机载海洋激光雷达系统的有效衰减系数

本文利用蒙特卡罗模拟技术，研究了有衰减系数Г与飞机高度Ｈ和视场角ＦＯＶ等系统参数以及体积衰减系数ｃ和单次散射率ω０等水质参数的关系，首次得到了系统最小有效衰减系数的近似计算公式，该公式给出了系统参数乘积足够大时Г与水质参数ｃ，ω０之间的定量关系，为海洋激光雷达系统的设计提供了有力的依据。     

基于深度学习的智能垃圾分类系统设计

为了推进我国的环境保护,我国正大力推广垃圾分类。由于垃圾品类复杂繁多,且分类垃圾桶设计简单,大部分仅为贴有分类标签的普通垃圾桶,需要人为识别垃圾种类,因此造成垃圾分类工作效率偏低。本文提出了基于深度学习算法,将图像识别、迁移学习和嵌入式开发应用到垃圾分类当中,设计了一种智能分类垃圾桶,实现了垃圾识别、自动分拣的功能。符合当下社会环境保护和发展的形势,同时为智能制造市场填补上重要的一环,具有较强的创造性意义。     

基于深度学习的经典红玫瑰图像分类研究

经典红玫瑰的分级一直由人工分拣完成,分拣的效率较低。近年来,机器视觉以及深度学习越来越多地被应用于农产品的分拣及工业制造领域的分类与缺陷检测。通过引入深度学习与机器视觉,开展经典红玫瑰分类研究。深度学习网络模型能够自动提取图像中的特征,大幅度减少工作量。通过实验得出,分类准确率为87.22%,基本完成既定的实验目标。     

机载海洋激光雷达发展综述

全面地介绍了国内外机载海洋激光雷达的发展历史,对该技术的各个发展阶段进行了评述,最后对其今后的发展趋势做了展望。     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征.其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征.遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术.基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足...     

基于深度学习的垃圾邮件文本分类方法

文中旨在研究基于深度学习的垃圾邮件文本分类方法,该方法结合了卷积神经网络（CNN）和循环神经网络（RNN）的模型,通过对邮件文本进行特征提取和分类,能高效、准确地对垃圾邮件进行分类。文中以卷积神经网络和循环神经网络为实验对象,提出了一种垃圾邮件文本分类方法,并在公开数据集上进行了实验。实验结果表明,该方法在垃圾邮件文本分类任务上具有较高的准确率和召回率。     

基于深度学习的合同分类及要素抽取模型

合同文本的智能化处理已成为企业信息化的一个重要需求。针对合同文本存在的凌乱、碎片化和无规则的问题,本文提出了基于深度学习的合同分类模型及要素抽取模型。合同分类从标题分类和文本分类两个方向展开研究,提出了基于注意力机制的BiLSTM模型进行标题分类,基于改进的HAN深度学习模型进行文本分类,有效地提升了文本分类的准确性;针对存在的合同信息难以抽取的问题,提出基于BiLSTM-CRF深度学习模型识别合同要素,以准确获取合同要素信息。实验表明,本文提出模型能够很好地应用在合同文本处理中,能够提升分类和要素抽取的性能。     

机载激光测深系统中的精确海表测量

讨论了机载激光海洋测深技术中采用红外激光测量海表的精度和探测概率。首先介绍了机载激光测深系统中红外激光测距的原理以及计算方法;分析了不同扫描角、海况(尤其是不同风速)下斜距的测量方法、测量精度及对回波信噪比的影响,分析了在给定探测概率下甄别阈值的选择以及探测概率和信噪比的关系。最后用机裁激光测深系统的参数对海表探测进行了数值模拟和讨论,提出了改进措施。     

机载激光水下探测概况

机载激光探测技术自60年代中后期在美国、澳大利亚等国率先出现后,得到了比较迅速的发展。它与传统的声纳探测技术相比,具有战术机动性强、探测速度快、特别适用于近海水域探测等优点。这一技术在民用方面也存在比较广泛的应用。     

机载激光测深技术的研究进展

机载激光测深技术因其灵活性好、速度快和测量精度高的特点,逐渐取代了传统测量水深的方法,并且在河道、近海海域的水深测量以及水下地形地貌的测绘等方面发挥着重要的作用。对机载激光测深技术进行了介绍,阐述了机载激光测深系统的工作原理及其信号处理的两种主要方法,分别对这两种方法进行了归纳并总结了其最新的应用研究,归纳了我国机载激光测深的关键研究技术,最后对其未来发展方向进行了展望,并说明了今后对回波信号将采用的数据处理方法。     

基于分层异构模型的机载激光测深波形拟合算法

波形拟合是机载激光测深数据处理的关键环节,能够为水下地形测量、海底底质分类和水体浑浊度分析等应用领域提供数据基础。针对传统机载激光测深波形拟合算法受噪声干扰严重、对复杂波形形状拟合不准确的问题,提出一种基于分层异构模型的机载激光测深波形拟合算法。针对波形不同组成部分的相应特性,采用异构函数（水面-高斯函数、水体-双指数函数及水底-B样条函数）构建分层异构模型,分别进行拟合,从而实现对各部分波形信号的拟合。采用南海实测数据对所提算法进行了验证,结果表明:该算法拟合波形的平均运行时间T为0.019 4 s,相比于RL（Richardson-Lucy）去卷积算法提高0.328 6 s;平均均方根误差（Root Mean Square Error,RMSE）为6.222 4,相比于双高斯函数拟合算法平均均方根误差RMSE、平均决定系数（Coefficient of determination,R2）、平均相关系数（Correlation Coefficient,CORR）和相关系数标准差（Standard Deviation,STD）分别提高65.11%、2.83%、1.01%和86.61%,保证了拟合效率和拟合精度。算法具有良好的鲁棒性,能够有效满足机载激光测深科学研究和工程应用的技术需求。     

用于机载激光测深系统的时间间隔测量模块

机载海洋激光测深系统不仅要求精确测量激光从海表的入射点到海底目标点之间的距离,还要精确测定飞机到海表入射点之间的距离,为水深数据的海浪校正而确定平均海平面以及波高。为此设计和研制了一高精度时间间隔测量器,该单元基于专用时间数字转换芯片开发,采用延迟线插入法技术,双通道工作,具有高时间分辨率(最高可达250ps)和高测量重复率的特性。给出硬件和软件设计方法以及单元的测试结果。     

基于深度学习的激光干扰效果评价方法

针对激光干扰效果评估受主观经验较大、难以定量评估的问题,提出了一种基于深度学习的激光干扰效果评估方法.首先,对YOLOV5算法进行了整体介绍,其次制作了来自不同角度、不同距离的3020张激光干扰图像;然后,对标注的数据集进行训练,得到了激光干扰效果评估模型;最后,分别在YOLOV5x、YOLOV51、YOLOV5m、YOLOV5s网络模型下训练300次,实验验证了模型的正确性.实验结果表明:利用训练好的模型实现了对激光干扰图像的效果评估,该模型不仅可以自动标注激光干扰区域和进行干扰效果等级评估,同时还融入了传统策略,可以通过计算标注区域面积占整幅图像面积的大小作为辅助决策,实现自动标注激光干扰区域面积所占百分比,识别准确度在80％以上,对激光干扰效果评估具有重要意义.     

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。     

人工智能深度学习的激光图像分割研究

激光成像受到环境、设备自身等干扰,使得激光图像含有噪声,当前图像分割方法对噪声干扰鲁棒性差,误分割现象出现概率高,重要信息丢失严重,为了克服当前激光图像分割的弊端,提出了基于人工智能深度学习的激光图像分割方法.首先采用小波变换对激光图像进行特征提取,并对噪声干扰进行抑制处理,然后引入人工智能学习算法对激光图像特征向量进...     

机器学习结合激光诱导击穿光谱技术铁矿石分类方法

铁矿石是非常重要的矿产资源,它的开发利用对钢铁产业的发展有很大的影响,铁矿石的选检与分类是冶金行业必不可少的环节,不同种类的铁矿石及其品质会直接影响与其他物质的配比,因此对铁矿石的选检分类研究在冶金行业具有重要意义。激光诱导击穿光谱技术(LIBS)是近年来发展起来的一项成分检测技术,具有无损、快速、原位在线检测等优点,在化学成分检测及样品分类领域有一定的优势。为了提高铁矿石的分类精度,提出将激光诱导击穿光谱技术与机器学习相结合对赤铁矿、褐铁矿、菱铁矿、云母赤铁矿、磁铁矿、磁赤铁矿、鲕状赤铁矿、黄铁矿、钴磁铁矿、磁黄铁矿等10种天然铁矿石进行分类研究。在研究中,首先通过激光诱导击穿光谱技术烧蚀10种天然铁矿石样品获得其对应的光谱数据;然后通过设定阈值的方法选定最大光谱强度对应的10个光谱特征;最后通过KNN、RF、SVM机器学习模型对选定的特征光谱进行分类训练及测试。结果表明:KNN、RF、SVM三种机器学习模型的分类准确度分别为83.0%、80.7%、90.3%。从分类准确度可以看出,激光诱导击穿光谱技术与机器学习相结合可以实现对铁矿石的快速、精确分类,这将为冶金行业的铁矿石选检分类提供一种全新的方法。     

基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle, UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm, GA)与最佳指数因子(optimum index factor, OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron, MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.912 0;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。