1 中国工程物理研究院 激光聚变研究中心, 四川 绵阳 621900
2 天津三英精密仪器股份有限公司, 天津 300399
3 首都师范大学 数学科学学院, 北京 100048
为了实现惯性约束聚变(ICF)靶丸几何尺寸的高精度、高效率检测, 开展了靶丸X射线数字化成像系统的设计与研制。首先, 分析了X射线直接投影成像和X射线透镜耦合显微成像的适用范围, 根据ICF靶丸尺寸小、吸收衬度弱的特点, 确定了基于X射线透镜耦合显微成像的技术路线。然后, 分析了影响系统成像分辨率、图像衬度和测量效率的关键因素, 确定了低几何放大成像, 低电压、小焦点、高功率X射线源及高分辨CCD探测的总体技术方案, 该方案能够有效抑制相衬效应和半影误差, 解决了现有X射线数字成像设备测量靶丸时边缘扩展严重、尺寸测量误差大的问题。最后, 对系统的性能进行了分析测试, 实验结果表明, 系统成像衬度良好, 成像效率较高, 分辨率优于0.5 μm。靶丸几何尺寸的测量不确定度可达0.9 μm(k=2), 满足ICF靶丸几何尺寸高精度、高效率的检测需求。
X射线数字成像 惯性约束聚变 靶丸 高精度测量 x-ray digital imaging Inertial Confinement Fusion(ICF) capsules high-precision measurement
1 School of Mathematical Sciences, Capital Normal University, Beijing00048, China
2 Key laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
3 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
区域叶面积指数（Leaf Area Index, LAI）定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题，提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络（Small Simple Learning LAI-Net, SSLLAI-Net）。该网络由2个卷积层、1个池化层和3个全连接层构成，将光谱反射率数据作为网络输入端、输出端得到LAI反演值，且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program （EnMAP）为数据源，以该区域的谷物、玉米、油菜、其他作物为研究对象，数值实验结果表明当各作物类别的训练样本量均为50时，基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90；且在添加噪声的情况下，各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89。综上，提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的，且该模型能够支持稳定的小样本建模。
叶面积指数 高光谱遥感 深度神经网络 leaf area index （LAI） hyperspectral remote sensing EnMAP EnMAP deep neural network SSLLAI-Net SSLLAI-Net 
