光学被动成像干涉技术探测深海热液CH4

为了实现对热液甲烷浓度、温度和压强信息的实时、长期探测,提出一种新颖的光学被动成像干涉系统（Optical Passive Imaging Interference System,OPⅡS）,并建立了该系统的正演模型和反演模型。首先利用IDL语言建立了包括深海气体辐射模型、海水传输模型和仪器响应模型的OPⅡS正演模型,并模拟其正演干涉图。正演干涉图信噪比总体处于50~70,浓度探测灵敏度为0.1 mmol/L,温度灵敏度为2 K,压强灵敏度为0.1 MPa。其次采用成像干涉技术结合偏最小二乘法的方法进行OPⅡS数据的精确、快速反演。利用25个建模样本建立了甲烷多因变量PLS回归模型,并利用25个预测样本对回归模型进行交叉检验。该最优回归模型的浓度预测最大误差为1.9%,温度预测最大误差为0.38%,压强预测最大误差为1.0%。     

基于ADDI17004的星载高光谱成像仪图像处理系统设计实现

为解决目前遥感成像领域对大幅宽、高空间分辨率遥感光谱相机需求,研制了一套适合航天应用的高空间、光谱分辨率、高可靠性的星载高速成像光谱仪图像处理系统,它采用多片四通道并行处理ADC芯片ADD17004,具有体积小、功耗低的优点,该设计为我国遥感高光谱相机在航天遥感领域进入领先行列提供了技术支撑,也为进一步开展商业遥感领域高分 辨项目提供了有益的借鉴。     

干涉光谱结合偏最小二乘法反演热液CH4的研究

热液释放的高温甲烷气体经扩散作用先后进入海洋和大气,并对地球物理、化学和生物方面产生深刻影响。由于海洋溶解甲烷数据的缺乏,导致人们对深海热液释放甲烷的活动机制和环境效应还缺乏足够的认识。我们前期提出一种光学被动成像干涉系统OPIIS用于热液甲烷浓度、温度和压强的实时探测和长期观测。为了从OPIIS的干涉光谱中精确、稳定、快速的获取热液甲烷信息,采用将干涉光谱与偏最小二乘法相结合的方法处理OPIIS数据。首先分别建立三个甲烷浓度、温度和压强的单因变量预测模型,再利用干涉条纹与辐射光谱的关系,间接建立干涉光谱与甲烷浓度、温度和压强的PLS预测模型,提高了预测模型在实际应用中的抗干扰能力和稳定性。基于洛仑兹线型建立了不同于大气环境的深海气体辐射模型,并利用HITRAN2016分子光谱数据库的光谱参数,建立了深海甲烷在任意浓度、任意温度和任意压强下的辐射光谱数据库。挑选热液其他气体对甲烷探测干扰较小的甲烷泛频带1.64～1.66 μm内的六条谱线建立甲烷辐射光谱与浓度、温度和压强的偏最小二乘回归模型。另外,分析了训练集取样个数、取样间隔和主成分个数对提高预测模型综合性能的作用。利用不同训练集样本数,不同训练集取样间隔和不同的主成分数,分别建立96个浓度、温度和压强预测模型,并分别利用25组预测集样本对预测模型进行交叉验证。不同模型预测均方根误差和决定系数的对比表明,训练集取样个数、取样间隔和主成分个数等单一因素的改变并不能同时提高预测模型的预测精度、稳定性、适用范围和运算量等综合性能。经过平衡选取各项指标确定的最优回归模型的参数为：浓度、温度和压强的适用范围分别为5～375 mmol·L-1,580～678 K,10～34.5 MPa, 浓度、温度和压强的训练集取样个数分别为50组,25组,25组,采样间隔分别为5 mmol·L-1,2 K,0.5 MPa, 浓度、温度和压强预测模型的主成分数分别为2,2,5。浓度、温度和压强预测模型的预测均方根误差分别为3.082×10-6,0.977 0,5.052×10-3,决定系数分别为0.999 9,0.998 9,0.999 9。浓度、温度和压强的预测误差分别为±1.21×10-7,±3.63×10-3,±9.49×10-4,对应的预测精度分别为±45.4 nmol·L-1,±2.5 K,±3.3×10-2 MPa。结果表明,干涉光谱结合偏最小二乘法的反演算法可以精确、稳定、快速的获取热液甲烷气体的浓度、温度和压强信息。     

星载遥感短波红外高速高光谱成像仪坏像元识别

为改善干涉成像短波红外高速高光谱成像仪的坏像元对复原光谱的影响,利用高光谱成像仪测试流程建立了坏像元识别模板,以提高坏像元识别效率。首先,按照高光谱成像仪测试流程设置增益模板和帧频模板并采集图像数据,依据正常像元增益响应设定合理判定阈值Th₁,识别不同增益下异常像元并记录对应坐标值;再依据正常像元帧频响应灰度值设定合理判定阈值Th₂,识别不同帧频下异常像元并记录坐标值。最后,对比增益模板和帧频模板判定的异常像元,融合确定坏像元。实验结果表明基于增益模板和帧频模板的识别方法在不增加设备研制测试成本的同时有效识别出短波红外高光谱成像仪探测器的坏像元,为可靠识别短波红外高光谱成像仪坏像元提供了一种低成本、高效可靠的新方法,提高了干涉成像高光谱成像仪光谱反演准确性。     

基于ADV212的JPEG2000静态图像压缩系统设计

研究了JPEG2000压缩标准及单片实现该标准的专用编解码芯片ADV212,并在分析ADV212的硬件结构及工作原理的基础上,设计了一种ADV212组合Field Programmable Gate Array(FPGA)的静态图像数据压缩电路.其中,系统数据接口采用Universal Serial Bus(USB),FPGA用来实现时序控制和输入输出数据格式的组织,ADV212则进行小波分解和码流组织,以完成图像数据的压缩.利用该系统对标准静态图像的压缩试验表明,系统工作正确可靠,可用于实际图像压缩.     

基于ADV212的图像压缩系统设计

本文研究了单片实现JPEG2000压缩标准的专用编解码芯片ADV212的硬件结构,并在讨论ADV212的主要特点及工作原理的基础上,利用ADV212配置的特点,构建了一种ADV212组合FPGA的图像压缩实例电路。分析利用该电路系统对实际干涉图直接压缩结果发现,在保证复原光谱的准确度下,压缩比可达到4:1。     

基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究

夏威夷果含油量高,在开缝之后容易发生变质,现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验,很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一,具有比浅层学习方法更强的特征提取与模型表达能力,在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析,研究用于提取夏威夷果光谱特征的卷积神经网络模型,并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象,分析样本在500~2 100 nm的光谱信息;在光谱数据预处理中引入白化处理方法,用以增强数据的相关性差异;然后在模型训练过程中,将样本随机分为训练集和预测集,探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响,并采用激活函数ReLU和Dropout方法,预防样本数据过少引起的过拟合现象;最后通过分析模型分类准确率和计算效率,确定了一个6层结构的CNN模型： 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。因此,改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类,将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定,同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。