针对面板闪烁性能进行因子排查优化, 着重关注材料相关因素的研究, 使面板闪烁性能得以提升, 总体跨阶得到增大。通过对TFT-LCD 面板闪烁性能进行评估优化, 包括评估手法建立、性能仿真模拟以及样品性能量测等, 收敛性能优化方向, 最终结合实验产品测试验证, 提出了面板闪烁性能提升的优化方向。而相较于常规电性, 包括器件漏流、器件电容(Cst)的优化方向, 本文的研究内容更关注材料的研究优化, 具体为液晶响应时间参数等的研究优化, 而其主要研究手法为对不同响应时间液晶下面板的闪烁性能仿真、实际性能测量以及亮度探测等。 研究发现, 随着液晶响应时间参数从8 ms增大至10 ms, 其面板有效闪烁跨阶可从8阶提升至10阶。实验结果表明, 面板可通过液晶材料响应时间的参数优化提升面板闪烁性能。

为了改善光配向产品画质, 提高产品良率, 针对光配向产品在低灰阶出现画面抖动不良现象进行系统研究, 发现了画面抖动异常发生机理并找到有效的改善措施。首先, 通过盒厚量测仪对异常区域进行预倾角比对, 确定异常位置预倾角变化。接着通过光配向原理与预倾角角度进行关联分析, 对画面抖动机理提出合理解释, 确认由外部静电电场造成局部光配向电压异常。最后, 通过排查机构确认静电发生单元, 提出有效的改善措施。画面抖动是基板在制程中受到静电累积, 造成基板背面积累一定电荷。在光配向制程中, 受外部静电场的影响, 像素内的电压未达到预定值, 造成预倾角异常, 点灯成像为画面抖动。通过改善在制程中的静电累积, 防止静电累积在基板背面造成光配向电压异常, 改善画面抖动不良。

将聚甲基含氢硅氧烷(PMHS)与向列相柔性单体11-(4’-(4-乙氧基苯甲酸)苯)十一烯酸酯(M1)和胆甾相单体烯丙氧基苯甲酸胆甾醇酯(M2)接枝共聚合成了聚合物P1～P7。利用红外光谱(FTIR)、氢谱(1H NMR)、差示扫描量热法(DSC)、偏光分析(POM)、X射线衍射分析(XRD)、热失重分析(TGA)、旋光分析等手段研究了单体和聚合物的结构和液晶性能。结果表明, 除聚合物P7为向列型液晶聚合物外, P1～P6为胆甾型液晶聚合物, 即向列相柔性单体M1的引入并未改变胆甾相, 而且与柔软的硅氧烷主链共同作用起到了降低玻璃化温度(P5、P6在室温即出现液晶态)、拓宽液晶区间、稳定液晶相、降低成本的作用, 有利于液晶聚合物的应用。

针对传统光照功率计采用积分法测量功率引起的高误差, 从应用角度出发, 提出一种MSP430为主控制器的高精度光照功率计。光电传感器将光信号转换为毫安级电流信号, 经过负反馈电流放大转换电路, 再通过差分放大和滤波电路, 经过24位高精度AD模数转换芯片将模拟信号转为数字信号, 再融合递推和中位值数字滤波算法, 计算得到光照功率。通过LCD实时显示测量值, 并经过Savitzky-Golay滤波器后显示随时间变化的测量曲线。实验证明, 所设计的光照功率计误差低于0.3%, 具有功耗低、系统稳定、显示界面友好的优点, 可以存储测量数据, 显示光功率曲线。

提出一种采用光寻址液晶空间光调制器(LCSLM)作为二维激光分束和多光束偏转的无机械光束扫描系统, 可对平行入射的激光光束分束、偏转, 且只用1片LCSLM就能够对每一束光的方向和强度分别控制。采用G-S相位迭代算法来实现多光束可编程控制的相位模版的生成过程与仿真。先运用子孔径法在相位模版上生成所需要的相位分布作为初始值, 然后采用GS相位迭代过程优化相位分布, 使各子孔径中的相位分布渐次扩展到整个相位模版, 其间还提出了改进的GS相位迭代算法, 最后对计算所获相位分布进行反演模拟。结果表明: 所提出的多光束二维偏转的算法能够满足应用需要, 且改进的GS相位迭代算法能提高多光束偏转的衍射效率, 优化光束光斑强度, 降低光束的均方根误差。

现有的移动端人像分割网络存在分割精度差、分割边缘模糊等问题。为此, 提出了一种融合注意力机制的轻量化人像分割网络。首先, 利用MobileNetV2网络提取图像特征。然后对注意力模块NLNet(Non-local neural networks)进行轻量化处理, 随后将优化过的注意力模块嵌入到四层解码网络中。利用融合注意力机制的解码网络自适应地学习有效特征, 最后通过SoftMax层得到人像分割结果图。同时改进了损失函数, 引入多损失函数(Multi-Loss), 使网络更容易收敛。解码网络融合注意力机制的方式使得轻量化网络可以在语义分割任务上取得较好的效果。实验结果表明, 模型在550张自采集的人像测试集上达到了92.29%的交并比(MeanIOU),单张图片在Inter(R) Core i5 CPU上的分割时间为0.74 s。与传统的人像分割网络相比, 研究网络的分割精度和分割速度优势明显, 适合应用于移动端设备。

结合全局特征和局部特征是提高行人再识别精度的一种途径。现有的算法通常从人体特定的语义区域提取特征, 由于没有将人体结构考虑在内, 增加了学习难度, 在差异较大的场景下效率和鲁棒性较差。为了较好地解决上述问题, 本文提出一种融合了全局特征、局部特征以及人体结构特征的多粒度特征融合的行人再识别算法。本算法不引入任何人体结构先验知识, 在特征提取方面, 采用均值池化和最大池化对特征图加权得到强辨识性的全局特征。对特征图切片得到局部特征, 在原有局部特征的基础上, 引入局部相对特征作为人体结构特征。在度量方面, 采用三元组损失与ID损失在不同尺度下的多级监督机制。在Market1501、DukeMTMC-reID的实验表明, 算法的Rank-1指标相比于部分卷积基线(PCB)方法提升了1.3%、3.9%, 平均精度均值(mAP)提升了5.1%、9.8%。

在TFT的制程中会造成许多不可避免的工艺缺陷, 需要逐个判断其对TFT电路所造成的影响, 这种缺陷检查方式需要大量人力且速度慢、精度低, 因此, 将人工识别替换成计算机自动化识别就显得尤为重要。自动识别中的一个关键部分就是将TFT电路进行定位。针对因缺陷颜色、形状、位置、大小不固定等原因导致现有图像处理算法无法准确定位出TFT电路位置的问题, 本文提出基于自相关性和模版匹配的TFT电路图像重构算法。首先, 对全自动光学检测(AOI)相机采集的缺陷图片进行区域提取, 估算出偏角并校正图像; 根据边缘图像的灰度垂直响应的自相关估计函数来估算电路的重复周期, 再由周期灰度均值来确定一组的电路纵贯线位置, 利用TFT电路周期特征重构出其余纵贯线; 通过角模版匹配算法重构TFT电路硅岛部分。实验结果表明, 本文提出的算法能够重构出被缺陷遮挡、图片模糊、电路缺失等情况下的电路, 定位准确率达96%以上。基本满足TFT缺陷自动化识别中的电路定位要求。

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取, 导致提取的特征不全面, 在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题, 提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先, 将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型; 然后, 融合3个网络模型构建多尺度卷积神经网络, 将3个预训练网络的参数级联到融合模型的全连接层, 对融合模型的全连接层进行训练, 采用随机梯度下降算法更新网络参数; 最后, 将融合后的模型作为特征提取器提取特征, 把提取到的多尺度特征送入极限学习机, 实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试, 实验结果显示, 多尺度特征融合与极限学习机结合的网络识别精度为99.23%, 识别速度为46 ms。相对于预训练的网络, 网络的分类精度分别提高了2.35%, 3.22%, 3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息, 极限学习机可以提高分类精度和分类时间, 该方法能满足交通标志识别的准确性和实时性的要求。

针对目标发生形变、遮挡以及尺度变化导致跟踪失败的情况, 本文提出了一种改进的多特征融合的目标跟踪算法。首先, 通过计算方向梯度直方图(Histogram of Oriented Gridients, HOG)和颜色命名(Color Names, CN)特征响应相邻两帧峰值旁瓣比(Peak-to-Sidelobe Ratio, PSR)的差值得到这两种特征的融合权重, 用得到的权重对HOG和CN特征响应进行自适应融合, 将第一次融合后的响应与颜色直方图特征获得的响应以固定权重进行二次融合,并根据融合结果确定目标中心位置。其次, 结合最终目标响应值的PSR与其均值的差值变化, 对位置相关滤波器和尺度相关滤波器的学习速率进行动态调整。最后, 在OTB50标准数据集上进行实验验证, 并和其他跟踪算法进行对比。实验结果表明: 本文算法在多项性能指标上均优于其他算法, 其中精度为81.9%, 成功率为61.1%, 能有效适应形变、遮挡以及尺度变化场景下的目标跟踪。

为了快速、高效地在FPGA平台上实现色彩插值算法并得到高质量的彩色图像, 使用Xilinx高层次综合工具HLS设计并实现一种改进的色彩插值算法。该算法融合双线性插值算法和一阶微分边缘导向插值算法完成图像色彩插值, 对以R分量与B分量为中心像素点的像素使用一阶微分边缘导向插值算法插值计算缺失的颜色分量, 对以G分量为中心像素点的像素使用双线性插值算法插值计算缺失的颜色分量。该算法充分考虑图像边缘插值效果与FPGA硬件资源占用量, 可对Bayer格式图像进行还原, 恢复全彩色图像。本文使用HLS开发, 与传统FPGA开发相比缩短了开发周期, 提高了开发效率。在Kodak数据集上的测试结果表明, 改进的色彩插值算法的彩色峰值信噪比(CPSNR)相较于常规算法高4~6 dB, 且减少了图像锯齿现象和边缘模糊等问题, 本文算法占用FPGA资源较少, 可实现实时的图像色彩插值。

在对图像变分描述的前提下, 为有效地利用条带噪声之间的相似性, 本文将条带噪声的群稀疏表示引入到单向变分模型中, 提出群稀疏技术限制的单向变分模型, 并采用交替方向乘子法求解该模型。对比实验证明, 本文所提出的群稀疏限制的单向变分模型能有效地利用条带噪声的相似性实现条带噪声的消除, 更好地重构图像的细节信息, 峰值信噪比与结构相似性比其他模型分别提高6.76 dB和0.25, 图像去噪性能更优。

为优化视频配准工作中的静态图像配准算法, 本文应用深度学习的卷积神经网络VGGNet设计了一个静态图像配准算法。通过仿真实验结果可知, VGGNet能够被很好地应用于静态图像配准工作中; 结合均方根误差和Nred结果可知, 基于Conv5、FC1或者FC2输出特征的静态图像配准算法具有良好的性能, 基于FC2的配准算法性能最好, 其均方根误差值为0.031 22, Nred值为74。通过视频缩放和亮度转换后, 静态图像配准算法的性能有所下降, 在亮度变换后基于FC2输出特征的配准算法性能较高。与传统HOG、LBP特征提取的图像配准算法相比, 本文算法具备较好的配准精度和正确率。研究结果可为当前基于深度学习卷积神经网络的静态图像配准算法提供参考。

传统的医学影像检索使用单幅影像, 但单幅影像中的影像信息有限, 且不能有效利用不同角度拍摄的医学影像。为解决这一问题, 提出了一种多视角判别度量学习的医学影像检索方法。基于Fisher判别模型在多个视角之间学习鲁棒的度量空间, 使得相似的医学影像在度量空间紧密地映射, 不相似的医学影像尽可能地彼此分离。同时, 设置视角权重因子充分利用每个视角特征的不同表征信息。在“乳腺癌数字存储库”中与4种多视角方法比较, 本文提出的方法检索准确率提高7%, 识别率更高。its applications for breast image retrieval