Author Affiliations
Abstract
1 Tianjin University, Center for Terahertz Waves and College of Precision Instrument and Optoelectronics Engineering, Ministry of Education, Key Laboratory of Optoelectronic Information Technology, Tianjin, China
2 Tianjin University, College of Intelligence and Computing, Tianjin, China
3 Central South University, School of Physics and Electronics, Hunan Key Laboratory of Nanophotonics and Devices, Changsha, China
4 Guilin University of Electronic Technology, School of Optoelectronic Engineering, Guangxi Key Laboratory of Optoelectronic Information Processing, Guilin, China
5 Oklahoma State University, School of Electrical and Computer Engineering, Stillwater, Oklahoma, United States
Recently, deep learning has been used to establish the nonlinear and nonintuitive mapping between physical structures and electromagnetic responses of meta-atoms for higher computational efficiency. However, to obtain sufficiently accurate predictions, the conventional deep-learning-based method consumes excessive time to collect the data set, thus hindering its wide application in this interdisciplinary field. We introduce a spectral transfer-learning-based metasurface design method to achieve excellent performance on a small data set with only 1000 samples in the target waveband by utilizing open-source data from another spectral range. We demonstrate three transfer strategies and experimentally quantify their performance, among which the “frozen-none” robustly improves the prediction accuracy by ∼26 % compared to direct learning. We propose to use a complex-valued deep neural network during the training process to further improve the spectral predicting precision by ∼30 % compared to its real-valued counterparts. We design several typical teraherz metadevices by employing a hybrid inverse model consolidating this trained target network and a global optimization algorithm. The simulated results successfully validate the capability of our approach. Our work provides a universal methodology for efficient and accurate metasurface design in arbitrary wavebands, which will pave the way toward the automated and mass production of metasurfaces.
transfer learning complex-valued deep neural network metasurface inverse design conditioned adaptive particle swarm optimization terahertz Advanced Photonics Nexus
2024, 3(2): 026002
1 重庆邮电大学工业物联网与网络化控制教育部重点实验室，重庆 400065
2 重庆邮电大学通信与信息工程学院，重庆 400065
针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。
光通信 可见光定位 注意力机制 卷积神经网络 迁移学习
金子蘅 1,2,3徐可 1,2,3张宁远 1,2,3邓潇 1,2,3[ ... ]冯世杰 1,2,3,*
1 南京理工大学电子工程与光电技术学院智能计算成像实验室，江苏 南京 210094
2 南京理工大学智能计算成像研究院，江苏 南京 210019
3 南京理工大学江苏省光谱成像与智能感知重点实验室，江苏 南京 210094
近年来，深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中，通过训练深度学习网络，可从单幅条纹图像中恢复高精度的相位信息。然而，为了训练神经网络模型，通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先，建立数字孪生条纹投影系统，并利用域随机化技术对虚拟照明光栅进行增强，使用计算机进行虚拟扫描，生成大量仿真光栅条纹图像；其次，利用仿真光栅图像对U-Net神经网络进行预训练；最后，引入迁移学习，采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性，提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明，采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果，神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练，所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。
计算成像 条纹投影 深度学习 迁移学习 条纹分析 激光与光电子学进展
2024, 61(2): 0211024
1 江苏大学食品与生物工程学院, 江苏 镇江 212013 江苏省智能农业与农产品加工国际合作联合实验室, 江苏 镇江 212013
2 江苏大学食品与生物工程学院, 江苏 镇江 212013
3 江苏大学食品与生物工程学院, 江苏 镇江 212013 现代农业装备与技术教育部重点实验室(江苏大学), 江苏 镇江 212013
为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。
无损检测 柑橘 可见/近红外光谱 可溶性固形物含量 一维卷积神经网络 迁移学习 模型传递 Nondestructive detection Mandarin Visible/near infrared spectroscopy Soluble solid content One-dimensional convolutional neural network Transfer learning Model transfer 光谱学与光谱分析
2023, 43(9): 2792
1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
近年来, 深度学习虽然在合成孔径雷达(SAR)目标识别领域已得到广泛应用, 但目前带有标注的SAR数据样本量的不足严重制约了深度学习在SAR目标识别中的发展。而迁移学习可以攻破深度学习数据驱动的限制, 利用有限SAR样本进行迁移学习。对基于迁移学习的有限SAR样本目标识别算法进行了分析, 首先, 介绍了迁移学习的基本概念、类型、常用策略并分析了其在小样本SAR目标识别领域应用的可行性; 然后, 根据迁移数据与目标域数据是否同源, 分别对两类基于迁移学习的方法在SAR图像识别领域具有代表性的算法进行了梳理归纳; 最后, 从样本量的不足与网络的普适性两个方向出发, 讨论了迁移学习在SAR图像识别任务中存在的不足与下一步的研究方向。
深度学习 卷积神经网络(CNN) 合成孔径雷达(SAR) 迁移学习 同源数据 异源数据 deep learning Convolutional Neural Network (CNN) Synthetic Aperture Radar (SAR) transfer learning homogeneous data heterogeneous data
1 中国科学院上海技术物理研究所,上海 200083
2 中国科学院智能红外感知重点实验室,上海 200083
3 上海科技大学 信息科学与技术学院,上海 201210
4 中国科学院大学,北京 100049
由于标注数据的短缺，对航天器多余物进行在线检测受到了较大的限制。文章研究了多余物的物理特性，在航天器的数字孪生系统中构建相应的多余物模型，提出了一种结合数字孪生技术增强的跨域自适应航天器多余物检测方法。该方法通过数字孪生技术获取航天器的实时数据，并借助于历史标注数据中的相似结构，以跨域自适应技术辅助实时在线推理的进行。设计了一种新型的跨域自适应模型，该模型采用共享网络结构以及门控机制，从而在复杂任务中更有效地挖掘先验知识，实现了跨域自适应技术与数字孪生技术的有机结合，以实现更高效、准确和实时的预测。此种方法可以全面地检测航天器各个部件的多余物状态。
多余物检测 数字孪生 迁移学习 航天产品 remainders detection digital twin transfer learning aerospace products
针对传统粗糙度测量方法识别准确率不高的问题，提出了基于迁移学习和模型融合的粗糙度检测方法。首先，采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集；其次，通过迁移微调VGGNet-19、Inception-V3 以及DenseNet121进行多模型融合，得到了适用的粗糙度检测模型；最后，用数据集进行网络训练以提取图像中的纹理细节特征，实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证，系统识别精度可达91%。结果表明，所提出的系统可有效地实现粗糙度等级自动检测。
迁移学习 模型融合 粗糙度检测 transfer learning model fusion roughness detection
1 中国计量大学光学与电子科技学院, 浙江 杭州 310018
2 西安应用光学研究所, 陕西 西安 710065
爆炸物等危险品的分子振动和转动能级在太赫兹频谱段具有独特的指纹谱特性, 且太赫兹波对非极性物质及介电材料有较强的透过性及低能性, 因此利用太赫兹光谱可以实现障碍物隐匿复杂环境下的危险品无损探测。目前各种相关材料的太赫兹吸收光谱标准库并不完善, 且市面上各类太赫兹光谱仪硬件参数不同、检测标准不统一, 导致单纯依赖特征吸收峰的识别方法并不可靠。针对上述问题, 提出一种不依赖于吸收峰准确性的物质识别技术路线: 提取物质在不同频率分辨率、不同障碍物隐匿情况下的太赫兹吸收谱, 利用Marr小波变换在频域上展开得到具有特征唯一性的小波频域尺度图, 建立样本集; 其次, 结合迁移学习方法, 利用Xception网络对样本集进行训练识别。实验结果表明, 此方法可以很好地对不同障碍物隐匿环境中的危险品进行分类识别, 识别准确率可达94%。说明此方法的识别准确性不受系统频率分辨率即吸收谱精确度等系统因素影响, 为邮件及快递包裹等障碍物隐匿危险品无损检测、定性识别提供了一种新的技术思路。
光谱学 太赫兹光谱 频率分辨率 Marr小波变换 Xception迁移学习 spectroscopy terahertz spectroscopy frequency resolution continuous wavelet transform of Marr transfer learning of Xception network
1 陆军工程大学石家庄校区电子与光学工程系，河北 石家庄 050003
2 中国人民解放军32356部队，青海 西宁 710003
针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。
光学遥感图像 舰船检测 实时检测 嵌入式平台 注意力机制 迁移学习 光学学报
2023, 43(12): 1212001
Author Affiliations
Abstract
1 Department of Instrument Science and Engineering, School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
2 Department of Electrical Engineering, School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
3 Southwest Institute of Technical Physics, Chengdu 610041, China
This paper investigates the combination of laser-induced breakdown spectroscopy (LIBS) and deep convolutional neural networks (CNNs) to classify copper concentrate samples using pretrained CNN models through transfer learning. Four pretrained CNN models were compared. The LIBS profiles were augmented into 2D matrices. Three transfer learning methods were tried. All the models got a high classification accuracy of , with the highest at 96.2% for VGG16. These results suggested that the knowledge learned from machine vision by the CNN models can accelerate the training process and reduce the risk of overfitting. The results showed that deep CNN and transfer learning have great potential for the classification of copper concentrates by portable LIBS.
laser-induced breakdown spectroscopy convolutional neural networks classification flotation concentrate transfer learning Chinese Optics Letters
2023, 21(4): 043001
