高真空系统气体成分对GaAs光电阴极稳定性的影响

邬昊宇, 郭欣, 干林于, 陈鹏, 徐志锋, 刘晖, 焦岗成, 朱宇峰, 任雨田

邬昊宇, 郭欣, 干林于, 陈鹏, 徐志锋, 刘晖, 焦岗成, 朱宇峰, 任雨田. 高真空系统气体成分对GaAs光电阴极稳定性的影响[J]. 红外技术, 2022, 44(8): 824-827.
引用本文: 邬昊宇, 郭欣, 干林于, 陈鹏, 徐志锋, 刘晖, 焦岗成, 朱宇峰, 任雨田. 高真空系统气体成分对GaAs光电阴极稳定性的影响[J]. 红外技术, 2022, 44(8): 824-827.
WU Haoyu, GUO Xin, GAN Linyu, CHEN Peng, XU Zhifeng, LIU Hui, JIAO Gangcheng, ZHU Yufeng, REN Yutian. Influence of Chamber Gas Composition on the Stability of GaAs Photocathode[J]. Infrared Technology , 2022, 44(8): 824-827.
Citation: WU Haoyu, GUO Xin, GAN Linyu, CHEN Peng, XU Zhifeng, LIU Hui, JIAO Gangcheng, ZHU Yufeng, REN Yutian. Influence of Chamber Gas Composition on the Stability of GaAs Photocathode[J]. Infrared Technology , 2022, 44(8): 824-827.

高真空系统气体成分对GaAs光电阴极稳定性的影响

详细信息
    作者简介:

    邬昊宇(1996-),男,山西忻州人,硕士,主要从事三代微光像增强器总装集成方面的研究工作。E-mail: 17636471316@163.com

  • 中图分类号: TN233

Influence of Chamber Gas Composition on the Stability of GaAs Photocathode

  • 摘要: GaAs光电阴极以其量子效率高、光谱可调等优点广泛应用于微光夜视领域,尤其以高积分灵敏度的特性区别于多碱光电阴极,而GaAs光电阴极负电子亲合势的特性是通过Cs,O激活实现的,但是激活结束后,负电子亲合势的维持受诸多因素影响,如激活源、激活方式、气体氛围等。为了探究超高真空系统中影响GaAs光电阴极稳定性的因素,开展了GaAs光电阴极的激活实验和稳定性实验,对激活光电流曲线与腔室气体成分进行了监测,实验结果表明,在真空度优于1×10−6 Pa的高真空系统中,影响其稳定性的是腔室中的气体成分,其中对稳定性影响最大的是H2O,真空系统中H2O分压的增加会导致GaAs光电阴极的Cs,O激活层迅速破坏,光电发射能力急剧下降。
    Abstract: GaAs photocathodes are widely used in low-light night vision owing to their high quantum efficiency and adjustable spectra. In particular, they are distinguished from multi-alkali photocathodes based on their high integration sensitivity. The negative electron affinity of GaAs photocathodes is determined through Cs, and O activation is achieved. However, after activation, the maintenance of negative electron affinity is affected by many factors, such as the activation source, activation method, and gas atmosphere. To explore the factors that affect the stability of GaAs photocathodes in ultra-high vacuum systems, an activation and stability experiment was performed with a GaAs photocathode. The activation photocurrent curve and gas composition in a chamber were monitored. The experimental results show that in a high-vacuum system with vacuum degree less than 1×10−6 Pa, the stability of the GaAs photocathode was not directly affected by the degree of vacuum but by the gas composition in the chamber. Among these, H2O had the greatest impact on stability. The increase in the H2O partial pressure in the vacuum system rapidly destroyed the Cs and O activation layers of the GaAs photocathode and dramatically reduced the photoemission.
  • 图像融合将来自不同传感器的图像整合得到包含更多有效信息的融合图像,其中红外和可见光图像融合被广泛使用在监控、军事以及人脸识别等领域[1]。红外图像由于依靠物体热辐射进行成像,可以在低光照、烟雾等恶劣情况下捕捉到目标,但分辨率通常较低,且成像会受环境温度等因素的影响。可见光图像在理想的情况下可以得到分辨率较高、细节丰富的高质量图像,但通常受到光照、天气、能见度等影响。利用红外和可见光间互补特性的图像融合,可以充分保留红外图像中显著的目标信息和可见光图像中的纹理细节等背景信息[2]

    图像融合依据处理层次可以大致分为像素级、特征级以及决策级3类[3],目前主流图像融合算法研究集中在像素级。文献[4]中基于方法论将像素级图像融合算法分为基于多尺度分解、稀疏表示、深度学习、显著性以及混合类型5类。

    基于多尺度和稀疏表示的图像融合方法,通常包含分解、融合和重构3部分,不同之处在于多尺度方法一般是解析的固定函数变换,而稀疏表示的方法通过训练得到字典来表达图像中的丰富信息。随着深度学习的发展,Liu Yu等人[5]将卷积稀疏表示方法用于图像融合领域。Ma Jiayi等人将图像融合问题视为一种优化问题[6],通过博弈尽可能使得融合结果与红外图像相似,且保留可见光中的梯度信息,并系统总结[7]深度学习方法在图像融合中的应用。

    基于红外和可见光的差异,研究者提出了基于显著性分层的融合方法。D. P. Bavirisetti等人[8]使用均值和中值滤波结果的差值,度量视觉显著性生成融合系数。Li Hui等人[9]使用潜在低秩表示(latent low-rank representation,LatLRR)分解得到显著层和基层,更好地利用红外图像与可见光图像的互补特性。Zhang Xingchen等人[3]提出一个可见光和红外图像融合数据集,并系统比较了20种开源融合方法的客观指标平均值,其中LatLRR方法在3个指标上达到最优,但显著层采用简单的求和融合,损失了部分对比度和细节信息。

    本文针对红外和可见光融合图像目标区域对比度较小、细节保留不足的问题,提出一种基于LatLRR分解的红外可见光图像融合框架。源图像经过LatLRR和多尺度分解得到显著层、基层低频和基层高频,其中显著层包含能量相对集中的局部显著区域,基层低频主要包含能量较为分散的全局信息,基层高频主要包含轮廓、纹理等结构信息。根据分层特点设计对应的融合规则。针对显著层设计突出对比度信息的加权融合规则,以更好保留显著性信息;使用金字塔尺度分解得到基层低频部分,针对基层低频设计基于L1范数和稀疏系数的融合规则,保留源图像不同区域的互补信息;针对基层高频选取绝对值最大保留结构信息。

    LatLRR是Guangcan Liu等人[10]在低秩表示(low-rank representation,LRR)基础上提出的。低秩表示[11]是一种从观测矩阵中恢复原始矩阵的技术,其基本假设是原始数据满足低秩,将观测矩阵分解为一个低秩矩阵和噪声矩阵,该问题被描述为:

    $$ \min\limits _{D, E} \operatorname{rank}(X)+\lambda\|E\|_{l} \quad \text { s.t. } X=\boldsymbol{D}+E$$ (1)

    式中:λ为大于零的常数;$ {\Vert ·\Vert }_{l} $为特定的范数;D为原始矩阵;E为分离出来的噪声。

    LRR无法提取局部结构信息,而LatLRR通过求解公式(2)的优化问题,可以从原始数据中提取全局结构和局部结构信息。不仅可以将噪声分离出来,还将显著性信息提取出来,作为一个单独的子空间,其问题描述如下:

    $$ \min\limits _{Z, L, E}\|Z\|_{*}+\|L\|_{*}+\lambda\|E\|_{1} \text { s.t. } \boldsymbol{X}=\boldsymbol{X }Z+L \boldsymbol{X}+E $$ (2)

    式中:λ为大于零的常数;$ {\Vert ·\Vert }_{1} $为矩阵1范数;X为观察得到的矩阵;XZ为分离出来的基层;LX为提取出来的显著层,E为噪声。从图 1中可以看出,显著层包含局部显著区域,是红外和可见光图像融合中重点保留的信息,对融合结果中目标区域的对比度强弱有关键影响;基层由于显著性区域部分能量被分解到了显著层,图像整体亮度下降,主要包含目标整体以及背景细节。

    图  1  LatLRR分解结果示例
    Figure  1.  Example of LatLRR decomposition results

    稀疏表示基于所有信号都可以被一组原子线性组合近似的假设,原子组成的矩阵被称为字典,且仅利用少数原子可表示,即系数存在稀疏性。稀疏表示的优化式[12]为:

    $$ \mathop {\min }\limits_x {\left\| x \right\|_0}\quad s.t.\left\| {y - Dx} \right\|_2^2 \leqslant \varepsilon $$ (3)

    式中:y为待表示信号;D为字典;x为系数向量;$ {\Vert ·\Vert }_{0} $为向量0范数;$ {\Vert ·\Vert }_{2}^{2} $为向量范数的平方;ε为稀疏表示误差。

    稀疏表示仅适用于低维度向量,因此需要利用滑窗技术对图像进行分块,而融合中常用的“最大L1范数”易受高频噪声的影响,造成空间不一致性,因此稀疏表示方法更适用于处理低频分量[13]

    多尺度变换通过尺度分解得到不同分辨率、方向子带图像,并针对子带图像特点设计对应的融合规则。经典的方法包括[14]金字塔变换、小波变换、多分辨率几何变换等。

    其中比率金字塔通过相邻两层之间的比率实现尺度分解,能够突出对比度信息。分解和重建过程如公式(4)、(5)和(6):

    $$ \left\{\begin{array}{l} \mathrm{RP}_{l}=\frac{G_{l}}{\operatorname{Expand}\left(G_{l+1}\right)} & \text { 当 } 0 \leq l \leq N-1 \text { 时 } \\ \;\;\;\;\;\;\;\;\;\;\;\mathrm{RP}_{N}=G_{N} & \text { 当 } l=N \text { 时 } \end{array}\right.$$ (4)
    $$ \begin{array}{l}{\text{G}}_{l}^{\ast }(i,j)=\operatorname{Expand}({G}_{l})=\\ 4{\displaystyle \sum _{m=-2}^{2}{\displaystyle \sum _{n=-2}^{2}w(m,n)}}{\text{G}}_{l}^{\ast }(\frac{i+m}{2},\frac{j+n}{2})\\ (0 < l\le N,0 < i\le {C}_{l},0 < j\le {R}_{l})\end{array} $$ (5)

    式中:RPl为比例低通金字塔各层的图像;w(m, n)为有低通特性的窗口函数;GN为高斯金字塔第N层图像;Expand()为放大算子;ClRl为对应层长和宽。重建过程表示为:

    $$ \left\{\begin{array}{cc} G_{N}=\mathrm{RP}_{N} & \text { 当 } l=N \text { 时 } \\ G_{l}=\mathrm{RP}_{i}^{*} \operatorname{Expand}\left(G_{l+1}\right) & \text { 当 } 0 \leq l \leq N-1 \text { 时 } \end{array}\right. $$ (6)

    本文提出的图像融合框架如图 2所示,首先利用LatLRR分解得到相应的显著层和基层,并将基层进一步分解为高频和低频部分。以红外图像源为例,分解后得到的各层示意图如图 3所示,其中显著层提取到能量较为集中的局部显著区域,表现为亮度和对比度突出的目标区域;基层低频包含图像的主要内容,表现为较平滑的全局信息,而基层高频部分则包含图像轮廓、边缘等细节信息。

    图  2  提出的算法框架图
    Figure  2.  The proposed algorithm framework
    图  3  各层分解示例
    Figure  3.  Example of each layer

    源图像经过LatLRR分解之后得到的红外和可见光基层分别表示为IRbase和VIbase,如图 4所示。进一步利用比率金字塔分解将图像基层分解为高频部分IRbase-high和VIbase-high以及低频部分IRbase-low和VIbase-low,较好地保留和增强图像对比度。

    图  4  比率金字塔-稀疏表示融合算法示意
    Figure  4.  Schematic diagram of ratio pyramid-sparse representation algorithm

    红外和可见光进行融合时,源图像的同一位置区域可能有不同的亮度和对比度。传统方法针对低频部分通常采用加权平均方式,但平均的融合规则对于不同模态的融合容易造成能量的损失。

    稀疏表示的方法对低频部分具有良好的表达能力。本文利用稀疏表示对基层低频部分进行融合,并设计利用不同的融合规则加权融合保留不同的显著特征,具体步骤如下:

    1)对红外和可见光源进行滑窗操作分别得到标准化后的向量$\hat v_\mathrm{IR}^i$和$\hat v_\mathrm{VI}^i$。求解公式(7)的优化问题得到稀疏系数。

    $$ \begin{array}{l} \alpha_{\mathrm{IR}}^{i}=\arg \min\limits _{\alpha}\|\alpha\|_{0} \text { s.t. }\left\|\hat{v}_{\mathrm{IR}}^{i}-D \alpha\right\|_{2} <\varepsilon \\ \alpha_{\mathrm{VI}}^{i}=\arg \min\limits _{\alpha}\|\alpha\|_{0} \text { s.t. }\left\|\hat{v}_{\mathrm{VI}}^{i}-D \alpha\right\|_{2} <\varepsilon \end{array}$$ (7)

    式中:D是字典,αIRiαVIi分别是$\hat v_\mathrm{IR}^i$和$\hat v_\mathrm{VI}^i$对应的稀疏系数。

    2)稀疏系数的融合分别采用“最大L1范数”和“最大稀疏系数”融合规则。

    ①“最大L1范数”以稀疏向量的L1范数衡量特征的显著程度:

    $$ \alpha_{\mathrm{F} 1}^{i}=\left\{\begin{array}{cc} \alpha_{\mathrm{IR}}^{i} & \text { 当 }\left\|\alpha_{\mathrm{IR}}^{i}\right\|_{1}>\left\|\alpha_{\mathrm{VI}}^{i}\right\|_{1} \text { 时 } \\ \alpha_{\mathrm{VI}}^{i} & \text { 其他 } \end{array}\right. $$ (8)

    ②“最大稀疏系数”以稀疏系数的绝对值大小反映了该特征的显著程度:

    $$x_{\mathrm{F} 1}^{i}=\left\{\begin{array}{cc} x_{\mathrm{IR}}^{i} & \text { 当 }\left|x_{\mathrm{IR}}^{i}\right|>\left|x_{\mathrm{VI}}^{i}\right| \text { 时 } \\ x_{\mathrm{VI}}^{i} & \text { 其他 } \end{array}\right.$$ (9)

    式中:$ \alpha_{\mathrm{IR}}^{i}=\left(x_{\mathrm{IR}}^{i 1}, x_{\mathrm{IR}}^{i 2}, x_{\mathrm{IR}}^{i 3}, \cdots, x_{\mathrm{IR}}^{i j}\right)^{\mathrm{T}}$;αVIiαF1iαF2i同理;$ |·| $为取绝对值。

    ③ 对不同融合规则得到两个对应的稀疏系数向量αF1iαF2i进行加权平均,得到融合后的稀疏系数αFi,即:

    $$ \alpha_{\mathrm{F}}^{i}=\frac{1}{2} \alpha_{\mathrm{F} 1}^{i}+\frac{1}{2} \alpha_{\mathrm{F} 2}^{i} $$ (10)

    图 5示意了不同规则下基层图像的融合效果。从结果来看,两者在图像中的目标区域特征保留情况相近,但在背景细节纹理上具有互补性。其中“最大L1范数”取自同一个源图像的图像块,在该例中倾向于保留较亮的细节特征,但损失了一定的对比度。而“最大稀疏系数”将每个原子对应的特征作为一组,选择保留来自两个源图像中更显著的系数对应的原子特征,组合为新的图像块。经过加权融合之后的结果保证图像对比度的同时,保留了丰富的细节。

    图  5  不同融合规则融合结果
    Figure  5.  Base layer images of different methods

    利用字典D得到融合向量vFiFi并进行重建得到基层低频分量融合结果Fbase-low

    基层高频部分包含了图像中的边缘细节,对于比率金字塔分解之后得到的不同尺度高频子带,利用像素绝对值度量活跃程度,并使用绝对最大值的融合规则保留高频细节信息。

    将融合后的低频分量Fbase-low和高频分量Fbase-high根据公式(6)进行重建,得到融合后的基层图像Fbase。

    显著层包含了各个源图像中能量集中的显著区域,其融合规则会直接影响红外和可见光融合的效果。Li Hui等人[9]指出显著层信息需要没有损失地保留在融合结果中,并利用逐像素加和方式融合,总权重为2。

    本文设计基于滑窗的局部方差度量显著性,权重和为2以突出图像源中的局部显著性,具体公式如下:

    $$ F_{\text {saliency }}=2 \cdot \omega_{\mathrm{IR}} \cdot \mathrm{IR}_{\text {saliency }}+\left(2-2 \cdot \omega_{\mathrm{IR}}\right) \cdot \mathrm{VI}_{\text {saliency }} $$ (11)

    式中:$\omega_{\mathrm{IR}}=\frac{\operatorname{Var}_{\mathrm{IR}}^{i}}{\operatorname{Var}_{\mathrm{IR}}^{i}+\operatorname{Var}_{\mathrm{VI}}^{i}}$决定显著层加权融合的权重;varIRi和varVIi分别为滑窗内图像块的方差。方差度量图像局部区域中的对比度以及信息丰富程度。在红外和可见光显著性重叠区域,加权平均方式合理保留多个源的显著信息;而在显著性非重叠区域,基于滑窗方法最大限度保留源的局部显著性。

    实验数据主要源自TNO数据集[15],包含不同应用场景的10对红外可见光图像对,如图 6所示。第一、三行是红外图像,第二、四行是对应的可见光图像。

    图  6  使用的10对源图像
    Figure  6.  Ten pairs of source images

    本文选择了8种经典的图像融合算法,分别为ADF(anisotropic diffusion fusion)[16]、CSR(convolutional sparse representation)[5]、TE-MST(target-enhanced multiscale transform decomposition)[17]、FPDE(fourth order partial differential equations)[18]、GF(gradientlet filter)[19]、TIF(two-scale image fusion)[20]、LatLRR(latent low-rank representation)[9]以及MSVD(multi-resolution singular value decomposition)[21]对数据集中的图像进行图像融合,与提出的方法进行定性和定量比较分析。

    实验在AMD Ryzen 5 4600H 3.00 GHz,16 GB RAM的计算机上运行,其中金字塔分解层数为5。

    图 7为源图像“soldier behind smoke”的各个方法融合结果。红外源图像中包含主要目标以及丰富的背景信息,可见光图像中主要是烟雾。从对比结果中可以看出,ADF,FPDE,GF,MSVD得到的士兵部分边缘细节十分模糊;CSR得到的融合结果目标区域对比度不强;TE-MST完整保留了红外图像中的士兵,但是背景细节和目标区域对比度损失较多;TIF和LatLRR目标区域对比度较强,但背景信息损失较大;本文提出的方法较好地保留了背景细节以及士兵区域的完整信息,且对比度较强。

    图  7  9种方法在‘soldier behind smoke’上的结果
    Figure  7.  Results of the nine methods on 'soldier behind smoke'

    图 8图 9分别为图像“street”和“boat”的融合对比结果。图像“street”,本文方法的融合结果在行人处整体亮度较亮,对比度显著,而在商店周围,则保留了丰富的细节如灯牌上的文字等。对于图像“boat”,ADF、CSR、FPDE、TIF、LatLRR、MSVD和GF等融合结果对比度普遍较低,TE-MST和本文方法得到结果中船与背景对比度较强,同时没有因为显著部分过亮导致船上细节信息的损失,保留了丰富的背景纹理信息。

    图  8  9种方法在“street”上的结果
    Figure  8.  Results of the nine methods on 'street'
    图  9  9种方法在“boat”上的结果
    Figure  9.  Results of the nine methods on 'boat'

    本文采用EN(entropy)、AG(avgerage gradient)、CE(cross entropy)、SF(spatial frequency)、SD(standard deviation)和EI(edge intensity)6种客观评价指标定量评估各种方法的融合质量[22]。EN度量图像中的信息量;AG表示图像的平均梯度,用于描述图像中细节和纹理的丰富程度;CE为结果与源图像的交叉熵,衡量的是融合之后的图像与源图像的相似程度,CE越小图像间的差异越小;SF描述的是图像在空间上的活跃程度;SD反映图像的对比度;EI度量图像中细节信息多少的客观指标。

    表 1为图像“soldier behind smoke”、“street”和“boat”9种方法融合结果的客观指标评价结果,表中加粗数值表示该指标下的最优值。图像“soldier behind smoke”客观评价指标中TE-MST和本文方法分别有3个指标最优,与定性分析的结论基本一致。图像“street”所提算法的大部分指标均排名靠前。

    表  1  9种方法在‘soldier behind smoke’、‘street’和‘boat’上的客观指标
    Table  1.  Objective evaluation indexes of nine methods on'soldier behind smoke', 'street' and'boat'
    Source image Methods
    ADF CSR TE-MST FPDE GF LatLRR MSVD TIF OURS
    Soldier behind smoke EN 6.892 6.925 6.563 6.899 7.166 6.924 6.894 7.053 7.297
    AG 3.604 3.580 4.500 3.567 3.369 2.674 2.871 3.863 3.232
    CE 3.766 3.014 2.349 3.109 2.982 2.870 3.173 2.485 1.544
    SF 10.606 11.225 11.930 10.161 9.767 7.755 9.693 11.360 8.558
    SD 33.280 34.120 28.180 33.346 39.749 33.797 33.101 36.420 41.472
    EI 33.163 34.478 43.443 32.901 32.719 26.200 25.596 38.837 33.934
    Street EN 6.040 6.013 6.776 6.067 6.133 6.030 5.935 6.414 6.852
    AG 2.682 2.525 3.597 4.105 2.714 2.413 2.176 3.298 5.551
    CE 3.278 3.255 2.994 3.111 3.447 1.076 3.494 2.222 4.863
    SF 9.790 11.064 12.593 12.484 10.445 9.184 9.964 11.612 18.467
    SD 21.981 23.207 35.386 22.172 31.453 27.485 21.149 30.346 42.875
    EI 27.827 26.632 38.053 41.107 28.833 25.682 22.388 35.128 56.952
    Boat EN 5.005 4.965 6.436 4.984 5.362 5.076 4.892 5.226 6.373
    AG 1.728 1.456 2.169 1.681 1.530 1.406 1.215 1.969 2.348
    CE 3.999 3.955 1.396 3.367 4.186 1.571 3.573 3.540 1.780
    SF 6.041 5.764 7.233 5.176 5.429 4.756 3.897 6.303 8.537
    SD 11.082 11.250 33.517 10.800 15.426 12.892 10.456 13.169 27.118
    EI 17.479 15.085 22.265 17.052 15.792 14.562 12.183 20.446 23.994
    下载: 导出CSV 
    | 显示表格

    不同客观评价指标在不同源图像上的评价排名上有差异,为了对比TNO中10对图像源的融合效果,表 2统计了不同图像对的客观指标平均值。从统计结果来看,提出的融合算法能够保留丰富的图像细节,表现为EN、AG、SF和EI等反映图像特征丰富程度的客观指标排名靠前,在反映融合结果与源图像的相似程度的CE指标上排名次优,在反映图像对比度的SD指标上表现很好,综上分析达到了保留细节的同时增强图像对比度的效果。

    表  2  9种方法在10对源图像上的客观指标平均值
    Table  2.  Average values of objective evaluation indexes of nine methods on ten pairs of source images
    Average Methods
    ADF CSR TE-MST FPDE GF LatLRR MSVD TIF Ours
    EN 6.083 6.068 6.724 6.078 6.310 6.198 6.019 6.340 6.862
    AG 2.743 2.388 3.464 2.840 2.336 2.233 2.074 3.001 3.529
    CE 2.306 2.266 1.558 1.911 2.218 1.354 1.998 1.847 1.393
    SF 7.283 7.011 9.218 7.272 6.725 6.158 6.602 8.144 9.768
    SD 21.866 22.238 32.147 21.771 30.854 24.791 21.416 26.060 35.556
    EI 26.600 23.911 34.097 27.485 23.694 22.300 19.541 30.484 34.776
    下载: 导出CSV 
    | 显示表格

    表 3对比不同算法对不同分辨率源图像进行融合的运行时间,以及它们的均值。其中CSR、LatLRR方法和本文提出的方法由于需要对大量图像块进行稀疏或低秩分解,算法复杂度非常高,运行时间较长。从统计结果来看,以60 fps为标准,除了TE-MST、TIF方法外,大部分融合算法在未加速的情况下,均无法达到实时处理,如何在保证融合效果的同时,提升图像融合算法的计算效率,是影响融合算法未来应用的重要因素。

    表  3  9种方法在3种不同分辨率源图像上的运行时间以及平均值
    Table  3.  The running time and average value of nine methods on three different resolution source images (seconds per image pair) s
    Source image Resolution Methods
    ADF CSR TE-MST FPDE GF LatRR MSVD TIF Ours
    Boat street 505×510 0.421 52.381 0.006 0.952 0.101 97.959 0.295 0.031 99.247
    Soldier 632×496 0.486 68.214 0.012 1.119 0.232 126.849 0.374 0.028 127.150
    Behind smoke 768×576 0.699 79.660 0.015 1.682 0.146 215.724 0.490 0.088 217.110
    Average - 0.535 66.752 0.011 1.251 0.160 146.844 0.386 0.049 147.836
    下载: 导出CSV 
    | 显示表格

    红外和可见光图像融合应用中,红外图像通常包含对比度较强的目标信息,而可见光图像包含背景中较丰富的纹理和细节信息。基于多尺度、稀疏、深度学习等融合算法通常采用尺度变换、固定字典或深度特征来表示源图像中的有效信息。本文利用低秩和多尺度分解得到基层低频、基层高频、显著层,分别表达图像中的全局信息、结构和局部显著性。针对各层的特点设计不同的融合规则,其中对比度较低的基层分别采用稀疏表示和比率金字塔处理低频和高频部分;能量相对集中的显著层,设计方差最大融合规则增强局部显著性。在TNO数据集的定性和定量实验分析表明,本文算法保留了较多的图像细节并增强目标区域的对比度。由于基于低秩分解的方法算法复杂度较高,无法达到实时处理的要求,研发快速融合方法满足应用需求将是未来红外和可见光图像融合的重点。

  • 图  1   透射式GaAs光电阴极激活与气体成分监测装置

    Figure  1.   Transmission type GaAs photocathode activation and gas composition monitoring device

    图  2   透射式GaAs光电阴极Cs, O激活机理图

    Figure  2.   Transmission type GaAs photocathode Cs, O activation mechanism diagram

    图  3   GaAs光电阴极Cs, O激活光电流曲线

    Figure  3.   GaAs photocathode Cs, O activated photocurrent curve

    图  4   四极质谱仪监测曲线与光电阴极光电流变化曲线:(a) H2分压提升后四极质谱仪监测曲线;(b) H2、N2分压提升后四极质谱仪监测曲线;(c) H2、N2、H2O分压提升后四极质谱仪监测曲线;(d) H2分压提升后光电阴极光电流变化曲线;(e) H2、N2分压提升后光电阴极光电流变化曲线;(f) H2、N2、H2O分压提升后光电阴极光电流变化曲线

    Figure  4.   Quadrupole mass spectrometer monitoring curve and photocathode photocurrent change curves: (a) The monitoring curve of quadrupole mass spectrometer after H2 partial pressure is increased; (b) The monitoring curve of the quadrupole mass spectrometer after the partial pressure of H2 and N2 is increased; (c) The monitoring curve of the quadrupole mass spectrometer after the partial pressure of H2, N2, and H2O is increased; (d) Change curve of photocathode photocurrent after H2 partial pressure is increased; (e) Change curve of photocathode photocurrent after H2 and N2 partial pressure is increased; (f) The change curve of photocathode photocurrent after the partial pressure of H2, N2, and H2O is increased

    图  5   光电流曲线稳定性对比

    Figure  5.   Comparison of the stability of the photocurrent curves

  • [1]

    Belghachi A, Helmaoui A, Cheknane A. High efficiency all-GaAs solar cell[J]. Progress in Photovoltaics: Research and Applications, 2010, 18(2): 79-82. DOI: 10.1002/pip.928

    [2]

    Mitsuno K, Masuzawa T, Hatanaka Y, et al. Activation process of GaAs NEA photocathode and its spectral sensitivity[C]//3rd International Conference on Nanotechnologies and Biomedical Engineering, 2016: 163-166.

    [3]

    LIU L, DIAO Y, XIA S. Impact of gas adsorption on the stability and electronic properties of negative electron affinity GaAs nanowire photocathodes[J]. Journal of Colloid and Interface Science, 2020, 572: 297-305. DOI: 10.1016/j.jcis.2020.03.100

    [4]

    Wada T, Nitta T, Nomura T, et al. Influence of exposure to CO, CO2 and H2O on the stability of GaAs photocathodes[J]. Japanese Journal of Applied Physics, 1990, 29(10R): 2087.

    [5]

    ZOU J, CHANG B, YANG Z, et al. Evolution of surface potential barrier for negative-electron-affinity GaAs photocathodes[J]. Journal of Applied Physics, 2009, 105(1): 013714. DOI: 10.1063/1.3063686

    [6]

    DIAO Y, LIU L, XIA S. Theoretical analysis and modeling of photoemission ability and photoelectric conversion characteristics of GaAs nanowire cathodes based on photon-enhanced thermionic emission[J]. Solar Energy, 2019, 194: 510-518. DOI: 10.1016/j.solener.2019.11.025

    [7]

    Chanlek N, Herbert J D, Jones R M, et al. The degradation of quantum efficiency in negative electron affinity GaAs photocathodes under gas exposure[J]. Journal of Physics D: Applied Physics, 2014, 47(5): 055110. DOI: 10.1088/0022-3727/47/5/055110

  • 期刊类型引用(17)

    1. 陈秋菊,彭天昊,康万杰,何国锋. 特征融合的电力机械设备过热故障红外检测. 机械设计与制造. 2024(04): 337-341 . 百度学术
    2. 林颖,张峰达,李壮壮,郑文杰,戈宁. 基于大模型的红外图像电力设备交互式分割. 网络新媒体技术. 2024(02): 53-60+67 . 百度学术
    3. 尤渺. 基于模糊Petri网和马尔科夫链理论的水电厂设备故障应急响应模型. 电子设计工程. 2024(10): 59-63 . 百度学术
    4. 曹李伟. 基于红外热成像技术的变电设备热故障识别方法. 电工技术. 2024(09): 130-132 . 百度学术
    5. 江钊. 基于深度神经网络的市政电气故障识别方法研究. 电气技术与经济. 2024(07): 48-50 . 百度学术
    6. 张宇,袁小翠,许志浩,康兵. 复杂背景下断路器红外图形精确分割方法. 江西电力. 2024(03): 1-7 . 百度学术
    7. 戚浩明. 风力发电厂输变电设备电连接发热故障主动预警研究. 电气时代. 2024(09): 35-39 . 百度学术
    8. 李荪. 基于红外测温技术的变电设备温度异常检测研究. 电气技术与经济. 2024(10): 57-59 . 百度学术
    9. 黄颖,彭铖,夏骏. 梯度扩散下的电气设备调试危险点自适应识别方法. 微型电脑应用. 2024(11): 182-185 . 百度学术
    10. 张彦迪,陈江宁,老大中. 改进激光传感器的电气设备过热故障识别方法. 计算机仿真. 2023(11): 91-95 . 百度学术
    11. 汤婕. 物联网环境下电气设备实时状态信息监测技术. 廊坊师范学院学报(自然科学版). 2023(04): 66-70 . 百度学术
    12. 张婷婷,张冬霞,潘红娜. 基于无线网络的船舶电气设备过热监测系统. 舰船科学技术. 2023(24): 180-183 . 百度学术
    13. 林颖,张峰达,李壮壮,孙艺玮,于文牮. 基于交互式分割的电力设备红外图像自动标注方法. 山东电力技术. 2023(12): 20-25+44 . 百度学术
    14. 刘赫,赵天成,刘俊博,矫立新,许志浩,袁小翠. 基于深度残差UNet网络的电气设备红外图像分割方法. 红外技术. 2022(12): 1351-1357 . 本站查看
    15. 梁玉真,张仕海,汝承印,朱冶诚. 海上平台电气温度监控系统及预测模型研究. 电子测量技术. 2022(22): 162-169 . 百度学术
    16. 谢水斌. 智能化变电站电气设备的安装及调试. 光源与照明. 2022(10): 158-160 . 百度学术
    17. 李烈熊. 基于ZigBee技术的机电设备故障智能监测系统设计. 信息与电脑(理论版). 2022(20): 140-142 . 百度学术

    其他类型引用(0)

图(5)
计量
  • 文章访问数:  107
  • HTML全文浏览量:  54
  • PDF下载量:  41
  • 被引次数: 17
出版历程
  • 收稿日期:  2021-11-02
  • 修回日期:  2021-12-01
  • 刊出日期:  2022-08-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日