石榴石型固体电解质体系：离子输运性能调控及其全固态电池研究进展

全固态锂电池采用固体电解质取代液态电解质，使其具有更高安全性，且有望进 一步提高电池的能量密度。而在众多固体电解质中，具有石榴石型结构的立方相 Li7La3Zr2O12 (LLZO) 及其元素掺杂产物由于室温离子电导率较高、电化学窗口较宽、与锂金属稳定等优点， 最有可能应用于全固态锂电池中。本文对 LLZO 的物相及晶体结构、制备方法、锂离子电导率 的提升策略以及其所组装的全固态锂电池等方面进行了详细介绍，并预测了 LLZO 固体电解质 材料进一步提升锂离子电导率的潜在可能以及 LLZO 所装配的全固态锂电池的发展方向。     

基于Fast R-CNN的车辆目标检测

目的 在传统车辆目标检测问题中,需要针对不同图像场景选择适合的特征。为此提出一种基于快速区域卷积神经网络（Fast R-CNN）的场景图像车辆目标发现方法,避免传统车辆目标检测问题中需要设计手工特征的问题。方法 该方法基于深度学习卷积神经网络思想。首先使用待检测车辆图像定义视觉任务。利用选择性搜索算法获得样本图像的候选区域,将候选区域坐标与视觉任务示例图像一起输入网络学习。示例图像经过深度卷积神经网络中的卷积层,池化层计算,最终得到深度卷积特征。在输入时没有规定示例图像的规格,此时得到的卷积特征规格不定。然后,基于Fast R-CNN网络结构,通过感兴趣区域池化层规格化特征,最后将特征输入不同的全连接分支,并行回归计算特征分类,以及检测框坐标值。经过多次迭代训练,最后得到与指定视觉任务强相关的目标检测模型,具有训练好的权重参数。在新的场景图像中,可以通过该目标检测模型检测给定类型的车辆目标。结果 首先确定视觉任务包含公交车,小汽车两类,背景场景是城市道路。利用与视觉任务强相关的测试样本集对目标检测模型进行测试,实验表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的车辆目标检测模型对车辆目标检测具有良好的检测效果。结论 本文提出的车辆目标检测方法,利用卷积神经网络提取卷积特征代替传统手工特征提取过程,通过Fast R-CNN对由示例图像组成定义的视觉任务训练得到了效果良好的车辆目标检测模型。该模型可以对与视觉任务强相关新场景图像进行效果良好的车辆目标检测。本文结合深度学习卷积神经网络思想,利用卷积特征替代传统手工特征,避免了传统检测问题中特征选择问题。深层卷积特征具有更好的表达能力。基于Fast R-CNN网络,最终通过多次迭代训练得到车辆检测模型。该检测模型对本文规定的视觉任务有良好的检测效果。本文为解决车辆目标检测问题提供了更加泛化和简洁的解决思路。     

rGO-S-CPEs复合正极的制备及其全固态锂硫电池的电化学性能

聚合物基复合电解质(CPE)应用于全基固态锂硫电池在保证高能量密度的同时，改善了电解质与电极之间的界面接触，具有更为广阔的应用前景。但硫正极固有的绝缘性会导致较低的电子/离子传输速率，通常选用高导电性的碳材料和高离子电导率的电解质材料来改善复合硫正极的电子/离子传输速率。制备了高离子电导率的聚合物基聚氧化乙烯(PEO)-双三氟甲磺酰亚胺锂(LiTFSI)-锆酸镧锂(LLZO)复合电解质，在20和60℃下离子电导率分别为1.16×10^-4和7.26×10^-4S/cm，同时将其与硫-还原氧化石墨烯制备rGO-S-CPEs复合硫正极，在改善了正极中离子传输速率的同时，取代了粘结剂的作用。探究了正极材料中不同含量的复合电解质对电池性能的影响。测试结果表明，当硫正极中复合电解质含量为40%(质量分数)时，全固态锂硫电池的电化学性能最佳，在0.2 C、45℃下，首次充放电比容量为923 mAh/g,50次循环后比容量为653 mAh/g。