夏珉

个人信息

Personal information

副教授     博士生导师     硕士生导师

性别:男

在职信息:在职

所在单位:光学与电子信息学院

学历:研究生(博士)毕业

学位:博士学位

毕业院校:18luck新利电竞

学科:光学工程
曾获荣誉:
2019    湖北省科技进步二等奖“新型显示面板缺陷检测与修复关键技术研究与产业化应用”,排名第四
2019    18luck新利电竞 课堂教学优质奖
2017    18luck新利电竞 教学成果二等奖“宽口径多元化中法合作人才培养体系构建与实践”,第二完成人
2016    18luck新利电竞 教师教学竞赛一等奖
2013    18luck新利电竞 教学质量二等奖
2010    18luck新利电竞 教学质量二等奖

1、无序散射介质中的光传输特性研究

        主要研究光在大气、自然水体等含有大量随机分布散射颗粒的无序散射介质中传输时,受到颗粒散射和介质吸收的共同作用,对其传输路径、能量分布、偏振特性等创数特性的影响。我们在该领域开展的研究主要围绕着单个散射颗粒的散射特性以及无序散射介质的整体散射特性两个方面展开。

1.)散射颗粒的散射特性研究

        主要针对大气、海洋等无序散射介质中广泛存在的固体颗粒、浮游生物、气泡等各种不同尺度、不同光学特性的散射颗粒,通过Mie散射理论、T矩阵、光线追击等方法研究了其体散射函数分布,并通过设计散射光测量系统对在微流控芯片中捕捉的单个散射颗粒的散射特性进行了实际测量。

基于微流控技术的单颗粒体散射函数测量实验(粒径 20um)

2.)无序散射介质光传输特性仿真研究

        在掌握了不同尺度、不同类型散射颗粒的独立散射特性基础上,通过蒙特卡罗方法对大量在无序散射介质中进行随机游走的光子的传输路径、能量、偏振等信息系进行追踪,实现对光传输特性的仿真分析。通过该方法,成功的对水下激光雷达回波信号、水下距离选通成像结果进行了仿真分析,仿真结果与实验结果相吻合。

(a) Monte Carlo仿真结果                                     (b)水下激光雷达实测数据

水下激光雷达探测水中气泡回波曲线

3.)水下激光雷达及水下激光成像系统设计

        以无序散射介质光传输特性研究为基础,对水下激光雷达目标探测、水下距离选通成像、水下激光连续成像等应用系统的回波信号、系统性能和影响机制进行了系统的研究,并以研究结果指导了系统的设计和优化,为水下散射噪声抑制、图像复原等应用提供了理论支撑。

6.jpg

水下激光雷达系统                                                水下距离选通成像系统

2、基于光电探测技术的缺陷检测与高精度测量

        工业产品表面缺陷的准确在线检测和关键尺寸高精度在线测量是实现制造业从自动化向智能化方向发展的技术基础,该领域的研究内容就是综合利用机器视觉技术、激光雷达技术、投影测量技术、三角测距技术等各种光电探测技术手段,实现对各种不同工业产品的表面缺陷检测和二维、三维尺寸测量。

1.)光电探测系统方案设计与技术研究

机器视觉检测

        针对被测目标的表面颜色、材质反射、粗糙程度等特性,设计由高分辨率工业相机、低畸变光学系统、专用照明光源构成机器视觉检测系统,实现对目标表面微米级缺陷和特征尺寸的准确检测和高精度测量。

激光雷达应用

        研究激光雷达回波信号处理技术,以及基于激光雷达目标探测的三维点云数据分割、目标识别算法,提高激光雷达目标探测性能和物体识别能力。

三维表面快速测量

        利用激光三角测距、空间频率投影、光学相干测量等技术,对被测对象进行三维扫描,实现表面形貌分析和三维尺寸精密测量。

2.)具体应用

钢网检测显示面板缺陷检测

7.jpg8.jpg9.jpg

显示面板缺陷检测

11.jpg12.jpg13.jpg

5G滤波器产品质量检测

15.jpg14.jpg16.jpg

17.jpg19.jpg

3、人工智能方法在光电检测系统中的应用

        将机器学习、神经网络等人工智能研究领域的常用方法与光电检测系统设计和数据处理相结合,突破传统手段在探测系统性能优化、信噪比提升方案和目标检测算法设计上的局限性,提高光电检测系统的性能指标和可靠性。

1.)机器学习改进光电探测系统性能

        通过贝叶斯估计、高斯回归等统计学分析模型,配合机器学习训练方法,实现对水下激光雷达、距离选通成像系统的参数优化、降噪增强,极大地提升了系统探测能力。

2.)深度神经网络改善缺陷识别效果

        通过对抗生成神经网络和迁移学习方法改善缺陷样本不平衡特性,构建深度卷积神经网络实现缺陷可靠分析和准确分类,有效地改善了显示面板、工业产品表面缺陷的识别效果。