基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别，在卷积神经网络VGG-16网络结构基础上，将数据增广后的图像按不同梯度划分进行模型训练，通过十折交叉验证法探究最佳的训练集与验证集分配比例，并构建4个不同深度的网络模型进行训练对比，采用全局平均池化代替全连接层约简网络参数量。训练结果表明，氮含量梯度设为0.70%、0.35%和0.175%时，室内简单背景识别准确率分别为85.9%、76.2%和71.1%；晴天室外复杂背景下识别准确率分别为44.6%、35.0%和30.4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法，对农业信息化和智能化技术应用具有一定促进作用。     

严寒地区单体建筑太阳能-相变墙系统蓄热特性研究

利用太阳能对水加热并通入相变墙进行蓄热，对减少严寒地区单体建筑供热能耗有重要意义。以大庆市某单体建筑为例，结合该地区太阳能分布特点及建筑热负荷大小，对适用于该地区的太阳能-相变墙系统进行集热与储热能力计算，并采用CFD方法研究单一工况下该系统的热工变化规律及不同热水参数、换热管规格对相变墙蓄热特性的影响。结果表明：该相变墙热稳定性良好，但受自然对流影响，底部相变材料熔化较慢；管径DN25、入口流速0.3m/s、供水温度310.15K、回水温度309.15K、管间距107mm可使相变材料在4小时内完成蓄热，平均节能率为31.8%。研究结果可望为降低严寒地区建筑供热能耗提供新思路。     

基于视觉颜色感知——光学相似的图像去雾方法

针对雾霾环境影响致使户外获取的图像质量严重下降问题，提出了一种基于视觉颜色感知—光学相似的图像去雾方法。充分利用人眼感知颜色的视觉机理，结合图像的相似性原理，构造了光学相似度函数，建立了新的基于视觉颜色感知—光学相似的图像去雾模型并设计相关算法，进而进行仿真验证。仿真实验结果表明，提出的方法在对有雾图像清晰化处理过程中效果明显，并与现有的图像去雾方法在主观视觉和客观量化方面进行图像去雾效果对比，进一步表明提出的方法在清晰化含雾图像处理中取得了较好的效果。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

不同发射率下红外热图像的非稳态温度场测量研究

通过分析红外测温公式,研究物体发射率对红外热图像测温精度的影响,并找出影响物体发射率的因素。根据经典计算方法,发现了物体发射率在红外热图像测温应用中的局限。从红外热图像的角度对发射率的计算进行了建模,基于修正物体发射率得到提高红外热图像对非稳态温度场测量精度的模型。对铸铁、不锈钢进行了3组测温实验,红外热图像直接测量的最大误差分别为2.1℃、1.7℃、2.3℃,而所提出的方法测量的最大误差分别为1.0℃、0.7℃、1.6℃。通过对比分析3组测量结果数据验证了测量方法的可行性。     

In‐plane shear damage behaviours of 2D needled C/SiC composites

Understanding the in‐plane shear behaviour of composites is essential to establish the design basis for practical applications. This study aims to investigate the shear damage behaviours of 2D needled C/SiC composites by various characterization techniques. The effect of layer arrangement on shear modulus and strength was discussed via shear stress‐strain responses. The shear strain field evolution and uniformity variation were studied by digital image correlation. It shows that the uniformity of shear strain field changes with the shear load, and the shear strain field evolution consist of 5 stages. The electrical resistivity measurement results indicate that structural deformation and damage evolution caused the electrical resistivity change. Furthermore, the damage evolution has a double effect on the electrical resistivity variation. The acoustic emission monitoring shows that the shear damage evolution is a 3‐stage nonlinear process before failure. The shear damages were categorized via acoustic characteristics. Besides, the postfailure behaviours were also discussed in this study.     

An improved machine learning technique based on downsized KPCA for Alzheimer's disease classification

Alzheimer's disease (AD), a neurodegenerative disorder, is a very serious illness that cannot be cured, but the early diagnosis allows precautionary measures to be taken. The current used methods to detect Alzheimer's disease are based on tests of cognitive impairment, which does not provide an exact diagnosis before the patient passes a moderate stage of AD. In this article, a novel classifier of brain magnetic resonance images (MRI) based on the new downsized kernel principal component analysis (DKPCA) and multiclass support vector machine (SVM) is proposed. The suggested scheme classifies AD MRIs. First, a multiobjective optimization technique is used to determine the optimal parameter of the kernel function in order to ensure good classification results and to minimize the number of retained principle components simultaneously. The optimal parameter is used to build the optimized DKPCA model. Second, DKPCA is applied to normalized features. Downsized features are then fed to the classifier to output the prediction. To validate the effectiveness of the proposed method, DKPCA was tested using synthetic data to demonstrate its efficiency on dimensionality reduction, then the DKPCA based technique was tested on the OASIS MRI database and the results were satisfactory compared to conventional approaches.     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强，提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识，将粗糙集条件属性集中的梯度属性改进为引力场强度属性，从而实现对原图像的目标增强。与其他算法进行了实验比较，结果表明提出的改进算法相比于其他算法更适用于SAR图像特性，能更好地对舰船目标像素进行针对性增强，具备一定的工程应用价值。