针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题, 提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中, 设计一种改进的Inception模块, 提取坦克目标图像的多尺度特征, 并进行特征融合, 更好地恢复了坦克目标的精细分段信息; 为了提高目标区域的特征感知能力和抑制背景干扰, 设计了一种局部通道注意机制(LCA-M), 得到更加精准的检测结果; 最后, 利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势, 能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验, 结果表明, 所提方法具有较好的检测效果, 平均检测精度为90.12%, 可实现复杂场景下坦克检测, 对低分辨率坦克图像具有很好的鲁棒性。

土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。 合理的施肥方案对提升红枣品质、 减少农户投入和增加枣园产出有重要意义。 利用传统方法获取枣园SOM含量耗费时间和资源, 不符合枣园精准施肥管理的需求, 土壤有机质高光谱检测是一种有效的替代方法。 为筛选南疆枣园SOM的高光谱快速检测模型, 采用网格布点法采集158个枣园土壤样品, 测定风干土样的室内高光谱数据和SOM含量。 分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、 连续投影算法(SPA)、 粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、 反向传播神经网络(BPNN)、 卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型, 通过对比模型的精度评价指标和训练时间, 筛选枣园SOM含量最优光谱反演模型。 结果表明: (1) CARS、 SPA、 PSO三种降维算法都能将光谱数据压缩至原来的10%以下, 筛选波长数分别由原来的2 001个变量降为98、 156、 102个, 降维组合模型的验证集RPD均大于1.50, 均能实现对枣园SOM含量的反演, 与R组合模型相比, 降维组合模型至少能节省30%的时间成本, 特别是与BPNN和CNN等构建的组合模型, 能节省90%的训练时间, 且模型稳定性更强, 模型效果更优。 (2) CARS数据集构建组合模型的验证集R2均大于0.85, RPD均大于2.50, RPIQ均大于1.60, 在三种降维算法中效果最好; PSO数据集的组合模型验证效果略低于CARS数据集, 但优于R数据集, R2均大于0.80、 RPD均大于2.00; SPA数据集构建组合模型的验证效果要低于R数据集, 在三种降维算法中效果最差。 (3) BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型, 而在模型训练时间和模型验证效果等方面, BPNN模型优于CNN模型, 其结合CARS数据集的验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 训练时间为58.00 s, 模型符合快速检测枣园SOM含量的要求。 CARS-BPNN模型为反演南疆枣园SOM的最优模型, 研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。

近年来, 深度学习虽然在合成孔径雷达(SAR)目标识别领域已得到广泛应用, 但目前带有标注的SAR数据样本量的不足严重制约了深度学习在SAR目标识别中的发展。而迁移学习可以攻破深度学习数据驱动的限制, 利用有限SAR样本进行迁移学习。对基于迁移学习的有限SAR样本目标识别算法进行了分析, 首先, 介绍了迁移学习的基本概念、类型、常用策略并分析了其在小样本SAR目标识别领域应用的可行性; 然后, 根据迁移数据与目标域数据是否同源, 分别对两类基于迁移学习的方法在SAR图像识别领域具有代表性的算法进行了梳理归纳; 最后, 从样本量的不足与网络的普适性两个方向出发, 讨论了迁移学习在SAR图像识别任务中存在的不足与下一步的研究方向。

针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。

纤维成分的定性及定量分析在纺织品检测中一直是研究热点, 但常规检测手段存在周期长、 工序复杂且对环境不友好等问题, 因此提出一种对纺织品纤维含量快速、 无损且准确的检测方法就显得尤为重要。 研究提出一种纺织品纤维含量的定量校正模型, 可以准确预测纺织品中棉/涤纶/羊毛的纤维含量, 解决传统校正模型无法兼顾准确与多种纤维预测的难点。 针对645个羊毛/涤纶、 棉/涤纶以及羊毛/涤纶/棉混纺样品为研究对象, 采用红外光谱分析仪采集样品的近红外反射光谱, 在光谱数据预处理的基础之上, 提出一种一维卷积神经网络(1D-CNN)模型, 实现对多种纤维含量的同时预测, 为了凸显模型的优势, 在相同的训练集和测试集样本之上对比3种不同机器学习算法的预测结果。 结果表明： 选用线性函数归一化、 多项式平滑滤波(SG平滑, 滑动窗口为9, 拟合阶数为7)的预处理方法, 结合所提出的1D-CNN模型效果最优, 其模型决定系数R-Squared可达到0.998, 各含量预测的平均绝对误差(MAE)为0.62, 预测均方根误差(RMSE)为1.31。 同时采用未参与建模的138个纺织品样品验证模型泛化能力, 模型在测试集上的表现为, 决定系数R-Squared为0.996, 各含量预测的平均绝对误差(MAE)为0.80, 预测均方根误差(RMSE)为2.01。 采用所提出的模型, 可以准确预测羊毛、 棉和涤纶混纺织品中纤维含量, 为快速无损检测纺织品提供了一种可行的方法, 同时为其他混纺纤维含量的定量分析提供了新的思路。

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster R-CNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。

综合采集混凝土振捣施工过程多源异构信息, 进而及时、客观地分析振捣质量, 对于保障高拱坝坝体混凝土施工质量至关重要。针对高拱坝混凝土振捣施工信息以“空-地”感知技术为主, 存在信息感知不全和数据质量有待提高的问题, 建立空天地一体化的混凝土振捣施工信息智能感知体系, 实现混凝土浇筑过程中多源、多维度、多模态施工信息的立体感知。在此基础上, 针对数值型、视频流以及图像型信息, 分别提出基于Kalman滤波的全球导航卫星系统(GNSS)定位信息降噪方法、基于改进Faster R-CNN的视频信息解析方法和基于DeblurGAN-v2的表面图像去模糊方法。以杨房沟水电站为例, 应用所提空天地一体化感知方法与技术, 实现混凝土振捣质量智能分析与监控。