1 中国科学院上海光学精密机械研究所量子光学重点实验室,上海 201800
2 张江实验室,上海 201210
3 中国科学院大学,北京 100049
针对小角X射线散射(SAXS)测量图样中的宇宙线提出一种去除方法,以纳米结构的周期信息为物理先验计算得到周期性散射信号的坐标信息,对各光斑级次有效信号区域内的宇宙线进行检测并去除。数值模拟了含宇宙线的SAXS测量图样序列,测试该方法对SAXS测量图样序列宇宙线的检测和去除效果,并与现有的宇宙线去除方法进行对比。计算不同曝光时间下去噪前和各方法去噪后SAXS测量图样的评价指标,可以说明该方法对于SAXS测量图样中的宇宙线具有良好的去除效果,并能在长曝光条件下获得明显的信噪比增益。
X射线光学 小角X射线散射 周期性纳米结构 宇宙线 去噪
1 兰州交通大学国家绿色镀膜技术与装备工程技术研究中心,甘肃 兰州 730070
2 兰州交通大学聚光太阳热能产业关键技术与装备省部共建协同创新中心,甘肃 兰州 730070
3 甘肃省太阳能光热产业研究院,甘肃 兰州 730070
线性菲涅耳聚光系统采用柱面反射镜可提高聚光能力。本文提出一种柱面反射镜曲率半径的优化计算方法,建立了通用计算模型,详细分析了反射光线横向偏移的变化规律、系统瞬时光学效率和能流均匀性等。研究结果表明,柱面反射镜的最佳曲率半径与其宽度几乎没有关联,只需要考虑其与镜场中心的距离和系统有效工作时太阳横向入射角即可得到最佳值。通用计算模型所得的结果与数值精确计算的结果非常接近,最大偏差为1.26%,平均偏差为0.38%。在考虑柱面反射镜型面误差、跟踪误差和曲率半径误差的情况下,当横向入射角大于45°时,系统瞬时光学效率保持在59.46%以上。在聚焦平面的较小范围(相对距离为0.05~0.05)内,能流密度高且均匀性较好,适合布置光伏电池组件。
光学设计 线性菲涅耳 柱面反射镜 光学性能 能流分布
流感病毒是呼吸道传染病毒, 增强疫苗接种诱导的黏膜免疫反应对于预防流感尤为重要。目前, 流感病毒疫苗主要为病毒灭活疫苗, 且通过肌肉注射接种, 很难诱导产生黏膜免疫。为增强流感病毒灭活疫苗的黏膜免疫效果, 本文利用薄膜分散法将与肺表面活性物质(PS)相似的磷脂以及胆固醇制备成包裹瑞喹莫德(R848)的PS脂质体(PS-R848)做黏膜佐剂, 将该脂质体与H7N9流感病毒灭活疫苗混合后经鼻腔免疫BALB/c雌性小鼠, 检测免疫指标及攻毒后的保护效果。与灭活疫苗添加R848组相比, 血清中的免疫球蛋白G(IgG)以及分型抗体IgG1与IgG2a效价、血凝抑制(HI)效价和支气管肺泡灌洗液分泌型IgA(sIgA)效价显著提高; 诱导的细胞因子干扰素-γ(IFN-γ)、白细胞介素-2(IL-2)与IL-4的分泌量也显著增加。用同亚型流感病毒攻毒小鼠后的肺部病毒滴度较单独疫苗组降低, 存活率达到100%, 最大体重丢失率较单独疫苗组低且有显著差异 。以上结果表明, R848仿生PS-R848作为黏膜佐剂可以有效提高H7N9流感病毒灭活疫苗的免疫效果, 为开发流感病毒的黏膜疫苗做了数据积累。
流感病毒 灭活疫苗 脂质体 肺表面活性物质 黏膜免疫 influenza virus inactivated vaccine liposome pulmonary surfactant mucosal immunization
光子学报
2023, 52(10): 1052406
红外与激光工程
2023, 52(9): 20230259
1 南京大学固体微结构物理国家重点实验室,江苏 南京 210093
2 南京大学现代工程与应用科学学院,江苏 南京 210093
3 南京大学物理学院,江苏 南京 210093
4 南京工业大学物理系,江苏 南京 211816
提出一种能够同时实现拉盖尔高斯光束倍频和模式转换两种功能的光学超晶格。首先,通过局域相位匹配原理设计得到了实现以上功能所需的超晶格结构函数。不同于常规的多通道周期或啁啾结构,采用局域相位匹配原理得到的是一种具有弯曲畴的超晶格结构,理论上可以减少相差并提高转换效率。其次,讨论了正反两种模式的超晶格结构,两种结构均可以实现非线性模式转换,但正向结构效果更佳。最后,对不同角向指数的拉盖尔高斯光束的模式转换过程进行数值模拟,观察转换得到的厄米高斯光束图像,验证了两种光束模式指数的关系。模拟结果表明,这样设计不仅能够实现不同特殊光束之间的相互转换,而且将倍频和模式转换两种功能集为一体,使得器件更加紧凑。该结构有望推进非线性模式转换器的研究。
涡旋光 模式转换 倍频 弯曲畴 局域相位匹配 光学学报
2023, 43(14): 1419001
1 中国科学院长春光学精密机械与物理研究所,吉林 长春 130033
2 中国科学院大学,北京 100049
基于异形孔径光阑的成像系统像方光强分布计算对显微系统自动对焦、景深扩展等成像技术领域发展有极其重要的理论价值,而传统的菲涅耳衍射光强分布计算公式仅适用于轴对称孔径光阑,且在焦平面处光强分布的问题。利用标量衍射理论,通过结合频谱变换与正交分离,推导出适用于异形孔径形状、任意离焦量的像方空间光场强度分布数理关系式;并利用离散傅里叶变换原理,获得了基于异形孔径光阑的光学成像系统像方空间光强分布的数值计算表达式。在圆形孔径光阑、焦平面处,对获得的表达式与传统计算公式进行了对比计算与分析,两组计算结果完全一致。针对半圆形孔径光阑,在相同的系统参数下,在离焦量分别为0,4,8 μm三个像方位置处,数理模型理论计算的结果与实验测试结果基本一致。从而证明所推导数理模型的准确性,其可适用于任意形状的孔径光阑。
异形孔径光阑 光学成像系统 像方空间 傅里叶变换 光强分布 激光与光电子学进展
2023, 60(6): 0611006
上海电力大学电子与信息工程学院, 上海 201000
针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题, 提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析, 使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度, 以轻量级网络MobileNetv3作为主干网络进行特征提取; 此外, 基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计, 使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%, 检测速度提升2.19倍, 在UCAS_AOD, RSOD, DIOR这3个遥感数据集上进行测试, 实验结果表明, 算法鲁棒性强, 能够在保证模型检测精度的同时有效提高检测实时性。
遥感 目标检测 聚类 深度可分离卷积 参数量 remote sensing target detection clustering depth separable convolution parameter quantity
上海电力大学电子与信息工程学院, 上海 201000
针对在遥感飞机目标检测场景中轻量级算法难以兼顾准确性与实时性的问题, 提出了一种基于YOLOv4结构化剪枝的模型压缩方法。为了使锚框参数更加符合遥感数据集并发挥网络多尺度检测的优势, 采用K-means++算法对数据集进行锚框聚类分析, 并设计尺度自适应调整, 抑制小目标过多以及目标大小接近造成的锚框冗余。此外, 为了减少模型参数量, 利用归一化层中的缩放因子γ进行L1稀疏正则化, 重新评估滤波器及卷积核权重, 对特征信息较少的通道进行迭代剪枝, 然后微调剪枝模型恢复精度。实验结果表明, 剪枝后模型参数量压缩了93.1%, 检测速度比原模型提升2.46倍, 能够在保证检测准确性的同时有效提升检测实时性。
遥感检测 飞机 锚框聚类 模型剪枝 remote sensing detection aircraft anchor frame clustering model pruning
Author Affiliations
Abstract
1 Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Shanghai 201800, China
2 Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences, Beijing 100049, China
3 Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China
Single-pixel imaging (SPI) is a typical computational imaging modality that allows two- and three-dimensional image reconstruction from a one-dimensional bucket signal acquired under structured illumination. It is in particular of interest for imaging under low light conditions and in spectral regions where good cameras are unavailable. However, the resolution of the reconstructed image in SPI is strongly dependent on the number of measurements in the temporal domain. Data-driven deep learning has been proposed for high-quality image reconstruction from a undersampled bucket signal. But the generalization issue prohibits its practical application. Here we propose a physics-enhanced deep learning approach for SPI. By blending a physics-informed layer and a model-driven fine-tuning process, we show that the proposed approach is generalizable for image reconstruction. We implement the proposed method in an in-house SPI system and an outdoor single-pixel LiDAR system, and demonstrate that it outperforms some other widespread SPI algorithms in terms of both robustness and fidelity. The proposed method establishes a bridge between data-driven and model-driven algorithms, allowing one to impose both data and physics priors for inverse problem solvers in computational imaging, ranging from remote sensing to microscopy.
Photonics Research
2022, 10(1): 01000104