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
1 上海市计量测试技术研究院,上海 201203
2 上海在线检测与控制技术重点实验室,上海 201203
3 桂林电子科技大学 计算机与信息安全学院,广西 桂林 541004
提出了一种结合深度学习的空间相位解包裹方法,采用基于改进U-Net网络的编码器-解码器架构,同时加入包含双向长短期记忆网络(BILSTM)的CBiLSTM模块,并且结合注意力机制,避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增强了深度学习模型对相位解包裹任务中的关键信息的关注能力。通过大量的模拟数据,验证了文中方法在严重噪声(SNR=0)、不连续条件和混叠条件下的鲁棒性,在以上三种情况下,同其他深度学习网络模型进行对比,文中所提出的网络模型的归一化均方根误差(NRMSE)分别为0.75%、1.81%和1.68%;结构相似性指数(SSIM)分别为0.98、0.92和0.94;峰值信噪比(PSNR)分别为40.87、32.56、37.38;同时计算时间显著减少,适合应用到需要快速准确的空间相位解包裹任务中去。通过实际测量数据,验证了文中提出网络模型的可行性。该研究将双向长短期记忆网络(BILSTM)和注意力机制同时引入光学相位解包裹问题中,为解决复杂相位场的解包裹提供了新的思路和方案。
相位解包裹 深度学习 注意力机制 长短期记忆网络 卷积神经网络 phase unwrapping deep learning attention mechanism long short-term memory network convolutional neural network 红外与激光工程
2024, 53(2): 20230564
天津大学精密仪器与光电子工程学院光电信息技术教育部重点实验室,天津 300072
图像匹配能将待匹配图像变换到原有图像的坐标系中,在各种视觉任务中起着重要的作用。基于特征的图像匹配算法能够在图像中匹配到一些更具区分度的特征,与其他图像匹配方法相比,其具有高精度、高灵活性、高鲁棒性等特点。针对传统特征匹配算法匹配稀疏的问题,提出一种基于改进深度特征匹配算法的密集特征匹配方法。首先,通过VGG网络提取图像的一系列特征图,在初始特征图进行最邻近匹配计算单应性矩阵并进行视角变换;然后,基于特征图的频域匹配特点进行深层特征图融合,用于特征粗匹配;最后,基于粗匹配的结果在浅层特征图上进行特征细匹配用于校正特征匹配的结果。实验结果表明:所提算法提升了特征匹配的精度和匹配的特征数量。
机器视觉 卷积神经网络 特征融合 图像匹配 图像处理 激光与光电子学进展
2024, 61(8): 0815001
1 中国科学技术大学 国家同步辐射实验室,合肥 230029
2 中国科学技术大学 核科学技术学院,合肥 230029
针对太赫兹直线加速器,开发了基于EPICS分布式系统的横向截面尺寸测量系统。该系统采用束斑检测器完成束斑到光斑的转换,并通过远心镜头将光斑成像到CCD相机,完成对光斑图像的采集,之后基于ADAravis将相机采集的图像数据汇入到EPICS数据库。由于暗电流以及环境辐射的影响,在采集到的图像中会存在椒盐噪声,因此使用卷积神经网络(CNN)对图像中的椒盐噪声进行抑制,最后对图像进行高斯拟合计算出束流截面尺寸。实验结果表明,CNN可以有效地消除椒盐噪声,并且系统的分辨率达到15.8 μm,满足系统设计要求。
EPICS ADAravis 束流截面测量 机器学习 卷积神经网络 EPICS ADAravis beam profile measurement machine learning convolutional neural network 强激光与粒子束
2024, 36(3): 034004
1 天津大学微电子学院,天津 300072
2 天津师范大学数学科学学院,天津 300387
3 天津市成像与感知微电子技术重点实验室,天津 300072
多能计算机断层扫描(Computed tomography,CT)技术可以更加精确地分辨出人体组织对不同能量X射线光子的吸收情况,是医学成像领域的重要发展方向。为了解决因量子噪声等非理想效应加重导致重建图像质量急剧退化的问题,提出了一种基于移位窗口多头自注意力机制的双流Transformer网络结构。该结构利用移位窗口Transformer和局部增强窗口Transformer分别提取投影数据的全局和局部特征,充分利用投影数据的非局部自相似性以保留投影数据的内部结构;然后通过残差卷积融合提取的特征;最后使用带有非局部全变分的混合损失函数来监督网络模型的训练,提升该网络模型对投影数据内部细节的敏感程度。实验结果表明,所提方法处理后的重建图像峰值信噪比(PSNR)值、结构相似性(SSIM)值和特征相似度(FSIM)值分别达到37.7301 dB、0.9944和0.9961。与目前先进的多能CT去噪方法相比,所提方法在去除低剂量多能CT投影数据噪声的同时,可保留更多的细节特征,有利于后续的精确诊断。
图像处理 计算机断层扫描成像 低剂量 卷积神经网络 Transformer网络 激光与光电子学进展
2024, 61(8): 0837008
刘琨 1,2,3,*尹慧 1,2,3江俊峰 1,2,3刘铁根 1,2,3赵成伟 1,2,3
1 天津大学精密仪器与光电子工程学院,天津 300072
2 天津大学光电信息技术教育部重点实验室,天津 300072
3 天津大学光纤传感研究所,天津 300072
针对目前深度学习在气体检测领域多聚焦于学习单个任务即气体定性分类或气体体积分数定量回归,忽略了相关任务间的信息关联性,降低了模型学习精度与效率等问题,提出了一种基于一维卷积神经网络和长短期记忆网络的多任务学习模型,即MTL-1DCNN-LSTM,并行实现了混合气体种类定性识别与体积分数定量回归。利用掺铥光纤,搭建了二级放大掺铥环腔光纤激光器,基于有源内腔吸收光谱法探测了CO2和NH3混合气体的吸收光谱数据。将实验数据放入多任务学习模型中训练,并进行超参数优化后,对测试集数据进行测试得到气体识别准确率为100%,NH3体积分数预测决定系数为99.84%,CO2体积分数预测决定系数为99.62%,优于单任务模型与传统的气体反演算法如反向传播神经网络和支持向量机。所提出的深度学习算法与有源内腔法相结合的方法,为吸收光谱型混合气体反演技术的进一步研究提供了新思路。
掺铥光纤激光器 有源内腔法 多任务学习 一维卷积神经网络 长短期记忆网络 激光与光电子学进展
2024, 61(3): 0306002
1 苏州大学光电科学与工程学院&苏州纳米科技协同创新中心,江苏 苏州 215006
2 江苏省先进光学制造技术重点实验室&教育部现代光学技术重点实验室,江苏 苏州 215006
在非球面零位干涉检测中,待测面检测误差分布与实际误差分布间存在干涉投影畸变。针对目前投影畸变校正方法计算复杂、通用性差等问题,提出一种基于卷积神经网络(CNN)的投影畸变校正方法。该方法首先在待测面上加入井字形柔性遮挡物,并根据投影畸变系数范围合成干涉图像作为CNN的数据集;然后选择合适的网络结构基于该数据集来训练网络;最后将实际干涉图像输入该网络以预测畸变系数,从而实现投影畸变的标定与校正。实验结果表明,该方法的理论校正误差小于1 pixel,实际误差校正精度优于传统标记点法,证明了该方法高效可行。
干涉检测 畸变校正 深度学习 卷积神经网络 系统标定 激光与光电子学进展
2024, 61(8): 0805001
西安工业大学光电工程学院,陕西 西安 710021
针对太赫兹频率选择表面(FSS)单元结构复杂、参数繁多、优化耗时等问题,基于卷积神经网络(CNN)并结合遗传算法,提出一种FSS智能化融合设计方法,并将其应用于典型滤波FSS的性能优化设计。将FSS周期单元拓扑编码为16×16的“0/1”旋转对称序列,收集26000组0.5~3 THz的透反射光谱作为数据集,利用19层CNN实现光谱预测,对测试集的平均绝对误差低至0.06。利用预测光谱与目标光谱的差值,给出各类典型FSS设计的通用目标函数,结合遗传算法,设计实现了带宽为0.1 THz的单频带通和带阻FSS、带宽为0.5 THz的单频带通和带阻FSS、带宽为0.2 THz的双频带通FSS,且均具有良好极化稳定性。计算结果表明,通过优化设计FSS的拓扑编码,可以简洁高效地实现各类典型带通带阻FSS。
频率选择表面 拓扑编码 卷积神经网络 遗传算法 激光与光电子学进展
2024, 61(4): 0424001