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
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
杭州电子科技大学自动化学院，浙江 杭州 310018
近年来，随着深度学习的发展，基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法，包括光谱特征提取网络和空间特征提取网络两个部分，并使用一种得分融合策略进行融合。在光谱特征提取网络中，引入注意力机制来缓解因光谱维数过高导致的梯度消失问题，以提取多尺度的光谱特征。在空间特征提取网络中，引入注意力机制作用于网络主干，使其关注邻域内的重要部分，帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验，实验结果表明，所提方法能够稳定、有效地提升高光谱图像的分类准确率。
高光谱图像 长短期记忆网络 注意力机制 特征提取 深度学习 激光与光电子学进展
2024, 61(4): 0437010
1 大连交通大学机车车辆工程学院，大连 116000
2 陆军装甲兵学院车辆工程系，北京 100072
3 北京信息科技大学现代测控技术教育部重点实验室，北京 100192
涡流脉冲热像（ Eddy current pulsed thermography，ECPT）技术是一种新型的无损检测方法，广泛应用于金属材料结构的检测，但该技术常依赖人工经验提取特征进行裂纹检测与识别，自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络（Recurrent Neural Network，RNN）的特性，提出一种基于双向长短期记忆网络（Bidirectional Long Short-Term Memory Network，Bi-LSTM）金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热，使用红外热像采集装置对金属平板试件进行实时的数据采集，获得图像序列并制作数据集。运用设计的 Bi-LSTM模型增强特征向量中的时序信息，对不同尺寸裂纹的热图像进行训练并测试。实验分析表明， Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别，针对现有裂纹检测准确率可达到 100%，优于传统神经网络和其他深度学习的模型，具有更高的识别精度。
涡流脉冲热像技术 双向长短期记忆网络 裂纹识别 特征提取 eddy current pulsed thermography, Bi-LSTM, crack i
1 上海电力大学自动化工程学院，上海 200090
2 新南威尔士大学电气工程与电信学院，澳大利亚 新南威尔士州悉尼 2052
借助深度学习算法的非线性处理能力，提出基于注意力机制和长短期记忆（LSTM）网络的温漂预测模型，从而对法布里-珀罗（F-P）滤波器进行温漂补偿。针对温漂数据中复杂的时空信息，采用LSTM提取时间信息，利用注意力机制分配空间权重。实验结果表明：在升温-降温-升温环境下，所提方法和LSTM模型的最大波长漂移误差分别为6.75 pm和16.64 pm；在单调降温环境下，两种方法的最大波长漂移误差分别为5.39 pm和14.09 pm。所提方法在最大绝对误差（MAXE）、均方根误差（RMSE）和平均误差（MAE）上均优于最小二乘支持向量机（LSSVM）和循环神经网络（RNN）。
光栅 光纤光栅 法布里-珀罗滤波器 温漂误差 注意力机制 长短期记忆网络 光学学报
2023, 43(22): 2205001
1 山东中医药大学智能与信息工程学院，山东 济南 250355
2 山东中医药大学第一临床医学院，山东 济南 250355
卷积神经网络（CNN）在新冠肺炎X射线图像分类中取得诸多成果，但卷积结构只能学习到特征图相邻空间位置的上下文信息。为了更好地结合胸部X射线图像全局信息，除了提高CNN的深度，所提网络通过设计主干网络ConvNeXt、聚合注意力模块、长短期记忆网络，更加关注全局与局部信息的交互性。对公开访问的COVID-19 Radiography Database数据集图像分类，所提网络在三分类实验中相较于基础模型ConvNeXt在准确率、精确率、召回率上分别提高1.60个百分点、1.23个百分点、1.76个百分点，且其在多项实验指标上优于Vision Transformer、Swin-Transformer，准确率、精确率、召回率、特异度分别提高到95.6%、96.03%、95.76%、97.53%。另外选用Chest X-ray数据集进一步验证所提网络泛化能力，采用Score-CAM算法验证其有效性。实验结果表明，所提网络对新冠肺炎X射线图像具有较好的分类效果。
图像处理 X射线图像 新冠肺炎 注意力机制 长短期记忆网络 激光与光电子学进展
2023, 60(14): 1410001
1 中国民航大学 工程技术训练中心，天津 300300
2 中国民航大学 职业技术学院，天津 300300
电路板红外温度序列包含了丰富的故障类别信息，充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此，文中提出了一种由特征提取网络（Features Extraction Network，FEN）与关系学习网络（Relationship Learning Network，RLN）并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中，FEN基于多尺度膨胀卷积（Multi-scale Dilated CNN，MDCNN）残差结构搭建，可在不增加训练参数的前提下构建多层次感受野，学习温度序列不同范围的空间特征；RLN基于嵌入长短期记忆网络的注意力机制（Long Short-Term Memory hybridized with Attention，LSTMwAtt）结构搭建，通过控制温度序列信息传递来学习特征重要性并分配权重，挖掘不同位置特征间的相关性。实验结果显示，所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN，故障诊断准确率分别达到91.15%和96.27%，可实现对电路板故障的高准确率诊断。
红外温度序列 电路故障诊断 多尺度膨胀卷积 长短期记忆网络 注意力机制 infrared temperature series circuit fault diagnosis multi-scale dilated CNN LSTM attention mechanism 红外与激光工程
2023, 52(4): 20220492
云南民族大学电气信息工程学院, 昆明 650000
对未知环境的探索, 如搜救、追逃等场景, 无人机需要一边探索(感知)环境一边完成当前的航迹规划(动作选择)。针对上述场景, 为了提高无人机对未知环境的探索范围, 提出了结合长短期记忆的改进深度双Q网络探索航迹规划方法: 搭建仿真地图, 以无人机视野内的环境信息作为输入, 引入长短期记忆网络, 输出动作方向的选择; 设置探索经验样本优先级, 提高训练效率; 加入飞行动力学约束, 设计合理的状态、动作空间及单步奖励函数。运用所提算法, 无人机可以自主规划出一条无碰撞且对环境探索范围大的航迹。仿真实验结果表明: 在未知环境下, 所提算法得到的探索面积比、单步探索平均奖励值等指标均优于传统的DDQN算法。
无人机 长短期记忆网络 深度双Q网络 未知环境探索 航迹规划 UAV Long Short-Term Memory (LSTM) network Deep Double Q Network (DDQN) unknown environment exploration trajectory planning
1 天津大学精密仪器与光电子工程学院精密测试技术及仪器国家重点实验室，天津 300072
2 宁夏回族自治区水利工程建设中心，宁夏 银川 750004
提出了以长短期记忆网络（LSTM）与卷积神经网络（CNN）为主要框架的深度学习网络，基于该网络实现模式识别。LSTM-CNN以时域曲线及其短时傅里叶变换（STFT）结果作为网络输入，LSTM提取输入信号的时序特征，CNN提取时域曲线的轮廓特征及能量特征。实验中以相敏光时域反射仪（φ-OTDR）为传感系统完成数据采集。将LSTM-CNN与传统的人工神经网络（ANN）及CNN对比，LSTM-CNN在各项评价指标中均处于最优状态，实现了φ-OTDR模式识别的既定目标，为实际的工程产品开发提供了概念证明与演示示例。
光通信 模式识别 长短期记忆网络 卷积神经网络 光纤预警
