1 北京理工大学材料学院，北京 100081
2 北京理工大学前沿交叉科学研究院，北京 100081
3 清华大学化学工程系，北京 100084
采用固态电解质的固态锂电池有望从根本上提高电池的安全性能及能量密度，被认为是最具应用前景的下一代电池技术之一。在诸多固态电解质中，硫化物固态电解质由于超高的离子电导率被认为最具实用化前景，但固态电解质膜易碎、难以加工等问题严重阻碍了其在固态电池中的应用。近年来，大量研究成果表明在固态电解质中引入柔性聚合物或柔性支撑载体等可以实现固态电解质膜的柔性化，从而可以解决固态电解质在规模化、薄膜化制备过程中脆裂问题。因此，固态电解质柔性化是推动固态电池工业化的重要解决方案之一。首先介绍了硫化物固态电解质的理化性质及发展历程，随后，总结了聚合物自支撑方法与柔性骨架支撑策略在固态电解质柔性化方面的研究进展，并分别讨论了湿法和干法工艺在硫化物固态电解质柔性化方面的技术特点和优劣，最后对未来发展趋势进行了展望，旨在进一步推动固态锂电池迈向实用化。
硫化物电解质 固态电解质 柔性 固态锂电池 sulfide electrolytes solid-state electrolyte flexibility solid-state lithium batteries
1 吉林大学 电子科学与工程学院 集成光电子学国家重点联合实验室吉林大学实验区，长春 130012
2 吉林省红外气体传感技术工程研究中心，长春 130012
基于非分散红外吸收光谱技术，利用CO气体分子在4.6 μm处的基频吸收带，采用宽带红外热光源和双通道热释电探测器，研制了一种用于早期火灾探测的红外CO传感系统。根据系统检测原理，对CO分子在红外波段的吸收谱线进行了选择；推导了光学矩阵理论，设计并优化了气室结构，优化后气室的吸收光程达到180 cm。对研制的锁相放大器进行标定，1σ检测下限为0.15 μV，背景噪声为38.89~43.23 μV。对传感系统的性能进行了实验测试。结果显示，CO的检测分辨率优于2.00×10-5，响应时间为35~38 s。对纯氮气（N2）样品进行了长达80 min的监测，其浓度波动范围为-1.42×10-5~1.51×10-5，当积分时间为0.25 s时，系统的检测下限为1.54×10-6；当积分时间为300 s时，系统的理论检测下限可达3.50×10-7。引入卡尔曼滤波算法来提高系统的稳定性，对纯氮气进行长达80 min的探测，引入该算法后系统的检测下限降低到原来的23%，同时，当积分时间为0.25 s时，检测下限降低到3.60×10-7。利用该传感系统，开展了棉花、纸张和木材的火灾阴燃实验，研究了CO浓度随阴燃时间的变化关系，验证了可通过CO浓度的变化来探测火灾发生的方法，证实了该传感系统呈现出良好的早期火灾探测能力。
传感系统 红外吸收光谱 矩阵光学 气体检测 火灾探测 Sensor system Infrared absorption spectrum Matrix optics Gas detection Fire detection
吉林大学 通信工程学院, 吉林 长春 130012
提出了基于在线随机森林投票识别人物动作类别的方法。建立了在线随机森林投票模型。通过在线训练和在线检测两部分进行了算法研究, 提高了检测人物动作类别的准确率。基于人物动作在时间和空间上有重要信息, 该方法首先通过提取图像立体块的lab色彩空间值、一阶差分、二阶差分以及大位移光流特征值在线训练随机森林; 训练结束后, 形成强分类器, 利用分类器对检测图像进行投票, 生成动作空间图; 最后, 在动作空间图中寻求最大值, 判断检测图像的动作类别。验证结果表明在低分辨的视频图像中, 本方法能够确定人物的动作类别, 对Weizmann数据库和KTH数据库的识别率分别为97.3%和89.5%, 对UCF sports数据库的识别率为79.2%, 动作识别准确率有所提高。该方法增加了光流能量场特征表述, 将原始投票理论拓展至三维空间, 并且采用向下采样的方式更新结点信息, 能够判断人物动作类别, 为智能视频技术提供了有效的补充信息。
动作识别 随机森林投票 大位移光流 动作空间图 智能视频 action recognition random forest voting large displacement optical flow action map intelligent video
吉林大学 通信工程学院, 吉林 长春 130012
为解决用户线上眼镜的最优选购, 提出了一种基于人脸姿态估计的虚拟眼镜试戴技术。首先采用肤色模型与形状模型结合的算法对场景中的人脸区域进行检测, 然后根据人眼在人脸中的几何位置关系实现人眼的精确定位; 进一步利用人眼对称性先验知识来估计脸在三维空间中的姿态信息, 即人脸与正面的偏移角度; 最后, 依据人眼位置和人脸姿态将眼镜图像融合到眼睛区域, 即完成眼镜的虚拟试戴。该方法为3D环境下客户与商品之间虚拟视觉化的实现提供了一种可靠的技术支撑和应用思路。
姿态估计 图像融合 人脸检测 人眼定位 pose estimation image fusion face detection eye location
