蓝宝石衬底表面微观缺陷检测与深度估计（英文）

文中将线阵相机扫描技术与垂直扫描白光干涉技术相结合,对蓝宝石衬底表面的微缺陷进行定位和深度评估.首先,利用线阵相机测量设备进行全场扫描,获得全场图像;然后,通过提取质心坐标来检测微缺陷的位置坐标;最后,在白光干涉测量系统中重建微缺陷的三维形貌,识别缺陷类型,提取缺陷深度信息.结果表明:线阵相机测量系统扫描直径为10.16 cm的蓝宝石衬底表面只需10 s左右,而白光干涉测量系统检测一个微缺陷大约需要76 s,检测到的最深缺陷深度为7.09μm,共发现13个缺陷(10个凹坑和3个裂纹或划痕)并定位在蓝宝石衬底表面.实验结果表明:该方法能准确定位蓝宝石衬底表面的微缺陷并提取其深度.     

圆锥形图形化蓝宝石衬底对MOCVD生长GaN外延膜的位错密度和应力应变影响

通过金属氧化物化学气相沉积（MOCVD）方法在2．5μm×1．6μm×0．5μm圆锥形图形化蓝宝石衬底（CPSS）和没有图形化平面蓝宝石衬底（uss）上生长GaN外延膜．高分辨率X射线衍射仪（HRXRD）测试结果表明,生长在CPSS上GaN的刃位错的密度比生长在USS上GaN的刃位错密度低得多;从透射电子显微镜（TEM）观察,CPSS可有效地减小GaN外延膜中的线位错密度;拉曼散射谱显示通过CPSS可有效地减小GaN外延膜中的残余应力;比较两种外延膜中的光致发光谱（PL）,能从生长在CPSS上GaN外延膜中观察到强而尖的带边发射．以上结果表明：生长在CPSS上GaN外延膜的质量高于生长在USS上GaN外延膜的质量．     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于噪声估计的钢材表面图像增强与缺陷检测

低光照低对比度的钢材表面图像(low-light and low-contrast steel surface images, LCSI)往往被大量噪声污染,给检测和识别带来很大的困难,导致缺陷的识别率很低。为了解决这一问题,本文提出一种基于噪声水平估计(noise level estimation, NLE)的钢材表面图像分解增强算法。根据快速的噪声水平估计确定总变分（total variation, TV）正则化的平衡因子,将低光照低对比度的钢材表面图像分解成基础层和细节层,利用视网膜大脑皮层理论（retina+cortex,Retinex）模型将基础层分解为光照分量和反射分量并分别增强使光照均衡化。对于包含更多图像细节（缺陷）和噪声的细节层,使用高斯滤波抑制噪声后,再对细节进行增强并与增强后的基础层重构得到高质量的输出图像。最后利用最新的基于Canny边缘检测和基于大津算法（nobuyuki Otsu method, Otsu）对增强的钢材表面图像进行缺陷检测。实验结果表明：增强后的缺陷识别率比最新的方法提升至少15%以上。     

深度学习源代码缺陷检测方法

针对由于传统的源代码缺陷分析技术依赖于分析人员的对安全问题的认识以及长期经验积累造成的缺陷检测误报率、漏报率较高的问题,提出了一种深度学习算法源代码缺陷检测方法.该方法根据深度学习算法,利用程序源代码的抽象语法树、数据流特征,通过训练源代码缺陷分类器完成源代码缺陷检测工作.其依据的关键理论是应用深度学习算法及自然语言处理中的词嵌套算法学习源代码抽象语法树和数据流中蕴含的深层次语义特征和语法特征,提出了应用于源代码缺陷检测的深度学习一般框架.使用公开数据集SARD对提出的方法进行验证,研究结果表明该方法在代码缺陷检测的准确率、召回率、误报率和漏报率方面均优于现有的检测方法.      

新型冷轧带钢表面缺陷在线检测系统

提出一种新型冷轧带钢表面缺陷在线检测系统的体系结构并说明其工作原理．采用多台面阵ＣＣＤ成像、几何分段、数据合成的检测方法．选用先进的高速数字信号处理器（ＤＳＰ）作数字图像处理平台，构成了并行工作的多ＤＳＰ的主从式信号处理系统．该系统已在线运行．     

基于深度学习的化妆品塑料瓶缺陷检测

提出一种基于深度卷积神经网络的化妆品塑料瓶表面缺陷检测算法。采用百万像素级别的工业相机采集大量的塑料瓶图像样本,并通过HSV(hue,saturation,value)颜色空间变换和Otsu阈值分割等方法对图像进行预处理。采用随机图像变换法对数据集进行增强,并对图像进行标准归一化处理。在卷积神经网络模型中应用深度可分离卷积和Dropout技术以减少参数量,从而避免过度拟合。使用训练样本集训练该模型,并在测试集中将结果与几种经典图像识别算法进行比较分析,结果显示,本文算法的识别准确率高达约0.97。由此表明本文算法的效果优于其他经典算法,有望将其应用于化妆品塑料瓶缺陷检测的工业自动化系统,以提升缺陷识别效果,从而提高生产效率。     

基于时延估计的非视域隐藏目标深度定位研究

非视域成像技术是对直接视线范围内看不到的物体（如拐角处的隐藏目标）进行探测并成像的技术,基于飞行时间的成像技术主要是探测深度图,首先需要完成对隐藏目标的深度定位,再对其进行图像重建。提出使用时间延迟估计算法对隐藏目标进行深度定位,并分别进行两组实验,针对不同隐藏目标个数和隐藏目标之间的距离,在不同噪声比下（0、5 dB、10 dB和20 dB）,对隐藏目标的深度定位进行研究。实验结果表明：当隐藏目标之间的距离不断变小时,深度定位误差也在不断增大,隐藏目标之间的最小距离约100 cm（激光脉冲为1 ns）;噪声对深度定位的影响较小,去噪后的误差减少为1～2 cm,表明提出的时延估计算法具有一定的抗噪能力。     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

蓝宝石衬底铜抛-CMP加工技术

针对蓝宝石衬底超精密加工存在的抛光表面不稳定问题,对蓝宝石衬底铜抛-化学机械抛光(CMP)加工技术进行研究,系统探讨铜抛与CMP的抛光压力、转速和抛光时间对蓝宝石衬底表面质量及加工效率的影响.综合评价各表面质量指标,结果表明:在满足表面质量对抛光工艺要求的前提下,采用铜抛的最佳工艺参数为铜抛压力98.0 kPa,转速55 r·min^-1,铜抛时间30 min;化学机械抛光的最佳工艺参数为抛光压力215.6 kPa,转速60 r·min^-1,抛光时间120 min,由此可获得高质量、无损伤的蓝宝石衬底抛光表面.     

基于矩保持法的散焦图像深度估计

提出了一种基于散焦图像计算景物深度的新方法。该方法不需要获得光学镜头的点传播函数,利用Ｓｏｂｅｌ算子将同一场景的两幅散焦程度不同的灰度图像转换成梯度图像。利用矩保护法计算边缘区的大小与整个图像区域大小的比ｐｃ,根据两幅图像的Ｐｃ值计算出景物的深度。实验结果表明了该方法的有效性。     

基于Boosting-Monodepth的管道病害深度估计与三维重建

城市地下管道是城市的血脉经络,但随着排水管道的大量投入运营和使用年限增加,引发了一系列的管道病害安全隐患,如管道整体结构变形、内表面破裂和管中异物插入等问题,传统的病害图像视频采集、检测和后期病害分类甄选都是从二维视角出发,欠缺对三维空间信息（深度）的考虑。针对上述3种病害从生成深度图、由二维深度图重建三维管道病害这两方面进行研究,提出了一种基于boosting-monodepth的双重深度估计方法以提升深度图效果,最终生成画面连续一致、轮廓清晰的深度图。性能评估方面采用Abs-Rel、RMSE、SqRel、ORD和D3R等通用指标,与传统算法对比,结果显示boosting-monodepth的RMSE值降低了30%,精确度指标δ<1.25时,模型深度信息预测精确度提高了18%,此后以得到的深度图为基础重建管道病害三维点云,并在CloudCompare软件上三维可视化,最后采用随机采样一致算法测算病害深度并和实测数据对比证明其有效性和准确性。     

基于半稠密COLMAP自监督单目内窥镜深度估计

在单目内窥镜场景下人体内组织表面纹理稀疏,视野受限给图像的深度估计带来了一定的困难。针对以上问题,提出了一种基于半稠密COLMAP(structure-from-motion and multi-view stereo generation pipeline)结合动态卷积注意力机制的自监督单目深度估计方法。通过改进的COLMAP进行图像序列预处理,产生加权半稠密深度图作为监督信号,该过程引入加权可靠度对半稠密深度图中的干扰点和不准确点进行丢弃或抑制操作,在训练网络中加入了具有动态卷积的注意力机制模型(Selective Kernel Networks, SKNet),这种注意力机制模型可以对输入的特征图进行动态卷积以获得更多感受野的信息,加强网络对特征的提取能力。在肝脏数据集上进行试验,结果表明,绝对相对差为0.135,阈值T<1.25³时,准确率为0.985,对监督数据、SKNet模型进行了消融实验,证明了半稠密重建、SKNet模型以及加权半稠密深度图的有效性。     

图像序列中运动目标深度估计

通过对生物视觉深度运动知觉机理的研究，推导出基于深度运动知觉提取三维运动目标深度信息的数学模型和计算公式．研究结果表明，根据三维运动目标在二维成像平面上的运动可以判断是否存在深度方向变化以及大致区分目标运动的方向．同时如果假定已知运动目标的大小，根据它们在像平面上ｘ或ｙ方向的相对运动变化可以对于目标的深度运动进行估计．经过采用实际图像序列所进行的实验，获得了令人满意的结果．     

基于多尺度特征混合注意力的连续帧深度估计

目的 估计获取拍摄物体到相机之间距离的深度信息是单目视觉 SLAM 中获取深度信息的方法,针对无监督单目深度估计算法出现精度不足以及误差较大的问题,提出基于多尺度特征融合的混合注意力机制的连续帧深度估计网络。 方法 通过深度估计和位姿估计的两种编码器解码器结构分别得到深度信息和 6 自由度的位姿信息,深度信息和位姿信息进行图像重建与原图损失计算输出深度信息,深度估计解码器编码器结构构成 U 型网络,位姿估计网络和深度估计网络使用同一个编码器,通过位姿估计解码器输出位姿信息;在编码器中使用混合注意力机制 CBAM 网络结合 ResNet 网络提取四个不同尺度的特征图,为了提升估计的深度信息轮廓细节在提取的每个不同尺度的特征中再进行分配可学习权重系数提取局部和全局特征再和原始特征进行融合。 结果 在 KITTI 数据集上进行训练同时进行误差以及精度评估,最后还进行了测试,与经典的 monodepth2 单目方法相比误差评估指标相对误差、均方根误差和对数均方根误差分别降低 0. 034、0. 129 和 0. 002,自制测试图片证明了网络的泛化性。 结论使用混合注意力机制结合的 ResNet 网络提取多尺度特征,同时在提取的特征上进行多尺度特征融合提升了深度估计效果,改善了轮廓细节。     

数码相机与传统相机的景深关系

在介绍照相机景深公式的基础上,讨论了在什么情况下数码相机与传统135相机成像效果相同,推出了二者景深相同的条件,并给出了在远摄和近摄时二者的景深变换关系。     

结构化砂轮磨削蓝宝石微沟槽底面质量的研究

针对蓝宝石这类超硬材料表面微结构难加工的问题,提出一种基于结构化砂轮的磨削表面微结构方法.采用电火花线切割（Wire Electrical Discharge Machining, WEDM）技术对砂轮表面进行结构化修整,利用修整后的结构化砂轮磨削蓝宝石表面微结构,研究顺磨和逆磨方式下,结构化砂轮磨削速度、磨削深度和进给速度对蓝宝石微沟槽底部表面粗糙度的影响规律.研究结果表明,结构化砂轮磨削蓝宝石表面微沟槽形貌基本完整,且相对120 μm的加工深度,尺寸误差仅为1.4 μm,微沟槽的垂直度较好,垂直度偏差仅为4.9°;顺、逆磨方式下,随着磨削速度增大,磨削深度和进给速度减小,都可以减小蓝宝石微沟槽底部表面粗糙度;相较于逆磨方式,顺磨方式下微沟槽底面微坑较小,底面质量更优;在较优加工参数砂轮磨削速度 35 m/s、磨削深度1 μm、工件进给速度200 mm/min下,表面粗糙度从4.487 μm降低至2.923 μm.     

锌基底上含金属锡的超疏水表面的制备

针对超疏水金属表面广阔的应用前景,采用氯化亚锡的丙酮溶液,十八硫醇的丙酮溶液为疏水剂在锌基底上构建了超疏水表面,通过X-射线衍射(XRD)和扫描电镜(SEM)进行了结构表征和疏水性能测试.结果表明,超疏水表面具有微纳米阶层结构,静态接触角为158°,滚动角小于5°.     

甲烷在硅底靶上吸附的计算机模拟研究

采用Tersoff和Brenner作用势,用分子动力学模拟方法,研究了甲烷入射到硅（001）-（2×1）表面的动力学过程。通过定点入射模拟计算出6个代表点的吸附阈值,分析了多种吸附结构。计算了随机入射的吸附概率。讨论了入射位置以及甲烷荷能大小对吸附结构的影响。