本发明涉及一种基于仿生复眼微透镜技术的3-2-3维目标检测方法及系统,采用基于仿生复眼结构微透镜系统的低分辨率数据获取模式对目标区域进行捕捉成像,根据两个微透镜器件拍摄的微透镜阵列影像采用线性加权平均法构建低分辨率影像采用前方交会测量方法重构目标的三维轮廓若低分辨率影像中有效捕获目标后,则以微透镜阵列影像为基础数据,采用正则化的方法重构目标区域的高分辨率影像获取目标区域的高分辨率二维影像后,采用基于纹理梯度的GAC模型对目标进行精确识别。

通过溶剂热方法，成功制备出一种层间距宽化并富有缺陷的1T-VS 2 纳米片，展现出优异的电催化析氢性能。由于有机溶剂分子以及在反应过程中产生的铵离子等的插层作用，该溶剂热法制备出的VS 2 纳米片层间距宽化至1.0 nm，比块体VS 2 材料的层间距（0.575 nm）增加了74%。层间距的宽化引起晶格的畸变而引入众多的缺陷，丰富的缺陷赋予VS 2 纳米片更多的活性位点，层间距的宽化还进一步改变了VS 2 材料的电子结构，从而使得该VS 2 纳米片具有更加优化的氢吸附自由能（∆ G H ）。HER测试结果表明，该VS 2 纳米片呈现出优异的电催化性能，具有较小的塔菲尔斜率（36 mV dec −1 ）、具有较低的过电位（-43 mV@10 mA cm −2 ）和良好的稳定性（60 h）。此外，通过第一性原理计算的结果表明，层间距宽化的VS 2 具有更优化的∆ G H （-0.044 eV），媲美贵金属Pt(如图3 ). 。并且，层间距的宽化可以降低缺陷形成能，使材料更易形成缺陷。这里，理论计算结果和实验相一致，较好地证明了通过层间距和缺陷的精细调控，可以有效提升二维材料的电催化析氢反应活性, 揭示了层间距和缺陷结构调控对提升电催化析氢的基本原理。此项研究工作为层状二维材料的晶体和缺陷结构精准调控研究提供了新思路，为开发高性能电催化析氢材料研究打开了一扇新窗户。

本发明公开了一种基于自适应边缘检测和映射模型的一维码识 别算法。该算法利用一维码四个角点对一维码图片进行投影变换，校 正一维码图像中可能存在的投影或者仿射变形，然后利用校正后的图 像生成两种扫描线，一种是基于图像分块的，一种是基于梯度变化的， 对于获得的扫描线采用一种自适应边缘检测算法来找到一维码条和空 的边缘位置，接着采用一种边缘映射模型将获得的边缘位置映射到正 确的编码位置，根据编码位置来获得条和空的宽度，从而依据条空的 宽度比和编码规则求解一维码信息。按照本发明实现的一维码识别算 法，能实现对

本项目提出并发展了通用的硅基二维半导体材料范德华外延技术, 实现了多种层状和非层状半导体材料的二维薄膜可控生长，解决了传统外延方法中存在的晶格失配、热失配等多物理失配技术难题，开辟了非层状材料在二维电子器件领域的研究新方向。 一、项目分类 重大科学前沿创新 二、成果简介 基于新材料、新架构的硅基高密度集成信息功能器件的自主发展是国家重大战略需求。本项目围绕新型低维半导体材料的大规模可控制备、物性调控及其电子、光电器件展开系统研究，主要技术创新点有： 一、二维半导体材料及其异质结构的大规模可控制备。本项目提出并发展了通用的硅基二维半导体材料范德华外延技术, 实现了多种层状和非层状半导体材料的二维薄膜可控生长，解决了传统外延方法中存在的晶格失配、热失配等多物理失配技术难题，开辟了非层状材料在二维电子器件领域的研究新方向。在晶圆级二维半导体材料的基础上构建出大规模的二维异质结构，得到了具有高可靠性和稳定性的集成器件。相关成果发表在Science Advances、Advanced Materials等国际知名刊物上，共计40余篇，授权专利16项；与中国电子科技集团公司第十三研究所等合作，成功实现了非层状GaN在大失配硅基衬底上的高质量外延，为第三代半导体的硅基集成提供了新的技术路线。 二、基于低维半导体材料的高灵敏光电器件。本项目通过发展高质量硫族半导体的外延生长新工艺，系统研究了MoTe2、PbS、CdTe等30余种二维半导体材料的光电性质，极大地拓展了传统的半导体光电材料体系；首次提出一种桥接的异质结构筑方式，大大降低了范德华间隙引入的光生载流子注入势垒，获得了高性能二维异质结光电器件；发展了纳米线场效应晶体管器件表面修饰方法，调节晶体管特性为强增强型，利用这种设计，实现了“锁钥”式高选择性、高灵敏度气体检测器件。本项目实现了从深紫外区到中远红外区的宽波段高灵敏度检测，相关成果发表在Science Advances、ACS Nano等国际知名刊物上，共计30余篇，授权专利6项。 三、后摩尔时代新型低维电子信息器件。本项目基于低维半导体材料及其异质结构的物性调控，首次提出了二维半导体材料中的“增强陷阱效应”物理模型，实现了高性能的亚带隙红外探测器和非易失性光电存储器；利用双极性沟道中横向载流子分布的特定电场依赖性，在二维黑磷晶体管中实现了室温负微分电阻特性；通过构筑亚5 nm沟道二维铁电负电容晶体管，使得亚阈值摆幅突破玻尔兹曼物理极限，有效降低了器件能耗；创新性的提出多层二维范德华非对称异质结构，实现了器件高性能与多功能的集成，器件性能为当时最高指标；发展了新型存算一体架构电子器件技术，首次演示了兼具信息存储和处理能力的二维单极性忆阻器，有望突破当前算力瓶颈，提供集成电路发展的新途径。相关成果发表在Nature Electronics、Nature Communications等国际知名刊物上，共计60余篇，授权专利7项。

本发明提供了一种一维纳米复合金属氧化物气敏材料及其制备方法。本发明将氯化锌溶液、氯化锡溶液混合后与氢氧化钠溶液进行水热反应，通过加入无水乙醇、表面活性剂和控制反应条件而制备一维纳米氧化锌氧化锡复合材料。该制备方法与现有的一维纳米金属氧化物材料的制备方法相比，具有成本低，操作简单，低能耗等优点。制备的纳米复合材料对甲烷、一氧化碳、二氧化氮等气体具有气体敏感度，是一种良好的气敏材料。

本发明公开了一种平面度误差测量装置其包括激光器、柔性铰 链、静光栅、动光栅、测量头、压缩弹簧、底板以及光电探测器，测 量头固定在柔性铰链的第一端部处并伸出，动光栅设置在柔性铰链的 第一端部内，压缩弹簧一端与底板连接且另一端与柔性铰链的第一端部连接，压缩弹簧位于测量头的下方，柔性铰链的第二端部与底板固 定，静光栅固定在底板上，其与动光栅平行相对且相邻设置，激光器 也设置在底板上，光电探测器设置在静光栅出光端。本发明还提供一 种二维扫描工作台。

本发明属于半导体存储器技术领域，具体为一种基于二维半导体材料的电荷超注入存储器及其制备方法。本发明通过存储叠层能带设计，在实现闪存的非易失性存储特性；通过横向电场设计以及器件的仿真模拟设计，利用二维半导体材料的原子级薄层特性，显著增强最大横向电场从而提升电荷的注入效率，实现存储器中电荷的超注入机制，进而实现闪存的亚纳秒编程。本发明存储器在维持十年数据保持能力的同时，大幅提升了电荷注入效率，将编程速度提升至亚纳秒，为解决电荷存储领域超快编程和长保持时间无法共存的重大挑战提供新的解决方案。

本发明公开了一种吩噻嗪基二维共价有机框架材料及其制备方法和应用。所述二维共价有机框架材料具有如下式(I)或式(II)所示的结构：本发明的二维共价有机框架材料具有高的结晶性和比表面积，孔径分布均一并且热稳定性良好，同时还有着良好的光敏基团、适合的光学带隙，在光催化氧化偶联方向有着良好的应用。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。