1 三峡大学 电气与新能源学院，湖北 宜昌 443002
2 国网浙江省电力有限公司开化县供电公司，浙江 衢州 324000
提出了一种名为VA-Unet的语义分割模型，旨在解决传统分割方法在电气设备紫外检测任务中面临的复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。VA-Unet引入了VGG16特征提取模块和迁移学习，提高训练速度并增强模型泛化能力；同时，增加了注意力门（Attention Gate）以提高模型精度，从而实现对紫外图像放电光斑的精准分割。此外，VA-Unet采用混合损失函数代替单一损失函数，解决了紫外放电光斑数据集样本不平衡的问题。实验表明，VA-Unet模型在紫外图像放电光斑的精准定位和准确分割方面表现突出，其IoU，PA，F1-score评价指标分别达到84.09%，88.20%，91.35%，相较于初始U-net网络，分别提升了14.41%，3.24%，9.22%。
紫外检测 语义分割 迁移学习 注意力机制 ultraviolet detection semantic segmentation U-net U-net migration learning attention mechanism
安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001
利用遥感影像精准分割温室大棚，对推动大范围精准农业具有重要意义。然而，现有分割方法常因冗余特征导致过拟合，且对光谱特征的季节性变化缺乏鲁棒性。为此，提出RLUNet模型，将ReliefF算法与U-Net结构结合，用于特征选择优化。该模型通过捕获多尺度的季节性变化特征，并融合浅层光谱与深层语义信息，实现了对温室大棚的精准识别。实验结果表明，RLUNet模型在分割精度、边缘轮廓清晰度和间隙像元识别方面优于基线模型，总体精度提升0.06百分点~1.11百分点，交并比提升5.63百分点~13.41百分点，F1分数提升3.05百分点~10.23百分点，有效解决了特征冗余问题。同时，基于不同影像的交叉验证，证实了RLUNet模型对光谱特征季节变化的鲁棒性。该方法为温室大棚分割提供了可靠的解决方案，在精准农业中具有巨大的应用潜力。
遥感影像 温室大棚 语义分割 特征优化 U-Net 激光与光电子学进展
2025, 62(12): 1228005
1 合肥知常光电科技有限公司，合肥 230031
2 安徽省超光滑表面无损检测重点实验室，合肥 230031
BGO晶体通常需要通过切割、磨削等粗加工步骤制作磨砂面以提升元件性能，其粗加工过程中划痕缺陷的提取和预检对后续晶体元件的质量评估极为重要。然而，传统工业机器视觉算法难以精细分割晶体粗加工磨砂面上的弱划痕，极大地影响了后续晶体品质的检测效率。针对磨砂面弱划痕难以精确分割的难题，本文采用了一种改进的U-Net深度学习算法，该算法在U-Net基础结构中嵌入了轻量级CBAM注意力机制，提升网络对浅划痕特征提取和细节恢复能力；同时采用Copy-paste数据增广方法，提升算法模型的泛化性；另外为了缓解样本中前景背景不平衡带来的消极影响，采用Dice Loss、Focal Loss复合损失函数。实验表明，本文算法对于晶体粗加工磨砂面的弱划痕能有效进行精确分割，并且其平均交并比Miou为85.2%，准确率为95.4%，相较于传统工业机器视觉算法有明显提升。此外该算法一定程度上解决了弱划痕的误分割与欠分割现象，能对粗加工过程中的晶体进行划痕缺陷预先检测，减少后续不必要的工艺和质量评估步骤，同时整体提高工业晶体产品的生产效率。
弱划痕提取 BGO晶体 目标分割 晶体磨砂面 weak scratch extraction BGO crystal target segmentation U-Net U-Net crystal grinding surface
西安工业大学陕西省薄膜技术与光学检测重点实验室，陕西 西安 710021
为了满足对高精度光学元件表面瑕疵检测算法简洁性和高准确性的要求，以划痕、麻点为研究目标，提出一种基于改进U2-Net的光学元件表面缺陷检测方法。首先，网络的数据集由光学元件表面的缺陷信息构建，采用改进U2-Net网络对应用的元件表面缺陷数据集实时训练与测试，最终将新方法与先前的U2-Net网络进行了比对分析。实验结果显示，新的网络模型在准确率、相似度系数、交并比、召回率等关键性能指标上分别达到了95.7%、91.3%、91.2%、91.3%，该技术能够抵御噪声点的干扰，用于检测并展示图像中的划痕与麻点缺陷，同时提升缺陷分割的精确度和检测的准确性，实现对光学元件表面缺陷的有效识别与分割。
光学表面 瑕疵检测 暗场成像 U2-Net网络 缺陷识别 optical surface flaw detection dark-field imaging U2-Net network defect recognition
1 苏州大学应用技术学院，江苏 苏州 215325
2 黑龙江八一农垦大学，黑龙江 大庆 163000
在低照度环境下，激光雷达图像常因光照不足、背景噪声干扰以及信号衰减等因素导致图像质量显著下降，缺失区域呈现复杂多变的形态，包括不同的形状、大小和位置，这些特点具有时变性，使得补全图像缺失区域准确性较低。为此，提出基于U-Net与GAN的低照度激光雷达图像缺失区域补全算法。通过U-Net网络的编码器和解码器，在下采样和上采样之间的跨层连接中加入双注意力机制，引入动态学习率衰减策略优化图像缺失区域分割模型，分割出缺失区域。根据GAN补全图像缺失区域，利用预补全模型展开初步补全，还原图像低维结构信息；通过增强补全模型还原图像缺失区域的高维纹理信息。实验分析表明，所提算法补全图像的峰值信噪比（PSNR）高达34.511 dB，信息保真度（VIF）为0.974，可以获取比较满意的低照度激光雷达图像缺失区域补全效果。
低照度 激光雷达图像 缺失区域 U-Net U-Net GAN GAN low illumination lidar images missing areas
1 中北大学数学学院，山西 太原 030051
2 中北大学信息与通信工程学院，山西 太原 030051
针对目前低剂量X射线计算机体层扫描（LDCT）去噪方法因显著降低电离辐射剂量而导致的图像质量下降的问题，提出一种改进U-Net的扩散模型，在U-Net网络的基础上，引入误差调制模块，以解决采样过程中的误差累积问题。同时，提出复合损失函数，该函数结合了损失、对抗损失和自监督多尺度感知损失，其设计旨在同时抑制图像噪声和保留细节，进而克服过度平滑现象。实验结果表明：与其他算法相比，所提出的算法峰值信噪比提高1.36 dB，结构相似度提高0.02，在有效抑制噪声的同时，还能够更好地保留图像细节。
低剂量计算机体层扫描 图像去噪 扩散模型 U-Net 激光与光电子学进展
2025, 62(8): 0817001
1 绵阳师范学院 信息工程学院，四川 绵阳 621000
2 物联网安全四川省高校重点实验室，四川 绵阳 621000
3 西南科技大学 信息工程学院，四川 绵阳 621000
4 桂林航天工业学院 机电工程学院，广西 桂林 514004
在众多激光诱导击穿光谱（Laser-induced Breakdown Spectroscopy，LIBS）分析方法中，主成分分析（Principal Component Analysis，PCA）和偏最小二乘回归（Partial Least Squares Regression，PLSR）是对原始光谱进行线性特征变换来降低光谱冗余信息，但是上述两种方法无法确定哪些谱线属于冗余谱线，导致模型的物理解释性也较差。为深入了解原始谱线在降维-定量模型中的物理意义，采用Lasso、Ridge和Elastic Net等3种广义线性模型（Generalized Linear Models，GLM）对天然铜矿/精矿中的铜含量进行检测。首先对9种铜矿/精矿样本的光谱特性进行了简要分析，然后选定了11条原子谱线和18条离子谱线用于预测建模，最后详细分析了Elastic Net模型中参数α对模型性能和有效分析谱线数量的影响。定量结果表明，Lasso、Ridge和Elastic Net的测试集均方误差（Mean Square Error，MSE）分别为1.706、1.180和1.231，相对于PLSR而言，上述3种方法的MSE分别降低了7.4%、33.2%和36.0%。在分析谱线数量方面，Ridge和Elastic Net模型中29条分析谱线均为有效分析谱线，而Lasso中仅有21条有效分析谱线。显著性分析结果表明，Ridge和Elastic Net的整体性能优于传统的PLSR，而Lasso的模型性能与PLSR相当。
激光诱导击穿光谱 定量分析 广义线性模型 弹性网络 套索回归 岭回归 laser-induced breakdown spectroscopy quantitative analysis generalized linear model Elastic Net Lasso regression Ridge regression 红外与激光工程
2025, 54(2): 20240455
1 武汉科技大学机械传动与制造工程湖北省重点实验室，湖北 武汉 430081
2 武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉 430081
激光器在出厂前需要安装镜头保证聚焦效果，但是激光束对聚焦特别敏感，很容易产生失焦现象，同时，聚焦过程中的机器抖动会进一步加剧聚焦的困难。为解决这一难题，构建一种融合多重并行注意力（PMA）的卷积神经网络、长短时记忆网络（LSTM）和时间注意力机制（TA）的图像序列预测模型PCLT-Net（PMA-ConvNeXt-LSTM-TA），用于实时预测激光束的聚焦或失焦状态。首先利用卷积神经网络提取每一帧的空间特征，然后通过LSTM学习时序依赖关系，并使用时间注意力机制突出关键帧，最后通过分类器预测激光束的聚焦状态。实验结果表明：该方法在实时激光聚焦状态预测任务上取得了90%的准确率，显著提高激光器产品的质量和生产效率。
激光聚焦状态预测 长短时记忆网络 PCLT-Net模型 时间注意力机制 激光与光电子学进展
2025, 62(6): 0615015
安徽光智科技有限公司，安徽省先进光电子材料及系统产业创新研究院，滁州 239000
高纯锗探测器具有分辨率高、探测效率高、稳定性好等优点，应用越来越广泛，但是其关键原材料超高纯锗单晶需要满足极高的纯度和晶体结构要求，制备难度很大。国内超高纯锗单晶制备技术仍不成熟，制备的晶体质量仍不够高。利用直拉法和自制设备，在氢气气氛下生长了大尺寸的超高纯锗单晶，通过低温霍尔测试、位错测试和深能级杂质测试，对晶体性能进行了分析表征，结果表明其净载流子浓度小于1×1010 cm-3，深能级杂质浓度小于4.5×109 cm-3，位错密度小于5 000 cm-2，位错线数量小于3条，符合探测器级超高纯锗单晶的要求，最终得到直径85 mm和长度60 mm的合格晶体。
锗探测器 超高纯锗单晶 霍尔测试 净载流子浓度 位错密度 深能级杂质浓度 germanium detector ultra high purity germanium single crystal Hall measurement net carrier concentration dislocation density deep level impurity concentration
山东中医药大学医学信息工程学院，山东 济南 250355
医学图像分割能够准确快速地提取图像中感兴趣结构，在医学影像诊断、疾病分析、手术规划等领域具有重要应用价值。传统的医学图像分割方法通常依赖于边缘检测、模板匹配技术、统计形状模型、活动轮廓和传统机器学习技术。然而，由于图像存在模糊、噪声、对比度低等问题，传统方法的准确性和鲁棒性受到限制。深度学习方法通过学习数据的不同抽象层次来逐渐提取特征，相较于传统方法具有高精度、自适应性强和可扩展性强等优势。为更好地进行医学图像分割辅助诊断研究，本文综述了卷积神经网络、Transformer以及U-Net和Transformer混合结构在医学图像分割中的应用情况，并对它们进行了综合对比分析。通过可视化结果和图像评估指标，证实了这些模型在医学图像分割中的可行性。最后总结目前研究中存在的问题，并对未来的研究方向进行展望。
深度学习 医学图像分割 U-Net Transformer 混合模型 激光与光电子学进展
2025, 62(2): 0200001
