1 郑州大学郑州 450001
2 中国科学院高能物理研究所北京 100049
3 散裂中子源科学中心东莞 523803
微小角中子散射谱仪是中国散裂中子源(China spallation neutron source,CSNS)工程目前在建的谱仪之一,为了实现微小角散射模式下中子衍射的精确测量,要求中子探测器的位置分辨≤2 mm、探测效率≥60%@0.4 nm。在此物理精度需求下,研制了基于6LiF/ZnS(Ag)闪烁屏、波移光纤阵列和硅光电倍增管(Silicon Photomultiplier,SiPM)结构的位置灵敏型闪烁体探测器,以实现热中子的高效率和高分辨实时探测。探测效率测试以标准3He管的入射中子数归一化计算得到,位置分辨通过含有“CSNS”字样的含硼铝板验证。本文详细研究了0.5 mm直径波移光纤的光传输性能,对比了不同硅光电倍增管的增益和热噪声特性,并以此设计了有效面积为300 mm×300 mm的探测器工程样机。经测试,该探测器的位置分辨为1.2 mm×1.2 mm,探测效率为(61.8±0.2)%@0.4 nm,达到了工程设计指标,满足了CSNS工程微小角谱仪的中子衍射测量需求。
闪烁体探测器 硅光电倍增管 波移光纤 位置分辨 探测效率 Neutron scintillator detector Silicon photomultiplier Wavelength shift fiber Position resolution Detection efficiency
Author Affiliations
Abstract
1 Beijing Academy of Quantum Information Sciences, Beijing 100193, China
2 Institute of Semiconductors, Chinese Academy of Sciences, Beijing 100083, China
3 College of Materials Science and Opto-Electronic Technology, University of Chinese Academy of Sciences, Beijing 100049, China
We demonstrate the photon-number resolution (PNR) capability of a 1.25 GHz gated InGaAs single-photon avalanche photodiode (APD) that is equipped with a simple, low-distortion ultra-narrowband interference circuit for the rejection of its background capacitive response. Through discriminating the avalanche current amplitude, we are able to resolve up to four detected photons in a single detection gate with a detection efficiency as high as 45%. The PNR capability is limited by the avalanche current saturation, and can be increased to five photons at a lower detection efficiency of 34%. The PNR capability, combined with high efficiency and low noise, will find applications in quantum information processing technique based on photonic qubits.
single photon avalanche diode (APD) photon number resolution (PNR) detection efficiency Journal of Semiconductors
2024, 45(3): 032702
1 中国铁道科学研究院集团有限公司铁道建筑研究所,北京 100081
2 中国铁道科学研究院集团有限公司高速铁路轨道系统全国重点实验室,北京 100081
3 铁科检测有限公司,北京 100081
随着遥感技术在铁路行业应用的深入,应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题,应用InSAR技术可以获得铁路设施沉降信息,沉降信息的分析提取往往要借助设施的类别、位置等属性,否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像,通过目标检测技术对铁路设施进行自动提取,确定铁路设施微波散射点与光学属性中类别与位置的对应关系;选取典型区域,以接触网立柱为例,利用多源遥感影像对文中提出的提取方法进行验证,结果显示:综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取,提取准确率较光学遥感影像提取准确率提高2.8%,较SAR影像提取准确率提高9.2%,同时提取结果中设施位置更准确,可减少因设施的错误监测造成的行车安全影响,为InSAR对铁路设施形变的定量化监测提供参考。
铁路设施 接触网立柱 遥感 光SAR融合 目标检测 railway facility contact wire column remote sensing optical SAR fusion object detection
强激光与粒子束
2024, 36(4): 043020
强激光与粒子束
2024, 36(4): 043018
南京航空航天大学 电子信息工程学院,江苏南京211106
太阳能电池片(Photovoltaic, PV)表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。
太阳能电池 缺陷检测 机器视觉 深度学习 检测网络 solar cells defect detection machine vision deep learning detection network