作者单位
摘要
江苏大学电气信息工程学院,江苏 镇江 212013
激光点云技术可用于苗圃树木生长状态监测与管理,为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性,提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先,调整PointNet++深度网络邻居点云的相对特征值,同时融合三维点云的低维和高维特征,充分利用各层级点云的特征。然后,将坐标注意力模块与注意力池化融合,进一步增强局部特征提取的能力,提高分类和分割的准确性。最后,针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明,提出的树种识别方法总体精度可达92.50%,平均类别精度为94.22%;提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++,能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。
遥感 激光雷达 深度学习 树种分类 苗圃树木树冠和树干分割 PointNet++ 
中国激光
2024, 51(8): 0810001
作者单位
摘要
天津工业大学 人工智能学院, 天津 300387
相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。
结构光 深度学习 自限制注意力 相位估计 深度估计 structured light deep learning self-limited attention phase estimation depth estimation 
中国光学
2024, 17(1): 118
徐瑞书 1,2,3罗笑南 3沈瑶琼 1,2郭创为 1,2[ ... ]雷李华 1,2,*
作者单位
摘要
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
李明岩 1,2吴川 1,2,*朱明 1,2
作者单位
摘要
1 中国科学院 长春光学精密机械与物理研究所,吉林 长春 130033
2 中国科学院大学,北京 100049
伪装目标分割的任务是使用像素级分割掩码将与背景高度相似的目标进行准确分类和定位,与传统的目标分割任务相比更具挑战性。针对目标与周围环境高度相似、边界模糊、对比度低等问题,构建了一种基于边缘增强和特征融合的伪装目标分割方法。首先,设计了一组边缘提取模块,能够更准确地分割有效的边缘先验。之后,引入了多尺度特征增强模块和跨层级特征聚合模块,分别挖掘层内与层间的多尺度上下文信息。提出了一种简单的层间注意力模块,利用相邻层级间的差异有效滤除融合后存在的干扰信息。最后,通过将各级特征图与边缘先验逐级结合的方式,获得准确的预测结果。实验结果表明,在4个伪装目标基准数据集上,该模型的表现都优于其他算法。其中加权F值提升了2.4%,平均绝对误差减少了7.2%,在RTX 2080Ti硬件环境下分割速度达到了44.2 FPS。与现有方法相比,该算法能够更准确地分割伪装目标。
深度学习 伪装目标 图像分割 边缘特征 特征融合 deep learning camouflaged object image segmentation edge feature feature fusion 
液晶与显示
2024, 39(1): 48
光电工程
2024, 50(12): 230242
徐胜军 1,2杨华 1,2,*李明海 1刘光辉 1,2[ ... ]韩九强 1,2
作者单位
摘要
1 西安建筑科技大学 信息与控制工程学院,陕西 西安 710055
2 西安市建筑制造智动化技术重点实验室,陕西 西安 710055
深度学习 图像增强 傅里叶变换 小波变换 双域融合 注意力机制 deep learning image enhancement fourier transform wavelet transform dual-domain convergence attention mechanism 
光电工程
2024, 50(12): 230225
作者单位
摘要
1 香港理工大学生物医学工程学系,中国 香港
2 香港理工大学光子技术研究院,中国 香港
3 香港理工大学深圳研究院,广东 深圳 518063
基于多模光纤或多芯光纤的无透镜超细光纤内窥成像技术近些年获得了快速发展,有望成为下一代的极微创、高分辨率内窥显微镜。通过对相干入射光场的时空调控,该技术可克服多模光纤中模式色散或多芯光纤中相位畸变的影响,在无需光纤末端透镜或扫描器件的情况下实现高分辨率的聚焦、成像及相关应用。此外,在无透镜光纤内窥成像或图像传输等场景下,通过构建物理或深度学习模型,从光纤输出测量中也能实现物体信息重建。对相干光纤无透镜成像技术的发展进行综述,首先说明无透镜光纤成像的基础原理,并从主动波前调控和被动目标重建这两类角度阐述无透镜光纤成像方法,接着介绍一些先进光纤成像模态和技术,列举光纤成像相关应用,最后分析该领域所面临的挑战,总结并展望其进一步发展方向和应用前景。
多模光纤 多芯光纤 波前整形 内窥成像 光学显微成像 深度学习 
激光与光电子学进展
2024, 61(6): 0618002
作者单位
摘要
兰州理工大学计算机与通信学院,甘肃 兰州 730050
针对现有光空间调制传输速率和频谱效率低的问题,提出了一种超奈奎斯特速率光空间脉冲位置调制(OSPPM-FTN)方案。推导了Gamma-Gamma湍流信道下该方案最大似然检测时的平均误码率上界,并与已有光空间脉冲位置调制(OSPPM)系统进行了性能对比。在此基础上,针对OSPPM-FTN发送信号的特点,提出了一种多分类神经网络(MNN)信号译码器,以大幅降低计算复杂度。最后,采用蒙特卡罗方法进行了仿真。结果表明,随着加速因子的减小,所提系统的频谱效率和传输速率有明显提升,其代价是信噪比(SNR)损失。当加速因子为0.9时,相比于传统(4,4,4)-OSPPM,所提系统的频谱效率和传输速率分别提升了17%和5.5%,SNR损失仅为1 dB。同时,采用MNN译码器可逼近最大似然最优译码性能并降低其计算复杂度,当探测器数目为8和16时,计算复杂度分别降低了69.75%和89.95%。
光通信 光空间调制 超奈奎斯特 深度学习 误码率 
光学学报
2024, 44(5): 0506003
作者单位
摘要
1 西华大学电气与电子信息学院,四川 成都 610036
2 民航成都电子技术有限责任公司,四川 成都 610041
3 成都川哈工机器人及智能装备产业技术研究院有限公司,四川 成都 610041
4 成都文物考古研究院文物考古工作队,四川 成都 610031
针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题,提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别:首先,通过大量的基础实验,在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型;接下来,使用EfficientNetV2-L对古青铜器数据集进行特征提取;然后,将原有的线性分类层替换为cosin_classifier,减小方差带来的风险,提高模型鉴别能力;最后,引入Focal损失函数替换原有的交叉熵损失函数进行损失计算,在聚焦因子(focusing parameter)和加权因子(class weighting)作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点,在测试集上取得91.7%的最优准确率。在此基础上,还对分期有争议的青铜器进行了模型预测分析。结果表明,深度学习技术在古青铜器数据集年代鉴别任务上是有效的,可提供参考分析数据,减轻考古专家的工作强度。
图像处理 深度学习 青铜器 EfficientNetV2 年代鉴别 
激光与光电子学进展
2024, 61(8): 0812003
作者单位
摘要
江西理工大学能源与机械工程学院,江西 南昌 330013
针对指针式仪表的小目标图像分割特点以及现有方法存在的局限性,提出融合空间细节与语义特征的双边路深度学习主干网络BiUnet,用于指针式仪表图像分割。该网络以BiSeNet V2算法作为出发点,重新设计其语义支路、细节支路以及双边融合层。首先,利用ConvNeXt卷积模块对细节支路进行调整和优化,提升算法对指针及刻度线边界细节的特征提取能力;其次,结合编码器-解码器U型结构能够融合不同尺度语义信息的优势对语义支路进行重新设计,提高语义支路对指针和刻度这类小目标的分割能力;最后,提出双引导拼接聚合层,用于更好地融合细节支路和语义支路特征。在自制仪表图像分割数据集上的消融实验证实了所提出的网络设计方案的有效性和可行性。在仪表数据集上与不同主干网络进行对比实验,实验结果表明,BiUnet对仪表的平均分割精度mIoU(mean intersection of union)达到了88.66%,相比于BiSeNet V2网络的80.02%提升8.64个百分点,并且这两种网络的分割精度均优于基于Transformer和纯卷积的常见主干网络。
指针式仪表 双边路主干网络 深度学习 图像分割 
激光与光电子学进展
2024, 61(8): 0837004

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!