似性分别为89.907%和96.196%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.
模式识别 人脸识别 小波变换 多尺度分析 神经网络尺度自回归 Pattern recognition Face recognition Wavelet transform Multi-scale analysis Neural networks scale autoregressive
