强激光与粒子束
2024, 36(4): 043013
杭州电子科技大学自动化学院，浙江 杭州 310018
针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。
遥感 高光谱解混 卷积自编码器 通道注意力机制 双流结构 激光与光电子学进展
2024, 61(4): 0428008
1 中国科学院光电技术研究所，四川 成都 610209
2 中国科学院自适应光学重点实验室，四川 成都 610209
3 中国科学院大学，北京 100049
针对光学相干层析成像（OCT）过程中，光线散射、目标微动和硬件抖动等原因引起的噪声干扰，尤其是视网膜OCT图像中存在的严重噪声干扰问题，提出了一种基于模块化降噪自编码器的渐进式OCT图像降噪方法。使用多层卷积和反卷积构建自编码器，以模块化深度神经网络的架构为基础搭建了具有多个自编码器模块的神经网络，每个自编码器模块可依次输出降噪程度逐渐升高的过程结果，以满足不同的使用需求。以均方误差、峰值信噪比和结构相似度作为降噪结果的评价指标，对编码器模块数量T的研究结果表明，所设计的编码器在T=4时具有最佳性能。利用所提方法和各种主流方法对正常眼和病眼的视网膜OCT图像进行降噪处理，结果表明所提方法在各项指标上均取得最优结果，可以有效地对视网膜OCT图像进行降噪处理和大幅提升图像的质量。
图像处理 视网膜光学相干层析图像 图像降噪 降噪自编码器 深度学习
Author Affiliations
Abstract
Tianjin Key Laboratory of Optoelectronic Sensor and Sensing Network Technology, Institute of Modern Optics, Nankai University, Tianjin 300350, China
In this article, we use a convolutional autoencoder neural network to reduce data dimensioning and rebuild soliton dynamics in a passively mode-locked fiber laser. Based on the particle characteristic in double solitons and triple solitons interactions, we found that there is a strict correspondence between the number of minimum compression parameters and the number of independent parameters of soliton interaction. This shows that our network effectively coarsens the high-dimensional data in nonlinear systems. Our work not only introduces new prospects for the laser self-optimization algorithm, but also brings new insights into the modeling of nonlinear systems and description of soliton interactions.
fiber lasers optical solitons convolutional autoencoder neural network Chinese Optics Letters
2023, 21(3): 031901
1 火箭军工程大学作战保障学院, 陕西 西安 710025
2 火箭军工程大学导弹工程学院, 陕西 西安 710025
高光谱图像包含丰富的地物光谱信息, 在遥感图像领域有着巨大的发展前景。 高光谱图像异常检测无需任何先验光谱信息, 便可检测出图像中的异常目标。 因此, 在****和民用领域都有广泛的应用, 是现阶段高光谱图像处理领域的研究热点。 然而, 高光谱图像存在数据复杂、 冗余性强、 未标记以及样本数量少等特点, 这给高光谱图像异常检测带来了很大的挑战。 尤其是在深度学习中, 往往需要大量的图像数据作为训练样本, 这对高光谱图像来说很难获得。 针对现有大多数算法对高光谱图像自适应性不强和空间-光谱信息利用不足的问题, 提出一种基于3D卷积自动编码网络的高光谱异常检测算法, 可以在少量训练数据的前提下, 有效利用高光谱图像信息, 学习更加有判别性的特征表达, 提高检测精度。 首先, 通过3D卷积、 3D池化和3D归一化等步骤设计3D卷积网络, 进而提取高光谱图像的空间-光谱结构特征。 然后, 将3D卷积网络和3D反卷积网络分别嵌入自动编码网络的编码器和解码器, 通过最小化结合均方差和光谱角距离的重构误差进行背景重构。 最后, 利用原始高光谱图像待测像元与重构的背景图像之间的马氏距离进行异常检测。 该算法可以在无先验信息的情况下, 自动训练网络中的所有参数, 以无监督的方式学习高光谱图像的有效特征并进行背景重构。 为证明算法的有效性, 利用截取来自三组真实高光谱数据集的九个图像进行异常检测, 并与RX, SRX, CRD, UNRS和LRASR五种算法进行对比。 结果表明, 与现有的其他算法相比, 该算法可以在复杂程度不同的高光谱图像背景下可以保持较高的检测效果和准确率。
高光谱 异常检测 3D卷积 自动编码器 马氏距离 Hyperspectral Anomaly detection 3D convolution Autoencoder Mahalanobis distance 光谱学与光谱分析
2022, 42(4): 1270
红外与激光工程
2022, 51(12): 20220125
大连海事大学信息科学技术学院，辽宁 大连 116026
针对应用于可见光通信的正交振幅调制（QAM）和脉冲位置调制（PPM）的混合调制系统结构及性能优化问题，提出了一种基于卷积神经网络（CNN）的混合调制端到端通信系统设计方案。该方案利用设计的损失函数分多个阶段训练网络来分别实现QAM调制以及PPM调制，并将二者结合实现混合调制。解调方面，为了提升脉冲识别准确度并降低运算复杂度，提出了一种通过改变CNN卷积核大小对接收信号进行脉冲识别的方法。仿真结果表明，在加性高斯白噪声和瑞利衰落信道下，对于采用不同脉冲时隙数及调制阶数的混合调制方式，所提技术方案表现出良好的泛化能力，并且当误符号率为10-3时，相较传统解调方式，其误码性能改善范围为0.4 dB~2.8 dB。
光通信 混合调制 卷积神经网络 自编码器 误码性能 激光与光电子学进展
2022, 59(17): 1706001
1 昆明理工大学信息工程与自动化学院，云南 昆明 650500
2 广东省科学院智能制造研究所，广东省现代控制技术重点实验室，广东 广州 510070
基于声音诊断的机械设备异常状态检测在工业自动化领域具有重要意义。当前，无监督机械设备异常声音检测主要基于人工构造算法提取声音信号特征，再以此特征进一步进行异常检测，人工提取方法存在人为因素影响较大、通用性不强等问题。针对这些问题，提出一种自监督特征提取新方法，并将提取的特征输入自编码器（AE）进行机械设备异常声音检测。该方法首先将声音样本转换为时频谱图，采用设备正常声音的时频谱图作为训练样本，然后使用正常时频谱图和人为构造异常时频谱图构建自监督特征提取器（SSFE），以SSFE提取的正常样本特征训练AE，实现无监督机械设备异常声音识别。使用MIMII公开数据集进行实验，结果表明所提方法能够自适应提取滑轨、阀门、水泵和风扇等4种机械设备的声音特征，最终获得的平均曲线下面积（AUC）检测结果为88.5%，相较于线性声谱图、对数梅尔谱、梅尔频率倒谱系数等人工特征提取方法的结果有显著提升。
机器视觉 自监督学习 无监督学习 自编码器 异常检测 激光与光电子学进展
2022, 59(12): 1215013
1 广东工业大学广东省计算机集成制造重点实验室，广东 广州 510006
2 广东工业大学省部共建精密电子制造技术与装备国家重点实验室，广东 广州 510006
3 科达制造股份有限公司切割技术事业部，广东 佛山 528000
针对目前瓷砖缺陷检测算法主要依赖人工设计特征和分类器，实际应用中存在调试困难、鲁棒性不足的问题，提出一种基于改进YOLOv3的纹理瓷砖缺陷检测算法。首先，在Darknet-53前加入卷积自编码器，将瓷砖的弱缺陷重构图像与原输入融合，得到更丰富的输入信息。然后，利用K-means聚类方法计算新的锚框，以获得更适合的锚框。最后，针对小样本问题，利用在公共数据集上预训练好的权重初始化网络，以提高模型收敛性能。实验结果表明，改进后的模型平均准确率提高了5个百分点，基本保持原模型的预测速度，可以有效检出纹理瓷砖的孔洞及划痕缺陷。
机器视觉 图像处理 缺陷检测 YOLOv3 自编码器 激光与光电子学进展
2022, 59(10): 1015006
安徽理工大学电气与信息工程学院，安徽 淮南 232001
针对传统检测方式的食用油损耗大、操作烦琐、耗时长等缺陷，提出了一种食用油种类快速无损检测的新思路。实验选用包括混合油样在内的5种待测油样本，利用搭建出的激光诱导荧光系统采集数据500组，随机选取其中400组光谱数据作为训练集，余下的100组作为测试集。选用性能更为优异的堆栈自动编码器算法对获取的荧光光谱数据进行特征提取，通过极限学习机进行分类识别，最后利用不同时间测出的食用油样本验证模型的普适性。实验结果表明，在所构建的识别模型下，样本测试网络时间仅为0.2 ms，分类准确率可达到100%，用于验证的新油样同样可取得极好的分类效果，分类速度快，准确率高。所得结果证明所建立的模型是可靠的，能够在确保精准识别的同时，实现食用油类别的快速无损检测。
光谱学 激光诱导荧光 堆栈自动编码器 特征提取 极限学习机 快速无损检测 激光与光电子学进展
2022, 59(8): 0830001
