一种户外多功能定位与测量装置的设计实现

本设计是针对在户外登山、旅行、勘测过程中常常既需要定位系统,又需要温度、高度、气压、湿度等参数测量系统的情况下,设计的一种多功能便携式测量工具。本系统采用STM32作为控制器,移植了μC/OS实时操作系统,驱动GPS模块和各种传感器模块,实现了数据的实时采集显示。本系统采用了0.96’OLED作为显示单元,STM32引入了低功耗模式,锂电池供电,提升了系统的便携性和低功耗。     

溶胶-凝胶法CaO-P2O5-SiO2系生物玻璃的制备及机理探讨

以正硅酸乙酯[Si(OC2H5)4]、四水硝酸钙[Ca(NO3)2*4H2O]等作为前驱体,采用溶胶-凝胶工艺制备CaO-P2O5-SiO2系生物活性玻璃,把制备的样品放在模拟体液中浸泡一段时间后取出,以X-射线衍射、红外光谱等手段对其作物相分析,确定在玻璃的表面有羟基磷灰石相生成,同时对其形成机理做了进一步探讨.     

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明：PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。     

混沌系统和DNA编码的并行遥感图像加密算法

目的 针对传统基于混沌系统的图像加密算法在加密遥感图像时存在速度差、安全性不足等问题,提出一种混沌系统和脱氧核糖核酸（deoxyribonucleic acid,DNA）编码的并行遥感图像加密算法,提升图像加密的效率和安全性。方法 利用明文图像的安全散列算法256（secure Hash algorithm 256,SHA-256）哈希值修改混沌系统的参数和初始值,提高算法的明文敏感性,并通过2维Hénon-Sine映射置乱图像,打乱像素之间的分布规律;然后利用图形处理器（graphics processing unit,GPU）并行计算密钥序列,缩短加密时间,通过选择多个高维混沌系统和修改混沌系统初始值确保密钥序列的随机性;最后利用密钥序列和GPU对图像进行DNA并行加密,得到最终的密文图像。在DNA并行加密过程中,生成一种DNA-S盒,对DNA编码进行非线性替换。结果 在遥感图像以及普通彩色图像上的仿真实验和安全性分析结果表明,本文算法在加密遥感图像上速度达到80 Mbit/s以上,密钥空间大于10²⁰⁰,信息熵趋近于8,密文图像直方图平坦均匀,且通过了美国国家标准与技术研究院（National Institute of Standards and Technology,NIST）随机测试以及卡方检验;与其他算法相比,本文算法在密钥空间、相邻像素相关性、像素改变率（number of changing pixel rate,NPCR）、统一平均变化强度（unified averaged changed intensity,UACI）和信息熵等评价指标上更接近理想值。结论 本文算法在大幅提升加密速度的同时,保证算法足够安全,能够抵抗各种攻击,适合遥感图像以及大容量图像的保密存储和网络传输。     

CGAN样本生成的遥感图像飞机识别

目的 基于深度学习的飞机目标识别方法在遥感图像解译领域取得了很大进步,但其泛化能力依赖于大规模数据集。条件生成对抗网络（conditional generative adversarial network,CGAN）可用于产生逼真的生成样本以扩充真实数据集,但对复杂遥感场景的建模能力有限,生成样本质量低。针对这些问题,提出了一种结合CGAN样本生成的飞机识别框架。方法 改进条件生成对抗网络,利用感知损失提高生成器对遥感图像的建模能力,提出了基于掩膜的结构相似性（structural similarity,SSIM）度量损失函数（masked-SSIM loss）以提高生成样本中飞机区域的图像质量,该损失函数与飞机的掩膜相结合以保证只作用于图像中的飞机区域而不影响背景区域。选取一个基于残差网络的识别模型,与改进后的生成模型结合,构成飞机识别框架,训练过程中利用生成样本代替真实的卫星图像,降低了对实际卫星数据规模的需求。结果 采用生成样本与真实样本训练的识别模型在真实样本上的进行实验,前者的准确率比后者低0.33%;对于生成模型,在加入感知损失后,生成样本的峰值信噪比（peak signal to noise ratio,PSNR）提高了0.79 dB,SSIM提高了0.094;在加入基于掩膜的结构相似性度量损失函数后,生成样本的PSNR提高了0.09 dB,SSIM提高了0.252。结论 本文提出的基于样本生成的飞机识别框架生成了质量更高的样本,这些样本可以替代真实样本对识别模型进行训练,有效地解决了飞机识别任务中的样本不足问题。     

基于LoRa和STM32的路灯自动监控系统的研究

如今大部分地区的路灯系统还处在传统控制方式、现场人工巡检、传统电路故障排查、没有统一管理平台等阶段,从而造成了巨大的能源浪费.针对以上现状,设计了一种基于LoRa和STM32的路灯自动监控系统.系统以STM32系列的MCU为核心处理器,通过4G通信网络实现路灯与后台服务器之间的数据传输,采用L o Ra级联组网方式,设计有蓝牙接口,方便用户现场维护及参数设置.系统主要功能有路灯状态实时监测与控制、实时智能调光、地理位置检测、环境信息数据采集、故障信息实时检测与报警、电量信息实时检测与预警等.实验结果表明,该系统稳定可靠,数据采集准确,能广泛应用于路灯系统中,为社会节约电能,能有效地提高路灯科学管理水平,提升路灯所在地区的形象.     

基于互信息F统计量特征选择技术的地基气象云图分类

在地基气象云图的云状(云类)识别研究中,基于局部二值模式(Local Binary Pattern,LBP)描述子的特征选择技术由于它的简单性和有效性成为最通用的方法.然而,LBP特征的高维特性使得云状识别的性能和计算开销不能令人满意.为此,本文提出一种基于互信息构造的F检验统计量的LBP特征选择算法,可以实现高维LBP特征的有效降维,同时保证云状识别的准确性,极大减少了特征选择过程的计算开销.     

主动迁移学习的海上任意方向船只目标检测

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求。因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能输出旋转边界框,以用于海上船只目标的检测。同时针对海上船只遥感数据集仅有水平边界框标注,无法直接适用于旋转框目标检测,且人工手动标注旋转框标签成本较高的问题,提出一种主动迁移学习的旋转框标签生成方法。首先,提出一种水平框-旋转框约束筛选算法,通过水平真值边界框来对旋转预测框进行监督约束,筛选出检测精度较高的图像加入训练集,然后通过迭代这一过程筛选出更多的图像,最后通过标签类别匹配,完成对数据集的旋转框自动化标注工作。本文最终对海上船只遥感图像数据集BDCI中约65.59%的图片进行旋转框标注,并手动标注部分未标注的图片作为测试集,将本文方法标注的图片作为训练集进行验证,评估指标AP50达到90.41%,高于其他旋转框检测器,从而表明本文方法的有效性。     

基于多特征融合与ResNet的海面溢油区识别研究

近年来,合成孔径雷达（SAR）在改善溢油检测方面得到了广泛应用。然而,由于其特殊的成像机理,乘性相干斑噪声和其他物理现象引起的暗斑一直影响着溢油检测的精度。单独使用一种特征很难对图像上的油膜和类油膜现象进行区分,针对这一问题提出了利用多特征融合结合深度残差网络（ResNet）的方式来区分全极化图像上的油膜和类油膜现象。实验中将C波段的三种极化特征：极化散射熵（Entropy）、平均散射角（Alpha）和单次散射特征值相对差异度（SERD）组合在一起,形成一个优化特征子集,在确定的三种极化特征对应的特征图上选取多个感兴趣区域作为ResNet网络的训练集和测试集。该实验所用训练集由3 600个原油样本、3 600个生物油样本和3 600个乳化油样本（共计10 800个）组合而成。测试集由600个原油样本、600个生物油样本和600个乳化油样本（共计1 800个）组合而成,最终得到97.56%的分类精度。用同样的实验数据采用同是深度学习的VGG和AlexNet分类算法进行油膜和类油膜的分类,并与ResNet算法分类结果进行对比分析。为了减弱过拟合现象以及获得更可靠的实验结果,分别进行了[K]-交叉验证和ROC曲线实验。结果表明所提出的算法是有效的。     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。