大连理工大学光电工程与仪器科学学院，辽宁 大连 116024
超分辨荧光显微镜突破了传统荧光显微镜的分辨率限制，使得人们能够在纳米量级分辨率下观察细胞和组织样品，极大地推动了生命科学的发展。在这一技术中，仪器和样品引入的像差均会导致空间分辨率降低，进而导致成像质量恶化。为此，人们引入了自适应光学技术，通过直接或间接的手段探测像差，再通过波前校正元件来校正像差，从而获得高质量的超分辨图像。本文介绍了自适应光学的起源与工作原理，总结了其在超分辨荧光显微镜中的应用，并展望了其未来的发展前景。
显微 荧光显微镜 超分辨 自动与自适应光学 像差补偿 波前传感
强激光与粒子束
2023, 35(2): 025006
1 新型传感器与智能控制教育部重点实验室（太原理工大学），山西 太原 030024
2 太原理工大学物理与光电工程学院，山西 太原 030024
3 广东工业大学信息工程学院，广东 广州 510006
4 广东省光子学信息技术重点实验室，广东 广州 510006
提出并实验验证一种级联啁啾光纤光栅反馈半导体激光器产生宽带、无时延混沌激光的方法。在该方法中，级联啁啾光纤光栅的高色散引入不规则的外腔模式，破坏了外腔模式谐振，进而消除混沌信号的时延特征。此外，不规则的外腔模式与激光器内部模式拍频，引入了新的高频振荡，进而增强混沌信号的带宽。对比研究了单个与级联啁啾光纤光栅反馈系统中色散光反馈强度、激光器与光栅波长失谐对混沌信号带宽及其时延特征的影响。结果表明，在强反馈、负波长失谐的条件下，级联反馈系统具有更好的带宽增强与时延特征抑制效果，获得了3 dB带宽12 GHz且无时延特征的混沌信号。
激光光学 半导体激光器 啁啾光纤光栅 宽带混沌 时延特征 激光与光电子学进展
2022, 59(3): 0314006
1 长治学院电子信息与物理系, 山西 长治 046011
2 承德石油高等专科学校工业技术中心, 河北 承德 067000
褐斑病是黄瓜主要真菌性病害之一, 适宜条件下, 特别是在昼夜温差大及饱和湿度条件下发病迅速, 病情加重, 导致黄瓜减产, 造成经济损失。 对黄瓜褐斑病进行病斑分割与提取, 可以为后续的病害识别与诊断提供有效依据, 具有重要意义。 结合黄瓜褐斑病可见光谱图像, 利用U-net深度学习网络构建黄瓜褐斑病语义分割模型, 实现了病斑分割。 首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本, 共在40幅图像中截取到135个像素区域, 区域的像素分辨率为200×200, 利用Matlab的Image Labeler工具对样本进行像素标记, 分别标记出感病区域和健康区域。 然后构建U-net网络, 该网络包含46层和48个连接, 通过卷积层和线性整流层以及最大池化法来完成病斑特征提取, 通过深度连接层以及上卷积层和上线性整流层完成上采样, 通过跳层连接来完成复制和剪裁操作, 并进行病斑特征融合。 利用所构建的U-net网络进行学习训练得到语义分割模型, 在135个样本中, 随机选取其中96个作为训练样本, 剩余的39个作为测试样本, 设置迭代次数为240次, L2正则化系数为0.000 1, 初始学习率为0.05, 动量参数为0.9, 梯度阈值为0.05, 进行样本训练和测试。 经过10次重复训练和测试, 结果表明, 基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s, 内存占用平均为6 665.8 MB, 执行效率较高; 模型准确率PA为96.23%~97.98%, MPA为97.28%~97.87%, MIoU为86.10%~91.59%, FWIoU为93.33%~96.19%, 模型的稳定性较好、 泛化能力较强。 该研究方法利用较少的训练样本, 获得了准确率较高的分割模型, 为小样本机器学习提供了参考, 同时为其他蔬菜的病斑分割、 病害识别与诊断提供了方法依据。
U-net网络 可见光谱 黄瓜褐斑病 深度学习 语义分割 U-net work Visible spectrum Cucumber target leaf spot Deep learning Semantic segmentation 光谱学与光谱分析
2021, 41(5): 1499
玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。
无人机 遥感 可见光谱 玉米 长势监测 叶面积指数 UAV Remote sensing Visible spectrum Maize Growth monitoring LAI
1 中国农业大学信息与电气工程学院, 食品质量与安全北京实验室, 北京 100083
2 长治学院电子信息与物理系, 山西 长治 046011
白粉病是黄瓜常见病害之一, 传播速度极快, 严重时可造成黄瓜大量减产, 对其进行快速准确识别, 对黄瓜白粉病诊断和防治具有重要意义, 应用可见光谱技术, 结合主成分分析和支持向量机算法, 实现对黄瓜白粉病的快速识别。 配制白粉病菌孢子悬浮液, 并人工接种于科研温室内的黄瓜叶片上, 以诱发黄瓜白粉病, 待白粉病有一定面积暴发后, 利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集, 利用五点取样法采集样本, 在5个检查点, 每点选取2株黄瓜进行调查, 每株选取4枚感病叶片, 每枚叶片随机选取5个感病区域进行光谱采集, 共计采集200个感病叶片光谱样本, 同样采集200个健康叶片样本作为对照。 通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正, 调节积分时间、 扫描次数以及平滑度等参数来实现光谱曲线平滑处理, 以有效抑制光谱噪声, 对光谱特征进行分类识别, 去掉首尾噪声较大的波段, 保留光谱的可见光波段进行研究, 最终选取450~780 nm波段范围作为研究对象。 利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理, 根据主成分的累计贡献率, 选取前5个主成分作为分类模型的输入, 以白粉病和健康叶片的判别结果作为输出, 利用支持向量机算法, 通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型, 随机选取120个样本作为训练集用于分类模型构建, 其余80个样本作为测试集用于模型检验, 并通过选取不同的核函数来获得最优模型。 利用混淆矩阵对分类识别模型的准确率进行评价, 当选取径向基核函数时, 分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高, 分别为100%和96.25%, 总准确率为98.125%, 具有较高的准确率。 结果表明, 利用可见光光谱信息并结合主成分分析和支持向量机算法, 可以实现对黄瓜白粉病的快速准确识别, 为黄瓜病害诊断提供了方法和参考依据。
可见光谱 病害识别 主成分分析 支持向量机 Visible spectrum Disease recognition Principal component analysis Support vector machine 光谱学与光谱分析
2019, 39(6): 1864
