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。

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。

图像语义描述模型通常采用编码器-解码器方式实现图像语义描述,模型存在对图像特征利用不充分,图像目标的位置信息提取不足等问题。针对此问题,提出在编码器部分融合注意力机制的图像语义描述算法,通过解码器上下文信息对不同图像特征的注意力权重分配,从而提高图像语义描述的表达能力。并在Flickr30k和MSCOCO数据集上进行了验证,模型在BLEU-4评价指标上分别提升了1.9%和0.8%,实验证明了本文算法的有效性。

结合X射线荧光光谱法, 针对土壤中重金属元素Zn含量的预测问题, 提出基于深度卷积神经网络回归预测模型。 对原始土壤进行相关预处理, 用粉末压片法制作土壤压片, 采用X射线荧光光谱法(X-Ray-fluorescence, XRF)获取土壤光谱, 相比于传统检测方式, XRF法具有检测速度快、 精度高、 操作简单、 不破坏样品属性并且可实现多种重金属元素同时检测等优点, 故将XRF与深度卷积神经网络相结合, 实现对土壤中重金属Zn元素含量的精确预测。 采用箱型图来剔除X射线荧光光谱中的异常数据, 采用熵权法结合多元散射校正来对样品盒数据进行校正, 采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理, 可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。 针对卷积神经网络结构的特殊性, 将获取的一维光谱数据向量, 采用构建光谱数据矩阵的方式来进行处理, 将同一浓度、 同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵, 以该矩阵作为深度卷积神经网络预测模型的输入, 以适应卷积层的操作要求, 利用深度卷积神经网络特殊的结构模式, 能有效提取土壤光谱数据特征, 提高了深度卷积神经网络预测模型的学习能力, 降低模型的训练难度。 深度卷积神经网络预测模型采用3层卷积层搭建, 使用ReLU激活函数激活, 采用最大池化方式, 减少数据的维度, 增加Dropout层, 防止过拟合, 使用ADAM优化器对预测模型进行优化。 实验以平均相对误差(mean relative error, MRE)、 损失函数(LOSS)、 平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000, 并将深度卷积神经网络预测模型与BP预测模型、 ELM预测模型、 PLS预测模型进行对比, 以均方误差(mean square error, MSE)、 均方根误差(root mean square error, RMSE)、 以及拟合系数R2来分析比较预测模型的好坏, 结果表明, 基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP, ELM, PLS三种预测模型, 提高了预测精度。

红外光谱分析在自然科学、 工程技术等诸多领域发挥着重要作用。 随着计算机和人工智能技术的不断发展, 对红外/近红外光谱分析提出了更高的要求。 深度学习以人工神经网络为架构, 通过对数据进行分层特征提取完成特征/表征学习, 在解析数据细节特征方面具有独特的优势, 在计算机视觉、 语音识别、 疾病诊断等多领域得到成功应用。 尽管深度学习在图像、 音频、 文字分析方面获得了较好的效果, 但是在红外/近红外光谱数据分析中的应用还十分有限。 针对深度学习的卷积运算, 首先将一维傅里叶变换(Fourier transform infrared spectroscopy, FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns, SDP)变换为二维RGB彩色图像, 然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习, 建立基于红外光谱数据的分类识别模型。 对不同浓度甲烷(CH4)、 乙烷(C2H6)、 丙烷(C3H8)、 正丁烷(C4H10)、 异丁烷(iso-C4H10)、 正戊烷(C5H12)、 异戊烷(iso-C5H12)七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像, 呈现出显著差别, 且更符合VGG卷积运算的数据格式。 将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别: 气测录井气体为上述七组分烷烃气体的混合气体, 其中主要成分甲烷的浓度范围按照<20%, 20%～40%, 40%～60%, 60%～80%, 80%～100%分为5类, 不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、 间隔12 nm的条件下扫描获得。 在未经过特殊预处理和特征提取的情况下, 采用随机选择的4 500个样本, 由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型, 对5种甲烷浓度范围的识别准确率达到91.2%, 优于相同红外光谱数据所建立支持向量机(support vector machine, SVM)和随机森林(random forest, RF)模型的识别准确率88.7%和86.2%。 研究表明, SDP结合深度学习可以准确提取红外光谱数据的关键特征, 提高了红外光谱识别的准确率, 是一种更为有效的红外光谱分析方法, 具有广阔的应用前景。

从空间目标的观测图像中自动感知其类别及工作状态对****及空间探测等具有重要意义。为实现对空间目标图像信息的自动化精确感知,提出了一种数据驱动的空间目标图像信息感知技术。所提技术以深度卷积神经网络为基础,利用海量的模拟数据和少量的真实数据训练神经网络,训练后的神经网络能够直接从空间目标图像中感知空间目标的载荷及工作状态等信息。以两个空间目标图像信息感知任务为例,对技术实用性进行了测试。在空间目标载荷识别任务中,所提技术可以对不同模糊程度及不同噪声水平条件下的未知空间目标图像进行载荷识别。结果表明,对于不同的空间目标载荷,所提技术的平均识别准确率超过80%,检测速度可达50 frame/s。在空间目标状态感知任务中,采用模型组合方法搭建了空间目标工作状态感知专家系统。根据空间目标图像,实现了对空间目标工作状态信息的感知,验证了数据驱动的空间目标图像信息感知技术的有效性。

提出了一种基于深度卷积神经网络估算大气湍流折射率结构常数 Cn2的方法。将湍流影响下的高斯光束光斑图像作为神经网络的输入,利用深度卷积神经网络提取图像的特征信息,得到 Cn2大小,并采用平均绝对误差、平均相对误差、均方根方差和相关系数四个统计量来衡量模型的估算效果。结果表明,该模型能够根据湍流影响下的高斯光束光斑图像对 Cn2进行估算,当迭代500次时,相关系数为99.84%,各项误差均在2%左右。该模型在大气湍流特性分析及大气湍流强度估算等领域有一定应用价值。