施工现场光照多变、背景复杂、施工人员形态多样, 给安全帽佩戴情况检测带来很大的困难。针对传统检测方法准确率低、鲁棒性差的问题, 本文提出了一种基于深度学习的安全帽佩戴情况检测方法。该方法以YOLOv2目标检测方法为基础, 对其网络结构进行了改进。首先借鉴了密集连接网络思想, 在原网络中加入了密集块, 实现了多层特征的融合以及浅层低语义信息与深层高语义信息的兼顾, 提高了网络对于小目标检测的敏感性; 然后, 利用MobileNet中的轻量化网络结构对网络进行压缩, 使模型的大小缩减为原来的十分之一, 增加了模型的可用性。采用自制的HelmetWear数据集对改进后的网络模型进行训练和测试, 并将该模型与原YOLOv2和最新的YOLOv3进行了对比, 结果显示：该模型的检测准确率为87.42%, 稍逊色于YOLOv3, 但是其检测速度提升显著, 比YOLOv2和YOLOv3分别提高了37%和215%, 可达148 frame/s。实验表明, 改进后的网络模型能在保证检测准确率的同时, 有效减小参数量, 显著提升检测速度。

为了探索不同滞尘量对植被冠层光谱的影响, 以位于上海市中心城区的上海师范大学徐汇区校园为研究样区, 选取并使用ASD FieldSpec 3地物光谱仪测定校园内龙爪槐、 紫荆、 红叶石楠及蔓长春等植物不同滞尘量等级下的冠层反射光谱, 然后在实验室中使用万分之一电子分析天平测定相应植物的滞尘量并计算各植物的滞尘能力。 在此基础上, 分析不同滞尘量对植物冠层光谱特征变化的影响。 结果表明: (1)植物在710～1 350 nm之间光谱反射率会随着滞尘量的增减而减小而且三条曲线之间的差值较大； 滞尘量的变化对各植物在350～710和1 450～1 750 nm之间的光谱影响较复杂, 三条曲线之间的差值虽小但差值比并不小。 (2)滞尘对植物冠层光谱的影响不仅与滞尘量有关还与树种有关, 不同植物或同种植物不同波长的光谱曲线对滞尘量的灵敏度不同。 (3)各植物在“绿峰”和红边附近的光谱曲线的斜率会随着滞尘量的增加而减小。 (4)滞尘不会引起红边位移现象, 但会消弱红边一阶导数的“双峰”现象, 表现为“主峰”值与“次峰”值之间的差随着滞尘量的增加而减小, 红边位于719 nm处。 找到滞尘或不同滞尘量对植被冠层光谱的影响关系, 对高光谱遥感在这一领域的应用具有重大意义。