摘要：与传统的表面微加工相比,基于晶圆键合制备的电容式微机械超声换能器(CMUT)具有更高的良品率和可靠性。提出了一种基于晶圆键合的CMUT制备方法,设计并制备了可应用于环形阵列的CMUT阵列。利用有限元仿真分析软件COMSOL Multiphysics建立了CMUT微元模型并进行仿真分析,在此基础上制备CMUT。换能器性能测试结果表明,CMUT中心频率为5.2 MHz,封装后中心频率为3 MHz,-6 dB相对灵敏度分数带宽为150%。此外,通过声学测试对换能器的发射和接收性能进行评估,其发射声压响应为161.37 dB@3 MHz,接收灵敏度为-214.68 dB@3 MHz。最后,利用该CMUT进行目标体检测,验证了该CMUT水下工作的能力,为后续超声层析成像的CMUT高密度环形阵列研究奠定基础。

摘要：为提取空间特征更细节和语义信息更全面的道路信息,提高道路信息提取的推理速度,在端到端的卷积神经网络(convolutional neural network,CNN)基础上,提出一种结合空间注意力机制、全局信息感知和特征融合模块的道路提取模型.首先利用空间注意力机制和全局信息感知模块获取道路特征的上下文信息,提高浅层特征的空间信息表达能力;然后构建顾及通道和语义信息的特征融合模块,消除基于端到端的CNN中浅层和深层特征之间的语义差距,完成跨层特征的有效融合;最后使用多层次知识蒸馏学习策略,减少并降低所提模型的网络参数和计算复杂度,快速、准确地获取遥感影像中的道路信息.在公开的Deep Globe和马萨诸塞州2个卫星遥感影像道路数据集,以及京津新城无人机遥感影像道路数据集上进行训练、验证和评估的实验结果表明,所提模型是一种精度高、效果好的道路提取模型,无论是卫星遥感数据源还是无人机遥感数据源均具有较好的道路信息提取能力,其F1分别达到79.36%,78.42%和84.27%,均优于对比的道路提取模型;同时,多层次知识蒸馏学习策略能显著地提高模型的精度、提升泛化能力,其IOU值分别提高0.29,0.77和0.46个百分点,在模型精度和网络参数方面都取得了较优的效果,具有广阔的应用前景.