油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。

在功能性近红外光谱（fNIRS）成像技术的实现中，扩散光学层析成像（DOT）具有改善定量性和分辨率的巨大潜力，但其效果受制于生理干扰（呼吸、心跳和低频振荡等）、检测系统的随机噪声以及有限测量数据量带来的不适定性。为增强fNIRS-DOT成像的性能，本文提出了一种基于模型先验信息的深度卷积编解码网络重建方法，利用分层半三维重建算法实现对表层和深层脑血氧变化信息的初步区分，发挥卷积、编解码网络对空间特征的学习能力，实现对深层脑激活信息的提取重建。为验证所提重建方法的有效性，开展了数值模拟和仿体实验，并将其与传统重建方法进行对比。结果表明，所提重建法不仅可以显著提高重建精度，极大地缩短重建时间，而且具有优异的泛化能力，为实现动态fNIRS成像提供了重要参考。

太赫兹光谱成像, 不但包括在二维图像空间的强度信息, 同时可以得到太赫兹波段的光谱信息, 构成了一个三维的数据矩阵。 由于受到太赫兹成像系统内部硬件的限制和影响, 太赫兹频域较高频段处信号存在能量弱、 信噪比低的特点, 导致所成的太赫兹图像普遍存在分辨率低、 对比度低等问题。 因此, 利用三维数据矩阵, 应用适合的算法, 实现了提高太赫兹光谱成像空间分辨率、 边缘细节可见度的目的。 搭建了三维可移动式太赫兹时域光谱成像系统, 实现了对标准高分辨率板的二维扫描。 对该系统所采集到的信号分别进行时域、 频域等多种方式成像对比, 结合瑞利判据和分辨率标尺对成像系统的空间分辨率、 景深进行标定, 研究了提高太赫兹光谱成像的空间分辨率算法。 然后, 针对太赫兹频域高频区域信噪比低、 对比度低、 噪声原因复杂的特点, 结合深度残差学习的图像去噪理论, 提出了太赫兹图像深度去噪网络, 在训练集中引入成像系统中真实的“太赫兹残差噪声”。 最后, 利用所训练出的模型对太赫兹频域高频区域图像进行盲去噪, 并用重建图像分别与原始成像结果和传统太赫兹去噪算法结果进行比较, 分别从主观和客观两个方面评价了不同算法对太赫兹频域高频图像的去噪效果。 实验结果表明, 通过该算法实现了极限空间分辨率约为157 μm, 去噪后图像极限空间分辨率处的瑞利判据鞍-峰比约为0.623, 图像整体对比度为46.635; 空间分辨率相比传统成像方法提高了约一倍, 对比度提高约26%。 研究结果为高空间分辨率高可见度的太赫兹光谱成像方式提供了一种新的规范, 并针对太赫兹频域较高频区域的图像噪声问题提供了一种新的解决方案。

图像去雨指通过去除图像中的雨痕来重构出高清背景图像的过程。目前最广泛应用于图像去雨任务的是深度卷积神经网络。卷积操作的核心是参数共享，这大大减少了计算量并提升了算法的泛化能力，然而这也导致卷积操作无法有效考虑到局部之间的联系和较远的像素点对所操作区域的影响，出现图像去雨中的过平滑现象。结合图网络的思想和机制，提出一个改进卷积方式。首先将所有像素点视为一个图节点，计算相邻像素点之间的相似度，根据设定的阈值判断有无边联系，完成图结构构建后，所得到的邻接矩阵与相似度矩阵会在卷积操作时对卷积核参数进行调整，充分考虑像素点之间的联系与提取拓扑信息。在图像去雨领域若干公开数据集上对多个最新算法进行对比，实验结果显示所提改进卷积的有效性，可以在不增加许多计算资源的前提下有效提升算法的性能。

小型民用无人机预警探测是公共安全领域的热点问题, 也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性, 因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状, 本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法, 针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法, 进而探讨了无人机视觉检测中亟待解决的瓶颈性问题, 最后对该领域研究的未来发展趋势进行了讨论和展望。

针对裂缝图像获取困难导致的样本少、传统数据扩充方法提升样本特征空间能力不足等问题, 提出了一种基于改进深度卷积生成对抗网络(MDCGAN)的裂缝样本扩充方法。首先对数据集进行预处理, 利用滑窗法进行数据降维和清洗; 其次优化激活函数, 提高生成特征的多样性, 同时引入谱归一化进行权重标准化提升网络结构的稳定性, 以生成高质量的裂缝数据集; 最后, 利用改进的Alexnet网络对扩充后的混合样本集进行特征提取并分类识别。结果表明, MDCGAN网络数据增强性能与传统扩充方法相比均有明显提高, 适用于扩充裂缝图像。

显著性检测技术可以快速有效地从海面背景中区分出前景船舶，因此基于显著性分析的船舶检测算法受到了广泛的研究关注。然而受到水面无规则背景噪声，如海浪、杂波、船舶尾迹等干扰，很难准确地获得船舶检测结果。针对这一问题，提出了一种基于鲁棒背景估计的船舶显著性检测算法。首先，对原始输入图像中的像素点进行聚类形成一系列超像素，并利用深度卷积网络求取每个超像素对应的特征描述。然后，为了有效抑制海面背景噪声对船舶检测性能的影响，构建了一种新的背景模板估计算法，并将其融入多尺度细胞自动机求解框架下，从而根据立体邻域空间中不同像素点的特征描述差异获得基于显著性分析的船舶检测结果。定性和定量实验结果表明，所提算法可以有效提高复杂背景下的船舶显著性检测效果。

针对目标检测领域对高检测精度和高检测速度共存的需求，提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO)，该算法首先引入空间注意力机制，利用多尺度最大池化层增大感受野范围; 然后采用跨阶段局部连接结构和直通层优化主干网络结构，改善计算效率; 最后在多尺度检测结构中增加自下而上的路径，并使用拼接操作进行横向连接，融合深层语义信息和浅层位置信息。实验结果表明，该算法在精度和速度之间取得了较好的平衡。