1 上海交通大学 智慧能源创新学院上海 200240
2 上海交通大学 机械与动力工程学院上海 200240
为提高反应堆安全性，基于自然循环的非能动余热排出系统在小型反应堆中有着广泛的应用。本文基于已完成的小型一体化核动力装置中间回路换热实验，用RELAP5（Reactor Excursion and Leak Analysis Program）对中间回路自然循环运行特性开展了计算分析工作。研究发现，载热功率的程序计算结果与实验数据符合良好，可表征系统的自然循环特性。在余热排出系统中，系统回路的压力由蒸汽发生器（Steam Generator，SG）一次侧平均温度所决定，SG一次侧入口温度、质量流量与冷热源高度差对余热排出系统换热性能影响显著。当SG一次侧入口温度较高时，余热排出系统换热性能对系统回路阻力更加敏感，这些结果为进一步研究小型堆非能动系统提供了有价值的应用。
小型堆 自然循环 非能动 余热排出系统 RELAP5 Small reactor Natural circulation Passive Residual heat-removal system RELAP5 强激光与粒子束
2024, 36(4): 043016
Author Affiliations
Abstract
1 School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, Anhui 230026, P. R. China
2 Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou, Jiangsu 215163, P. R. China
3 School of Physical Science and Technology, Suzhou University of Science and Technology, Suzhou, Jiangsu 215009, P. R. China
Structured illumination microscopy (SIM) is a popular and powerful super-resolution (SR) technique in biomedical research. However, the conventional reconstruction algorithm for SIM heavily relies on the accurate prior knowledge of illumination patterns and signal-to-noise ratio (SNR) of raw images. To obtain high-quality SR images, several raw images need to be captured under high fluorescence level, which further restricts SIM’s temporal resolution and its applications. Deep learning (DL) is a data-driven technology that has been used to expand the limits of optical microscopy. In this study, we propose a deep neural network based on multi-level wavelet and attention mechanism (MWAM) for SIM. Our results show that the MWAM network can extract high-frequency information contained in SIM raw images and accurately integrate it into the output image, resulting in superior SR images compared to those generated using wide-field images as input data. We also demonstrate that the number of SIM raw images can be reduced to three, with one image in each illumination orientation, to achieve the optimal tradeoff between temporal and spatial resolution. Furthermore, our MWAM network exhibits superior reconstruction ability on low-SNR images compared to conventional SIM algorithms. We have also analyzed the adaptability of this network on other biological samples and successfully applied the pretrained model to other SIM systems.
Super-resolution reconstruction multi-level wavelet packet transform residual channel attention selective kernel attention Journal of Innovative Optical Health Sciences
2024, 17(2): 2350015
1 北方民族大学 计算机科学与工程学院，宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，宁夏银川75001
3 宁夏医科大学 医学信息与工程学院，宁夏银川750004
针对肺部X射线图像的病灶区域较小、形状复杂，与正常组织间的边界模糊，使得肺炎图像中的病灶特征提取不充分的问题，提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型，设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块（GADRM），采用双残差结构进行高效的特征融合，将双残差结构与通道混洗、通道注意力、空间注意力结合，增强模型对于病灶区域特征的提取能力；在网络的高层采用全局局部特征提取模块（GLFEM），结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征，获得高层语义信息的全局特征，进一步增强网络的语义特征提取能力；设计了跨层双注意力特征融合模块（CDAFFM），融合浅层网络的空间信息以及深层网络的通道信息，对网络提取到的跨层特征进行增强。为了验证本文模型的有效性，分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明，本文所提出网络的准确率、精确率、召回率，F1值和AUC值分别为98.41%，94.42%，94.20%，94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断，具有重要的临床作用。
肺炎识别 X射线图像 特征增强 双残差结构 Transformer pneumonia recognition X-ray image feature enhancement dual residual model Transformer
针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高，本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先，采用重参数化方法设计了一种残差局部特征模块，以有效地提取图像局部特征；同时考虑到图像内部出现的相似特征，设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力，并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能；最后，在上采样模块前使用多层特征融合模块聚合所有的深度特征，以产生更全面的特征表示。在UC Merced遥感数据集上进行测试，该算法在遥感图像3倍超分辨率下的参数量为539 K，峰值信噪比为30.01 dB，结构相似性为0.844 9，模型的推理时间为0.010 s；而HSENet算法的参数量为5 470 K，峰值信噪比为30.00 dB，结构相似性为0.842 0，模型的推理时间为0.059 s。实验结果表明，该算法相比HSENet算法，参数量更少，运行速度较快，且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试，该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势，表明该算法的泛化能力较强。
超分辨率 遥感图像 全局上下文 重参数化 残差网络 super resolution remote sensing images global context re-parameterization residual network
暨南大学信息科学技术学院电子工程系，广东 广州 510623
提出了基于新阈值函数的深度残差收缩网络（DRSN-NTF），用于解决分布式光纤声传感（DAS）信号噪声强、识别难的问题。DRSN-NTF基于深度残差收缩网络（DRSN），使用新阈值函数代替软阈值函数，使其更能发挥信号噪声处理和分类识别能力。使用DAS系统采集周界入侵事件的实验数据，并通过添加高斯白噪声的形式，设计了6组不同信噪比（0 dB~5 dB）的实验。对比了4个模型的实验结果，由此考察DRSN-NTF的识别效果。结果发现：在强噪声的情况下，DRSN-NTF取得的平均测试准确率比DRSN高1.05%；随着信噪比的降低，DRSN-NTF的测试准确率高于DRSN的差值增大，表明DRSN-NTF在信号噪声处理和分类识别能力方面更强，能获得相对更高的识别准确率。因此，DRSN-NTF更加适用于DAS信号识别。
光纤光学 光纤传感器 模式识别 深度残差收缩网络 新阈值函数 周界安防 激光与光电子学进展
2024, 61(5): 0506002
1 北京航空航天大学航空科学与工程学院强度与结构完整性全国重点实验室，北京 100191
2 北京强度环境研究所可靠性与环境工程技术重点实验室，北京 100076
残余灰度场是变形前后数字体图像中对应体素点的灰度之差。在基于有限单元的全局数字体图像相关（DVC）方法中，残余灰度场作为计算区域各体素点匹配质量的目标函数，可直接计算获得，并可用于材料内部损伤演化或裂纹扩展的精细表征。然而，当前广泛使用的基于图像子体块的局部DVC只能获得计算区域内各离散计算点的位移、应变和相关系数信息，无法直接计算区域内各体素点的残余灰度。相较于相关系数和变形信息，残余灰度场可实现逐体素的匹配质量评价，在内部损伤或裂纹扩展的可视化观测和准确定位方面具有显著优势。为能在局部DVC中获得残余灰度场信息，提出一种简单有效的残余灰度场计算方法。该方法基于三维Delaunay四面体剖分算法，并利用有限元框架对局部DVC离散计算结果进行稠密插值，以获取逐体素连续位移场，并将其用于变形体图像校正。模拟和真实实验结果表明，基于局部DVC测量结果后处理计算获得的残余灰度场不仅可以实现精准的损伤定位，还能观测到裂纹形貌以及界面脱黏行为。所提方法弥补了当前局部DVC在精细化匹配质量评价方面的不足，有望拓展该方法在材料和结构内部损伤观测和定位中的应用。
三维图像处理 数字体图像相关方法 残余灰度场 内部损伤观测与定位
南京林业大学土木工程学院，江苏 南京 210037
针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失，进而导致点云分割精度下降的问题，通过改进PointNet++的特征提取及特征聚合模块，提出一种基于特征偏差值和注意力机制的点云分割模型。首先，利用球形采样获取不同的局部邻域，并采用K最近邻（KNN）算法筛选邻域点，计算不同邻域的特征偏差值，获取点云的深层语义信息，增强模型对不同局部邻域的识别能力；其次，利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块，在聚合特征阶段学习不同特征的权重，从而提高模型对不同结构信息的筛选能力，增强模型的分割性能；最后，为了进一步优化模型架构，在全连接层中加入残差模块，共享权重，避免参数冗余，提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证，实验结果表明，所提模型总体精度达到86.69%，较PointNet++提高了5.49个百分点，同时平均F1得分达到了73.97%，较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明，与PointNet++、RandLA-Net和ConvPoint等主流模型相比，所提模型结果较PointNet++也有提升，即相较于PointNet++的分割结果，改进后的模型能够充分提取点云的语义特征，有效提高模型分割精度。
点云分割 PointNet++ Lidar 特征偏差值 注意力机制 特征融合 残差结构 激光与光电子学进展
2024, 61(4): 0411001
1 重庆大学机械与运载工程学院，重庆 400044
2 重庆大学金属增材制造（3D打印）重点实验室，重庆 400044
3 中浙高铁轴承有限公司，浙江 衢州 324000
4 浙江省高速列车传动系统运行研究重点实验室，浙江 衢州 324000
激光能量场表面热处理是提升金属零件表面性能、延长其使用寿命的重要技术手段之一。近30年来，国内外对该技术展开了大量研究。相较于传统的表面热处理技术，激光能量场表面热处理具有更加高效、精准和清洁的优势。本文首先探讨了激光能量场表面热处理技术的优劣以及模拟过程中温度、流体和相场的多物理场方程，接着综述了激光表面淬火、激光重熔、激光表面合金化、激光熔覆和激光冲击喷丸等5种典型激光能量场表面热处理技术的研究现状，然后根据工程应用需求对改善零件表面耐磨性、耐蚀性和残余应力的研究结果进行了总结，最后展望了激光能量场表面热处理未来潜在的研究方向。
激光技术 激光能量场表面热处理 耐磨性 耐蚀性 残余应力
