双波长共相检测方法研究

拼接镜共相检测技术是拼接过程和维持镜面质量关键技术之一,定量测量平移误差（piston）是指导拼接确定性调整的依据,也是拼接镜面成像质量、望远镜角分辨率的根本保证。为了实现拼接镜平移误差的大量程、高精度检测,提出了新型双波长共相检测算法,并基于圆孔衍射与双波长检测理论,推导得到了双波检测理论量程与波长之间的关系式以及选取模板间隔的最大值与波长之间关系式。在双波长检测中,针对两半圆间远场图案存在偏心、间隙误差和相机噪声等拼接误差,理论和仿真分析了间隙误差、偏心误差和相机噪声对双波长检测精度的影响。得到了间隙误差需小于0.2r,偏心误差需小于0.2r,信噪比需大于30时,双波长检测才不会出现误检测。该分析为以后双波长检测实验中误差的选取提供了借鉴。     

角锥阵列相位精密调整机构设计及锁相实验

为了校正角锥棱镜阵列中子孔径的piston误差,设计了一种多单元一维相位精密调整机构,提出了一种基于相干合成原理的角锥棱镜阵列piston误差检测、调整方法。首先,设计了一种机械装置使单个角锥棱镜能够进行一维相位调整;其次,利用远场成像原理,分析了角锥阵列piston误差对远场衍射成像的影响;最后,基于远场光斑的不同,提出了一种角锥阵列piston误差的检测、调整方法。实验结果表明:角锥阵列相位精密调整机构能够达到0.1 μm级的调整精度,通过观测角锥棱镜阵列反射光束远场衍射图像,调整角锥棱镜单元相对位置,将反射光束PIB提升至0.49,远场图像接近仿真结果,基本实现了角锥棱镜阵列子孔径的piston误差的校正,提升了角锥棱镜阵列使用效率,扩展了角锥棱镜阵列使用场景。     

基于衍射理论的分块镜共相位误差的高精度测量

拼接式的分块镜能满足下一代望远镜更大、更轻和可折叠的要求,分块镜共相位误差的高精度检测是望远镜实现超大口径、超高分辨率成像的技术关键.从理论上证明了一个波长范围内.衍射光斑最高峰的峰值位置偏离图像中心位置的距离与共相位误差之间呈线性关系,提出了基于衍射理论的峰值位置法检测分块镜共相位误差的方法.该方法对峰值位置的定位精度要求很高,采用基于高斯拟合的峰值定位方法,在采样点为10个左右、采样间隔为5μm的条件下,定位精度可达到600 mm,能够满足定位要求.实验结果表明:该方法能够有效检测分块镜的共相位误差,在一个波长的测量范围内,其测量精度能够达到λ/20.该方法系统简单,测量精度高,适合大型分块镜共相位误差的测量.     

合成孔径系统平移误差的四棱锥传感器检测方法

为了使若干拼接子孔径能够按设计目标组合为等效大口径望远镜，各子孔径必须达到光学的同相位。提出了一种基于四棱锥传感器的共相方法，通过实验标定拟合传感器信号和平移误差的正弦关系，反求平移误差。实验结果表明：平移误差的测量值和真实值基本符合线性关系，拟合后均方根误差约为19.2 nm，平移误差的测量值能够客观准确地反映实际误差。在此基础上，对7孔径拼接镜进行了近共相校正，校正后分辨率提高了近6倍，与传统方法相比，所提方法具有结构简单、响应速度快、光能利用率高等优点。     

基于改进ResNeSt的头部姿态估计方法

针对单目RGB图像进行头部姿态估计精度不高的问题，提出了一种具有尺度平移不变性的改进ResNeSt方法。该方法以卷积神经网络ResNeSt作为主干网络；为增强卷积网络对尺度平移的鲁棒性，参考传统图像处理方法，集成模糊滤波器于卷积网络降采样过程；最后引入多任务学习，将网络提取的特征图输出到混合角度分类分支，提升卷积网络分类精度。在公开数据集验证，结果表明，提出方法的头部姿态估计误差降低了18%,且在CPU上检测速度为0.075秒/张，具备较好的实时检测性能。     

基于夫琅禾费原理的光栅复制拼接误差精度分析

复制拼接是天文领域目前制作大面积平面衍射光栅的重要方法之一。光栅复制拼接需要相应的拼接系统,从成本控制和光栅研制周期角度考虑,一套常规拼接系统应适用于不同参数光栅及不同检测波长的拼接,并且系统拼接精度必须满足光栅拼接要求。根据夫琅禾费远场衍射原理,建立双光栅拼接系统的五维误差理论模型,分析了入射光波长、衍射级次、光栅常数、入射角等参数改变时的拼接误差及其变化趋势,并根据实际拼接需求给出了上述参数的变化范围。计算得到了当光栅参数及检测条件变化时能够满足使用要求的拼接误差精度指标。所得出的拼接误差变化趋势及拼接精度指标对于设计复制光栅拼接系统具有指导意义。     

基于U2-Net和VGG16的天然气泄露检测

目前在深度学习领域很少以天然气泄露图像为数据进行研究,本文使用甲烷红外图像训练的卷积神经网络(VGG16)来实现泄露检测。另外,针对泄露的甲烷气体与背景图像存在相似性的问题,使用U²-Net图像分割网络代替背景建模方法来提取泄露气体区域。通过迁移VGG16网络模型结构和卷积层参数,在卷积层和激励层之间加入BN层以提高训练速度,将最后一层池化层替换为基于最大池化算法的动态自适应池化方法以提高检测精度。将改进的VGG16神经网络对分割的红外图像进行训练并与其他卷积神经网络进行对比,使用准确率,精准率,召回率和F1-score来对模型进行综合评价,其表现效果最好。与现有的检测方法进行对比,所提出的检测方法准确率更高。该检测方法能够实现高精度泄漏检测,满足天然气泄露检测准确性的要求,且模型具有较好的泛化能力和鲁棒性。     

基于反卷积神经网络的超声导波层合板脱粘缺陷超分辨成像

针对传统超声导波成像检测方法难以精确表征结构损伤细节特征的问题，文中提出了基于深度学习的反卷积神经网络模型，对层合板中亚波长脱粘缺陷的超分辨成像问题进行研究，以获得损伤的细节特征。通过有限元仿真与全聚焦成像算法获取初始成像结果，再使用数据增强方法扩充数据库，最后对标注好的12 550张损伤图像进行训练和测试。研究结果表明，与原始全聚焦成像算法相比，反卷积神经网络模型下损伤的成像位置准确度提高了5%,成像精度高于91%,定位误差低于1.8 mm,说明文中所提方法能够明显提高网络成像结果分辨率并较好地显现亚波长损伤的细节特征。上述结果表明文中所提方法具有较高的检测效率，且无需人工经验，在工程实践中具有良好的应用价值。     

改进RCF网络在建筑物边缘检测中的应用

建筑物边缘检测是提取建筑物信息最直接有效的方法,近几年,卷积神经网络被广泛应用于建筑物边缘检测研究,其中RCF网络被证明是应用于建筑物边缘检测的效果较好的卷积神经网络。然而,RCF网络在建筑物边缘检测的过程中,上采样过程采用一步双线性插值算法,上采样结构过于简单,导致产生了在深层网络特征层小尺寸图像特征直接上采样至大尺寸图像的条件下误差过大的问题。文章提出了阶梯式上采样结构以改进RCF网络,该方法能够有效减少一次双线性插值算法带来的误差,实验证明该方法能够有效提高RCF网络在建筑物边缘检测上的结果精度,显著增加输出结果图像的清晰度。     

基于小口径反射镜的大口径拼接光栅压缩器设计

为实现大口径拼接光栅拼接误差的高频高精度补偿的工程应用,提出了一种基于小口径反射镜补偿大口径拼接光栅压缩器拼接误差的方法。基于双程Z型压缩器,分析了小口径反射镜补偿量与拼接误差的关系,采用光线追迹法和夫琅禾费远场衍射原理定量计算了各拼接误差补偿后对远场能量分布的影响,证明了该方法原理的正确性,并得到了直接驱动光栅与反射镜补偿时的各误差容限,结果表明该方法能极大降低拼接光栅的精度要求。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

图像配准在TDICCD拼接焦面精度检测中的应用

大视场遥感相机需要进行TDICCD拼接,对拼接焦面的精度要求非常苛刻,必须进行精确的精度检测以确保良好的成像质量。检测拼接焦面精度时,选取TDICCD封装中几何结构简单明显的标志图形作为模板,采用图像配准的方法进行标志图形定位,提出了最优步进两步模板匹配算法实现图像配准,得到各片TDICCD的拼接误差数据,所有配准过程耗时不超过350 ms。图像配准方法采用统一的客观模板检测多片小像元TDICCD的拼接焦面,检测结果表明该方法可将每一片TDICCD像元的位置定位精度提高30.6%。图像配准拼接精度检测避免了常规检测方法通过人眼观测读取数据所引入的主观误差,取得的检测结果更为精确,同时精度检测过程不需要人工干预,提高了拼接精度检测工作的效率。     

多模态自适应特征融合的目标检测

随着深度学习的发展，基于卷积神经网络（CNN）的目标检测方法取得巨大成功。现有的基于CNN的目标检测模型通常采用单一模态的RGB图像进行训练和测试，但在低光照环境下，检测性能显著下降。为解决此问题，提出了一种基于YOLOv5构建的多模态目标检测网络模型，将RGB图像和热红外图像相结合，以充分利用多模态特征融合信息，从而提升目标检测精度。为了实现多模态特征信息的有效融合，提出了一种多模态自适应特征融合（MAFF）模块。该模块通过自适应地选择不同模态特征并利用各模态间的互补信息，实现多模态特征融合。实验结果表明：所提算法能有效融合不同模态的特征信息，从而显著提高检测精度。     

基于改进卷积神经网络的人体检测研究

为了解决梯度方向直方图在复杂背景下行人检测性能不足的问题,引入深度学习算法进行人体特征提取和行人检测。为了减少卷积神经网络的训练样本数量需求,在保证原数据库背景分布和行人分辨率的基础上使用基于内容的图像检索方法进行数据扩充以便于训练。为了提高算法在复杂背景下的检测效率,在卷积神经网络反射传播权值更新时引入费舍尔约束准则,使用误差反向传播算法获取样本类内类间约束函数的权值,在考虑误差的同时保证算法的分类精度。对INIRIA数据库检测结果表明,改进后算法的漏检率、检测率等性能得到一定提高,在大多数复杂背景下可以成功检测出行人。     

基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法

针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。      

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

基于卷积神经网络DL算法的文字图像识别研究

为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提...     

基于干涉条纹傅里叶分析技术对拼接光栅调整偏角的计算分析

阶梯光栅共相拼接技术是实现增大光栅尺寸、进一步提高天文光谱分辨率(天文光谱分辨率R>105)的关键。为了提高中阶梯拼接光栅的调整角度精度,本文基于干涉条纹傅里叶分析,提出了一种干涉条纹空间载频频率的九像素平均算法;然后结合干涉条纹光栅拼接技术,模拟了不同角度偏差下的条纹变化及其相应的傅里叶分析角度计算,在实验上实现了对系统角度调整系数的标定以及对傅里叶算法计算的调整偏角精度的分析,获得了拼接光栅调整系统中角度最大计算误差精度小于0.4μrad的结果,为天文上应用的大尺寸拼接光栅的共相调节提供了理论支持。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。