1 上海理工大学 光子芯片研究院,上海 200093
2 上海理工大学 光电信息与计算机工程学院,上海 200093
二维材料具有高折射率和高透光率等优异光学特性,利用激光加工氧化石墨烯材料,会发生还原反应并生成具有类石墨烯材料特性的还原氧化石墨烯,这使得基于氧化石墨烯材料设计菲涅耳透镜成为可能。相较于传统的光学透镜及微型光学透镜,这一设计将透镜的尺寸从厘米级缩减到纳米级。针对工作波长532 nm设计了基于氧化石墨烯薄膜的菲涅耳透镜,通过瑞利–索末菲衍射理论及电磁场数值仿真测试了菲涅耳透镜的聚焦效果,并且通过滴铸法制备了氧化石墨烯薄膜(约500 nm),在薄膜上用激光加工菲涅耳透镜,最终得到透镜聚焦光斑直径2.14 μm,聚焦效率41.2%。相比旋涂法制备氧化石墨烯薄膜,滴铸法制备氧化石墨烯具有效率高、价格低廉的优点。该设计为纳米级的基于氧化石墨烯的光学系统的集成化和大规模生产提供了可能。
氧化石墨烯 菲涅耳透镜 激光加工 还原氧化石墨烯 graphene oxide Fresnel lens laser processing reduced graphene oxide
1 上海理工大学光子芯片研究院,上海 200093
2 上海理工大学光电信息与计算机工程学院,上海 200093
近年来,受生物神经系统结构和功能的启发,神经形态计算引起广泛兴趣。忆阻器可以通过其电荷或磁通量调节电导,与人脑突触作用机制相似,是神经形态计算最有前途的候选器件之一。提出一种基于飞秒激光加工氧化石墨烯基忆阻器的方法,通过调整器件两端扫描电压,实现了极性可控的电阻开关:低电压下,器件表现出单极性电阻开关特性,在150个循环扫描中呈现高度稳定性,且功耗仅有0.75 nW;高电压下,器件呈现双极性开关特性。伴随测试次数的增加,器件整体电导逐步增加,同时分别讨论了两种电压下器件的开关机制。
极性可控 激光加工 氧化石墨烯 忆阻器 激光与光电子学进展
2024, 61(3): 0323002
Author Affiliations
Abstract
1 Institute of Photonic Chips, University of Shanghai for Science and Technology, Shanghai 200093, China
2 School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China
3 Nokia Shanghai Bell Co., Ltd., Shanghai 201206, China
4 College of Medical Instruments, Shanghai University of Medicine and Health Sciences, Shanghai 201318, China
Edge detection for low-contrast phase objects cannot be performed directly by the spatial difference of intensity distribution. In this work, an all-optical diffractive neural network (DPENet) based on the differential interference contrast principle to detect the edges of phase objects in an all-optical manner is proposed. Edge information is encoded into an interference light field by dual Wollaston prisms without lenses and light-speed processed by the diffractive neural network to obtain the scale-adjustable edges. Simulation results show that DPENet achieves F-scores of 0.9308 (MNIST) and 0.9352 (NIST) and enables real-time edge detection of biological cells, achieving an F-score of 0.7462.
diffractive neural network edge detection phase objects Chinese Optics Letters
2024, 22(1): 011102
1 上海理工大学光子芯片研究院, 上海 200093
2 上海理工大学光电信息与计算机工程学院人工智能纳米光子学中心, 上海 200093
人工智能技术,特别是人工神经网络的创新引领了许多领域的应用革命,如网络搜索、计算机识别和语言、图像的识别技术。近年来纳米光子学的发展为传统的人工神经网络技术,特别是光学神经网络的发展带来了全新的物理视角以及截然不同的实现方法。一方面,纳米光子学是一门研究光与材料在纳米尺度相互作用的科学,可以带来全新的技术,如超分辨光学加工技术和超分辨光学成像技术,进而推动微纳尺度上多种功能的光学神经网络的实现。另一方面,纳米光子学中光子传播的多频段、高速度、低功耗的特点,促使了光学神经网络向着小体积、高密度、低功耗的方向发展。人工神经网络自身的发展也促使神经网络算法(如逆向设计、深度学习)在纳米光子学器件的设计中发挥前所未有的作用,以满足纳米光子学器件对自身功能、体积、集成度、计算功能的日益增长的要求。以神经网络的发展为起点,阐述人工神经网络特别是光学神经网络的发展趋势,以及人工神经网络与纳米光子学相互促进的发展历程。
光学器件 人工智能 人工神经网络 光学神经网络 纳米光子学 光学人工智能
中国农业科学院烟草研究所/农业农村部烟草生物学与加工重点实验室, 山东 青岛 266101
利用不同氮肥用量田间试验, 分析基于无人机平台的可见光谱诊断技术对烟草氮素营养进行无损评估预测的可行性, 明确该技术的最佳颜色参数和方程模型。 2018年在江西省安福县开展田间试验, 设置不同氮肥用量, 分别为0, 45, 90, 135, 180和300 kg N·ha-1, 于移栽后47 d(团棵期)、 移栽后83 d(旺长后期)和移栽后116 d(下部叶成熟期), 利用无人机获取冠层RGB色彩数字图像, 同时采集植株样品分析地上部生物量、 叶片生物量、 地上部氮浓度、 叶片氮浓度、 叶片SPAD值等氮营养状况指标, 对冠层数字图像进行数字化分析, 获得颜色指标值, 通过颜色指标与烟草氮营养状况指标的相关性分析, 筛选适宜的颜色指标并建立氮营养诊断方程。 利用不同地块的氮肥用量试验, 对氮营养诊断方程拟合精度进行验证。 试验结果表明, 旺长后期各处理间冠层图像的颜色标准值存在显著差异, 团棵期与下部叶成熟期不存在显著差异。 在10个颜色指标中, NRI, NGI, G/R, G/(R+B), (G-R)/(R+G+B)和ExG与5个烤烟氮素营养指标均达到极显著相关(p<0.01)。 在归一化颜色指标体系、 比颜色指标体系和归一化差分颜色指标体系中选择潜在的最佳颜色参数指标分别为NGI, G/R和ExG。 根据不同类型的回归分析结果, 确定指数回归作为地上部生物量和叶片生物量的预测模型, 线性回归作为地上部氮浓度、 叶片氮浓度及叶片SPAD值的预测模型。 对潜在的最佳指标进行验证性筛选, G/R对地上部氮浓度和叶片氮浓度的RMSE值分别为0.375 1%和0.249 1%, 明显低于NGI和ExG, 预测精度最高。 用G/R值表示的地上部生物量、 叶片生物量、 地上部氮浓度、 叶片氮浓度、 SPAD值预测方程分别为Y=21.785e1.3502G/R, Y=4.057 9e1.937 3G/R, Y=5.039 9G/R-3.333 2, Y=4.281 4G/R-3.802 9, Y=40.168G/R-28.188。 因此, 基于无人机平台的可见光谱诊断技术在烤烟氮素营养诊断方面具有应用潜力, 评估最佳时期为旺长后期, 最佳预测参数为G/R值。
烤烟 冠层可见光谱 氮营养诊断 颜色指标 方程模型 生育期 Flue-cured tobacco Canopy visible spectrum Nitrogen diagnosis Color index Equation model Growth period
1 中南大学中药现代化研究中心, 湖南 长沙410083
2 中国药品生物制品检定所, 北京100050
3 必达泰克光电科技(上海)有限公司, 上海200233
拉曼光谱分析中, 由于有机分子或样品中污染物的荧光影响, 常会使拉曼光谱产生高背景信号, 以致其拉曼光谱吸收信号被淹没。 利用自行开发的软件包baselineWavelet, 本文对醋酸泼尼松片和格列本脲片的拉曼光谱进行了荧光背景扣除研究, 采用主成分分析和随机森林算法对它们进行聚类分析, 得到了较好的结果。 通过这2种药物的拉曼光谱聚类分析结果, 检验了该背景扣除算法的有效性和准确性, 并讨论了荧光背景对拉曼光谱聚类分析的影响。 结果说明, 荧光背景对拉曼光谱聚类分析影响很大, 在分析前必须预先扣除。
拉曼光谱 背景扣除 聚类分析 随机森林 主成分分析 Raman spectroscopy Background correction Clustering analysis Random forests Principal component analysis 光谱学与光谱分析
2010, 30(8): 2157