针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。

近年来，深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中，通过训练深度学习网络，可从单幅条纹图像中恢复高精度的相位信息。然而，为了训练神经网络模型，通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先，建立数字孪生条纹投影系统，并利用域随机化技术对虚拟照明光栅进行增强，使用计算机进行虚拟扫描，生成大量仿真光栅条纹图像；其次，利用仿真光栅图像对U-Net神经网络进行预训练；最后，引入迁移学习，采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性，提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明，采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果，神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练，所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。

为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

中药材重金属超标问题日趋严重, 将阻碍中药产业的未来高质量发展, 因此研究高效、 准确、 便捷的超标鉴定方法对于了解中药的安全性具有重要意义。 X射线荧光(XRF)光谱分析具有无损检测、 快速准确、 样品制备方便等优势, 在元素分析领域获得广泛应用。 由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1), 中药的种类繁多, 基体复杂, 国家标准样本匮乏, 常规的分类算法难以准确鉴定超标问题。 将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合, 以金银花为例, 采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强, 将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。 通过实验验证, 迁移学习和TrAdaBoost-SVM结合的分类优化方法, 与传统SVM、 AdaBoost分类算法相比, 鉴定重金属元素铅(Pb)的超标准确率有显著提高。 通过测试数据集的预测验证, TrAdaBoost-SVM模型的预测准确率为96.7%, 高于传统SVM及AdaBoost分类模型的准确率。 所提出的迁移学习与TrAdaBoost-SVM结合的方法, 可在小样本条件下建立分类模型, 并对中药的重金属超标准确预测, 具有一定的理论意义和应用价值。

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。

由于标注数据的短缺，对航天器多余物进行在线检测受到了较大的限制。文章研究了多余物的物理特性，在航天器的数字孪生系统中构建相应的多余物模型，提出了一种结合数字孪生技术增强的跨域自适应航天器多余物检测方法。该方法通过数字孪生技术获取航天器的实时数据，并借助于历史标注数据中的相似结构，以跨域自适应技术辅助实时在线推理的进行。设计了一种新型的跨域自适应模型，该模型采用共享网络结构以及门控机制，从而在复杂任务中更有效地挖掘先验知识，实现了跨域自适应技术与数字孪生技术的有机结合，以实现更高效、准确和实时的预测。此种方法可以全面地检测航天器各个部件的多余物状态。

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。

提出了一种基于信号光谱和多任务深度神经网络（MT-DNN）的多信道并行光性能监测（OPM）方案，采集多信道光谱图进行预处理来设计幅度直方图（Ahs），可实现波分复用（WDM）系统多信道调制格式识别（MFI）和光信噪比（OSNR）监测。在建立的3信道WDM相干光通信系统中，对由PDM-4QAM/16QAM/64QAM组合的10种调制格式的3信道信号实现了MFI准确率为100%、OSNR监测的平均绝对误差（MAE）为0.16 dB的精准监测。为进一步研究所提OPM方案的性能以应对复杂的传输环境，提出了迁移学习辅助的多任务深度神经网络（TL-MT-DNN）用于多信道MFI和OSNR并行监测。结果表明，所提方案可移植性较好，还可节省大量样本和训练周期，其MFI准确率仍可达100%，3信道OSNR监测的MAE分别为0.24 dB、0.20 dB和0.19 dB。