随着长江中下游稻麦轮作区水稻成熟期的推迟, 冬小麦播期的推迟已经成为影响产量的主要障碍, 因此在迟播小麦中筛选抗性较好的品种很有必要。 该研究旨在监测冬小麦生长早期冠层叶片的相对叶绿素含量, 用于迟播冬小麦品种筛选。 为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性, 基于多光谱无人机获取的5个单波段光谱反射率和15个植被指数作为自变量, 经过递归特征消除法(RFE)特征变量筛选, 去除冗余变量, 利用后向神经网络(BP)回归算法构建冬小麦相对叶绿素含量(SPAD)值遥感反演模型。 根据2020年—2021年江苏省扬州市广陵区实验点冬小麦越冬期、 拔节期两个生育期的实测叶片SPAD值, 结合同步获取的多光谱无人机影像, 分析了这两个生育期遥感变量和SPAD值之间的相关性。 并结合遥感变量之间的特征重要性排序进行特征变量筛选, 筛选出的变量作为模型的输入, 构建并筛选出各生育期最佳的反演模型。 比较岭回归(Ridge)和梯度提升树(GBD)算法, 以R2和RMSE作为模型评价指标, 在验证集上分析了各生育期3种模型的自学习能力和泛化能力。 结果表明, 经过了最优光谱信息筛选而建立的BP神经网络模型在此两个生育期的数据集上均表现出了最强的回归预测能力。 R2和RMSE在越冬期分别为0.806和1.861, 拔节期分别为0.827和0.507。 通过对无人机多光谱数据进行变量筛选, 构建的优选模型BP神经网络具有较高估算精度, 且表明在冬小麦的早期监测中, 拔节期比越冬期效果好。 利用无人机多光谱在估算迟播冬小麦SPAD值进行品种抗性筛选的方法是有价值的。

基于自主研制的20 μm/400 μm掺镱双包层光纤，搭建了主振荡功率放大器，开展了高功率光纤激光实验，实现了中心波长为1064 nm、最高功率为4 kW、斜率效率为81%、光束质量因子（M2）为1.39、拉曼抑制比大于30 dB的激光输出。据我们所知，该结果是已公开报道的基于国产20 μm/400 μm掺镱双包层光纤实现的最高品质激光输出。

对料堆表面和形态进行特征提取是实现仓储自动化、智能化的前提与基础，为货料的自动存、取控制提供判断依据。为了提取料堆的形态与覆盖面特征，首先，采用激光雷达对料堆进行扫描，获取三维点云后使用融合算法进行预处理；其次，基于表面法向量的差异和空间距离差异对点云进行超体素聚类；最后，利用曲面凹凸判断方法对聚类后的三维点云曲面提取出凸面，从而实现了料堆表面形态的判断。实验结果表明，该方法可较好地识别料堆表面特征，识别误差小于3.11%，且不需要针对场景进行训练，可直接应用于不同料堆场景。

针对近景工业摄影测量中镜头自动对焦导致相机内参数波动进而降低测量精度的问题, 提出一种分层式相机标定方法。分析了基于平面棋盘格的相机标定技术, 阐述了数码单反相机的自动对焦原理及其如何影响相机主距的变化, 重点分析了分层式相机标定方法的基本思想。分层式相机标定实验揭示了相机内参数及畸变系数随着标定距离变化的规律, 精度评价实验的结果表明, 依据摄影距离选择合适的相机内参数能够显著提高近景工业摄影测量的精度。

以Er2O3-Mg2Si-Yb2O3为三元复合烧结助剂, 制备了力学性能优异的高导热氮化硅陶瓷, 研究了Er2O3-Mg2Si-Yb2O3体系对氮化硅陶瓷致密化、微观结构、力学性能、热导率的影响。研究表明, 当添加5%(质量分数, 下同)Er2O3+2%Mg2Si+4%Yb2O3烧结助剂时, 烧结助剂对氮化硅陶瓷致密度与晶界相含量的平衡效果最佳, 此时氮化硅陶瓷具有最佳性能: 抗弯强度为765 MPa,断裂韧性为7.2 MPa·m1/2,热导率为67 W/(m·K)。在烧结过程中, 只添加5%Er2O3+2%Mg2Si的烧结助剂产生的液相量少且黏度高, 不能使氮化硅陶瓷完成致密化; 此外, 当添加的Yb2O3含量超过4%时, 烧结助剂产生大量的晶界相, 降低了氮化硅陶瓷的性能。

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一, 其旨在屏蔽固有噪声影响, 获取感兴趣区域内表征目标的潜在特征信息, 为目标识别提供有力的数据支撑。为了提升高分辨SAR图像目标识别精度, 围绕算法设计中的相干斑抑制和特征提取问题, 结合传统恒虚警率(CFAR)检测算法和深度卷积神经网络(DCNN)的最新研究, 设计了SAR图像自动目标识别框架。实验基于MSTAR标准数据集, 目标识别结果表明所构建模型的有效性。