沈阳理工大学信电20121017现代应用光学

合集下载

信息对抗技术专业10版课实践教学大纲-沈阳理工大学

信息对抗技术专业10版课实践教学大纲学院：装备工程学院教研室：信息对抗技术专业制定时间： 2010年5月目录实验教学大纲 (2)《电路实验》实验教学大纲 (2)《计算机程序设计》实验教学大纲 (5)《模拟电子技术》实验教学大纲 (7)《高频电子线路》实验教学大纲 (9)《数字电子技术》实验教学大纲 (11)《信号与系统》实验教学大纲 (13)《数字信号处理》实验教学大纲 (16)《Matlab与仿真》实验教学大纲 (18)《通信原理》实验教学大纲 (21)《单片机原理与应用》实验教学大纲 (24)《FPGA技术》实验教学大纲 (26)《DSP技术》实验教学大纲 (28)《信息对抗原理与方法》实验教学大纲 (30)《软件无线电技术》实验教学大纲 (32)《无线电引信对抗技术》实验教学大纲 (34)《应用密码学》实验教学大纲 (36)课程设计教学大纲 (38)《模拟电路基础综合课程设计》教学大纲 (38)《电子设计工程软件课程设计》教学大纲 (41)《电子技术课程设计》教学大纲 (43)《专业基础综合课程设计》教学大纲 (46)《信息对抗技术专业综合课程设计》教学大纲 (49)实习教学大纲 (52)《电子工艺实习》教学大纲 (52)《生产实习》教学大纲 (54)《靶场实习》教学大纲 (56)《创新实践》教学大纲 (58)《毕业实习》教学大纲 (61)实验教学大纲《电路实验》实验教学大纲大纲制定（修订）时间：2010年5月课程名称：《电路实验》课程编号：03033002课程类别：专业基础课课程性质：必修适用专业：信息对抗技术自动化测控技术与仪器通信工程电子科学与技术电子信息科学与技术计算机科学与技术电子信息工程等电类专业课程总学时：16实验（上机）计划学时：16开课单位：信息科学与工程学院一、大纲编写依据１．信息对抗技术、自动化、测控技术与仪器、通信工程电子科学与技术、电子信息科学与技术、计算机科学与技术、电子信息工程等电类专业2010版教学计划；２．信息对抗技术、自动化、测控技术与仪器、通信工程、电子科学与技术电子信息科学与技术、计算机科学与技术、电子信息工程等电类专业《电路原理》理论教学大纲对实验环节的要求；３．近年来《电路原理》实验教学经验。

《应用光学》教学大纲

附件一：理论课程（含实验理论课程）教学大纲基本格式《应用光学》课程教学大纲课程名称：应用光学课程编码：0230021英文名称：Applied Optics学时：64 其中实验学时：16 学分： 3.5开课学期：第五学期适用专业：光电信息工程测控技术与仪器信息对抗技术探测制导与控制工程课程类别：必修课程性质：专业基础课先修课程：高等数学教材：工程光学天津大学机械工业出版社一、课程性质及任务本课程主要探讨的是几何光学的基本知识，研究的是光的传播和成像规律，典型光学系统的工作原理、光学特性，像差理论的部分内容。

它是仪器科学与技术、光电信息工程等专业的必修专业基础课程。

通过本课程的学习，能够为其它光学后续课程，诸如：光学测量、光学设计等打下良好的基础，也为学生更好的掌握光学总体设计方法、从事简单的光学系统的设计起到非常重要的作用，通过本课程的学习能够培养学生具有在生产及科研实践中理解、分析及解决问题的能力。

二、课程的教学要求（一）几何光学基本定律与成像概念9学时1．几何光学的基本定律掌握：(1)光波与光线的概念，(2)几何光学基本定律,(3)费马原理,(4)马吕斯定律；理解：光的根本属性及其传播规律现象等；了解：了解全反射的特点，并能够利用全反射的特点及规律解释一些常见的现象。

2．成像的基本概念与完善成像条件掌握：(1)光学系统与成像的概念，(2)完善成像的条件,(3)物像的虚实；了解：完善成像的定义与条件。

3．光学计算与近轴光学系统掌握：(1)基本概念与符号规则，(2)实际光线的光路计算,(3)近轴光线的光路计算。

理解：实际光线与近轴光线在光路计算中的区别及结果的差异。

了解：符号规则对所涉及的光学系统的作用；4．球面光学成像系统掌握：(1)单个折射面成像，(2)球面反射镜成像，(3)共轴球面系统。

理解：(1)垂轴放大率、轴向放大率及角放大率之间的区别与联系，(2)折射面成像与反射面成像之间的联系。

了解：如何能够利用相应的公式计算光学系统的物像位置关系及放大率。

改进DeepLabV3＋网络的指针轨迹图像识别

第４３卷第１期２０２４年２月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙＶｏｌ４３Ｎｏ１Ｆｅｂ２０２４收稿日期:２０２３－０４－１８基金项目:辽宁省教育厅科学研究经费项目(ＬＧ２０２０１４)作者简介:袁帅(１９９９ )ꎬ男ꎬ硕士研究生ꎻ蒋强(１９７４ )ꎬ通信作者ꎬ男ꎬ教授ꎬ研究方向为智能控制理论及算法ꎮ文章编号:１００３－１２５１(２０２４)０１－００５０－０５改进ＤｅｅｐＬａｂＶ３＋网络的指针轨迹图像识别袁㊀帅１ꎬ蒋㊀强１ꎬ饶㊀兵２(１.沈阳理工大学自动化与电气工程学院ꎬ沈阳１１０１５９ꎻ２.沈阳天眼智云智能技术研究院有限公司ꎬ沈阳１１０１７９)摘㊀要:指针式机械记录仪通常用于记录精密设备运输过程中的震动轨迹图像ꎬ为了更好地监测运输过程中车辆颠簸对仪器设备的影响ꎬ提出一种改进ＤｅｅｐＬａｂＶ３＋网络的指针轨迹图像语义分割方法ꎮ首先将骨干网络替换为ＭｏｂｉｌｅＮｅｔＶ３ꎬ实现模型的轻量化ꎻ然后将解码器中４倍上采样替换为２次２倍上采样ꎬ增强图像中像素的连续性ꎬ使预测结果更接近原始图像ꎮ在自制数据集上进行对比实验ꎬ结果表明:改进ＤｅｅｐＬａｂＶ３＋网络的平均交并比(ＭＩｏＵ)达到８５.８４％ꎬ比原始ＤｅｅｐＬａｂＶ３＋网络提高了３.５７％ꎬ单位时间内检测图片数量(ＦＰＳ)提高了３.５８ｓ－１ꎻ改进ＤｅｅｐＬａｂＶ３＋网络在识别精度和速度上具有明显的优势ꎬ可为精密仪器检测提供数据支持ꎮ关㊀键㊀词:改进ＤｅｅｐＬａｂＶ３＋ꎻ语义分割ꎻ轨迹图像识别ꎻ轻量化中图分类号:ＴＰ３９１.４１文献标志码:ＡＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００３－１２５１.２０２４.０１.００８ＰｏｉｎｔｅｒＴｒａｊｅｃｔｏｒｙＲｅｃｏｇｎｉｔｉｏｎｗｉｔｈＩｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ＮｅｔｗｏｒｋＹＵＡＮＳｈｕａｉ１ꎬＪＩＡＮＧＱｉａｎｇ１ꎬＲＡＯＢｉｎｇ２(１.ＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１０１５９ꎬＣｈｉｎａꎻ２.ＳｈｅｎｙａｎｇＳｋｙＥｙｅＩｎｔｅｌｌｉｇｅｎｔＣｌｏｕｄＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＣｏ.ꎬＬｔｄ.ꎬＳｈｅｎｙａｎｇ１１０１７９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｐｏｉｎｔｅｒ￣ｔｙｐｅｍｅｃｈａｎｉｃａｌｒｅｃｏｒｄｅｒｓａｒｅｕｓｕａｌｌｙｕｓｅｄｔｏｒｅｃｏｒｄｉｍａｇｅｓｏｆｖｉｂｒａｔｉｏｎｔｒａｊｅｃｔｏ￣ｒｉｅｓｄｕｒｉｎｇｔｈｅｔｒａｎｓｐｏｒｔａｔｉｏｎｏｆｐｒｅｃｉｓｉｏｎｅｑｕｉｐｍｅｎｔ.Ｉｎｏｒｄｅｒｔｏｂｅｔｔｅｒｍｏｎｉｔｏｒｔｈｅｉｍｐａｃｔｏｆｖｅｈｉ￣ｃｌｅｂｕｍｐｓｏｎｉｎｓｔｒｕｍｅｎｔｓａｎｄｅｑｕｉｐｍｅｎｔｄｕｒｉｎｇｔｒａｎｓｐｏｒｔａｔｉｏｎꎬａｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｏｆｐｏｉｎｔｅｒｔｒａｊｅｃｔｏｒｙｉｍａｇｅｓｗｉｔｈｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ.ＦｉｒｓｔｌｙꎬｔｈｅｂａｃｋｂｏｎｅｎｅｔｗｏｒｋｉｓｒｅｐｌａｃｅｄｗｉｔｈＭｏｂｉｌｅＮｅｔＶ３ｔｏｒｅａｌｉｚｅｔｈｅｌｉｇｈｔｗｅｉｇｈｔｏｆｔｈｅｍｏｄｅｌ.Ｔｈｅｎｔｈｅ４￣ｆｏｌｄｕｐ￣ｓａｍｐｌｉｎｇｉｎｔｈｅｄｅｃｏｄｅｒｉｓｒｅｐｌａｃｅｄｗｉｔｈ２ｔｉｍｅｓ２￣ｆｏｌｄｕｐｓａｍｐｌｉｎｇｔｏｅｎｈａｎｃｅｔｈｅｃｏｎｔｉｎｕｉｔｙｏｆｐｉｘ￣ｅｌｓｉｎｔｈｅｉｍａｇｅꎬｗｈｉｃｈｍａｋｅｓｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｃｌｏｓｅｒｔｏｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｖｅｒａｇｅｉｎｔｅｒｓｅｃｔｉｏｎｒａｔｉｏ(ＭＩｏＵ)ｏｆｔｈｅｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｒｅａｃｈｅｓ８５.８４％ꎬｗｈｉｃｈｉｓ３.５７％ｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｏｒｉｇｉｎａｌＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋꎬａｎｄｔｈｅｎｕｍｂｅｒｏｆｄｅｔｅｃｔｅｄｉｍａｇｅｓｐｅｒｕｎｉｔｔｉｍｅ(ＦＰＳ)ｉｎｃｒｅａｓｅｓｂｙ３.５８ｓ－１.ＴｈｅｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｈａｓｏｂｖｉ￣ｏｕｓａｄｖａｎｔａｇｅｓｉｎｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｐｅｅｄꎬｗｈｉｃｈｃａｎｐｒｏｖｉｄｅｄａｔａｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎｉｎ￣ｓｔｒｕｍｅｎｔｄｅｔｅｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ:ｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ꎻｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎꎻｔｒａｊｅｃｔｏｒｙｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎꎻｌｉｇｈｔ￣ｗｅｉｇｈｔ㊀㊀在精密仪器运输过程中ꎬ通常采用指针式机械记录仪记录震动轨迹图像数据ꎬ若采用人工检定方法ꎬ检定结果不精准ꎬ工作量巨大且效率很低ꎮ通过机器学习相关技术ꎬ可实现高效率高精度自动检测指针式机械记录仪震动轨迹图像ꎬ极大地减少人工工作量[１]ꎮ２０１４年开始ꎬ谷歌团队推出并发展了具有良好分割性能的ＤｅｅｐＬａｂ系列分割网络ꎬ其中Ｄｅｅ￣ｐＬａｂＶ３＋网络[２]在语义分割领域表现更为突出ꎬ准确度更高ꎮ以ＤｅｅｐＬａｂＶ３＋为基础ꎬ学者们进行了深入研究ꎬ将其应用于诸多领域ꎮ２０１９年ꎬＬｉｕ等[３]通过添加更多的跳跃连接和卷积层来设计ＤｅｅｐＬａｂＶ３＋解码器ꎬ改善了遥感图像中建筑物轮廓的检测结果ꎬ但对细微边界分割效果不理想ꎮ２０２２年ꎬＺｈａｎｇ等[４]在ＤｅｅｐＬａｂＶ３＋中加入一种基于边缘信息的损失函数ꎬ提高了网络对舌边的分离效果ꎬ但对错误分类处理能力不高ꎮ同年ꎬ刘慧等[５]使用轻量化ＭｏｂｉｌｅＮｅｔＶ２作为Ｄｅｅｐ￣ＬａｂＶ３＋骨干网络ꎬ减少了模型参数ꎬ并使用Ｒｅ￣ＬＵ６激活函数减少部署在移动端设备上的精度损失ꎬ但对小像素目标识别效果较差ꎮ２０２３年ꎬ周迅等[６]在ＤｅｅｐＬａｂＶ３＋中使用三点注意力模块提高了对坝面裂缝像素的提取能力ꎬ但存在漏检情况ꎮ本文将ＤｅｅｐＬａｂＶ３＋网络模型应用于指针式机械记录仪轨迹图像的识别ꎮ使用轻量化网络ＭｏｂｉｌｅＮｅｔＶ３替换原骨干网络Ｘｃｅｐｔｉｏｎꎬ实现模型轻量化ꎻ在解码器中使用２个连续的２倍上采样替换原网络中的４倍上采样ꎬ将提取到的特征图逐步放大ꎬ使得还原出的边界更加细化ꎮ１㊀ＤｅｅｐＬａｂＶ３＋网络及其改进１.１㊀ＤｅｅｐＬａｂＶ３＋网络介绍ＤｅｅｐＬａｂＶ３＋网络使用编码器－解码器(Ｅｎ￣ｃｏｄｅｒ￣Ｄｅｃｏｄｅｒ)结构[７－８]ꎬ在提升分割效果的同时关注边界信息ꎮ模型采用Ｘｃｅｐｔｉｏｎ作为骨干网络ꎬ使用空洞空间卷积金字塔池化(ａｔｒｏｕｓｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏｌｉｎｇꎬＡＳＰＰ)融合特征图多尺度信息ꎬ并将深度卷积和逐点卷积[９]应用于ＡＳＰＰ和Ｅｎ￣ｃｏｄｅｒ模块中ꎬ使网络训练速度更快ꎮＤｅｅｐＬａｂＶ３＋网络结构如图１所示ꎮ图中:Ｃｏｎｖ表示卷积ꎻｒａｔｅ表示膨胀率ꎻＵｐｓａｍｐｌｅ表示上采样ꎻＤＣＮＮ表示深度卷积神经网络ꎻＡｔｒｏｕｓＣｏｎｖ表示空洞卷积ꎻＰｏｏｌｉｎｇ表示池化ꎻＬｏｗ￣ｌｅｖｅｌＦｅａ￣ｔｕｒｅ表示低级特征ꎻＣｏｎｃａｔ表示数据拼接ꎮＤｅｅｐＬａｂＶ３＋网络通过Ｅｎｃｏｄｅｒ结构得到两部分图片特征ꎬ在Ｄｅｃｏｄｅｒ中使用卷积调整通道ꎬ融合两部分特征ꎬ再使用线性插值上采样使得输出层和原图片尺寸一致ꎬ获得预测结果[１０－１１]ꎮ１.２㊀改进的ＤｅｅｐｌａｂＶ３＋网络１.２.１㊀改进ＤｅｅｐＬａｂＶ３＋骨干网络由于本文检测对象是设备运输过程中的指针震动轨迹ꎬ为满足实时检测和移动检测的要求ꎬ需将训练好的模型部署在移动端硬件平台上ꎮ因此ꎬ在进行图像特征提取时要尽量保证全局信息的准确性ꎬ同时简化参数和计算量ꎬ保证识别效率ꎮ为解决上述问题ꎬ可采用轻量化网络模型ꎮＤｅｅｐＬａｂＶ３＋骨干网络为Ｘｃｅｐｔｉｏｎꎬ该网络结构比较复杂ꎬ参数量较多ꎬ消耗大量的显存ꎮ本文对ＤｅｅｐＬａｂＶ３＋结构的骨干网络实现轻量化ꎬ采用ＭｏｂｉｌｅＮｅｔＶ３代替Ｘｃｅｐｔｉｏｎ[１２]ꎬ轻量化网络Ｍｏ￣ｂｉｌｅＮｅｔＶ３的参数量较少ꎬ更易于部署到移动设备上ꎮＭｏｂｉｌｅｎｅｔＶ３的瓶颈(ｂｎｅｃｋ)结构如图２所示ꎮ图中:ＮＬ表示非线性激活函数ꎻＰｏｏｌ表示平均池化ꎻＤｗｉｓｅ表示深度可分离卷积ꎻＦＣ表示全连接层ꎻＲｅＬＵ㊁ｈａｒｄ￣σ表示激活函数ꎻ 表示乘法操作ꎮＭｏｂｉｌＮｅｔＶ３在ＭｏｂｉｌＮｅｔＶ２的结构基础上增加了注意力机制(ｓｑｕｅｅｚｅ￣ａｎｄ￣ｅｘｃｉｔａｔｉｏｎꎬＳＥ)ꎬ并使用ｈ￣ｓｗｉｓｈ激活函数替换ｓｗｉｓｈ函数ꎬ相比于ＭｏｂｉｌＮｅｔＶ２ꎬＭｏｂｉｌＮｅｔＶ３模型更加轻量化ꎬ降低了计算成本ꎬ识别精度更高ꎬ计算速度更快ꎮ１.２.２㊀改进ＤｅｅｐＬａｂＶ３＋模型解码器设计经Ｅｎｃｏｄｅｒ得到的特征图由大量的像素矩阵构成ꎬ各像素之间均存在密切的联系ꎬＤｅｅｐＬａｂＶ３＋网络中Ｄｅｃｏｄｅｒ将传入的特征图直接使用一次双线性４倍上采样恢复目标边界信息ꎬ会使图像的像素不连续ꎬ导致网络预测边界不精确[１３]ꎮ本文将传入Ｄｅｃｏｄｅｒ中的特征信息先进行一次２倍上采样ꎬ还原边界信息ꎬ然后再进行一次２倍上采样ꎬ即使用２个连续的２倍上采样替换原始ＤｅｅｐＬａｂＶ３＋网络中的４倍上采样ꎬ增强图像中像素的连续性ꎬ还原出的边界信息更接近原始标注图像ꎬ从而获得更清晰的目标边界ꎮ改进的ＤｅｅｐＬａｂＶ３＋网络模型在Ｄｅｃｏｄｅｒ中仅添加了１次上采样操作ꎬ相比ＤｅｅｐＬａｂＶ３＋网络模型ꎬ参数增加极少ꎮ改进前后的Ｄｅｃｏｄｅｒ部分如图３所示ꎮ１５第１期㊀㊀㊀袁㊀帅等:改进ＤｅｅｐＬａｂＶ３＋网络的指针轨迹图像识别图１㊀ＤｅｅｐＬａｂＶ３＋网络结构Ｆｉｇ.１㊀ＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ图２㊀ＭｏｂｉｌｅＮｅｔＶ３网络的ｂｎｅｃｋ结构Ｆｉｇ.２㊀ＢｎｅｃｋｓｔｒｕｃｔｕｒｅｏｆＭｏｂｉｌｅＮｅｔＶ３ｎｅｔｗｏｒｋ图３㊀改进前后的Ｄｅｃｏｄｅｒ部分Ｆｉｇ.３㊀Ｄｅｃｏｄｅｒｐａｒｔｂｅｆｏｒｅａｎｄａｆｔｅｒｉｍｐｒｏｖｅｍｅｎｔ㊀㊀改进后的ＤｅｅｐＬａｂＶ３＋网络结构如图４所示ꎮ２㊀实验与分析２.１㊀实验环境本文基于百度飞桨(ＰａｄｄｌｅＰａｄｄｌｅ)深度学习框架进行实验ꎮ模型训练过程中使用随机梯度下降法ꎬ最大训练轮次为１００００轮ꎮ单次训练样本数设置为２ꎬ初始学习率设置为０.０１ꎬ之后通过多项式衰减策略减少学习率ꎮ㊀㊀实验数据来自设备运输过程中采集的指针式机械记录仪震动轨迹图像ꎬ以此自制数据集ꎬ该数据集包含精细标注影像８７３张ꎬ标注内容包括轨迹和背景ꎮ由于总体样本数据较少ꎬ采用图像反转㊁水平和垂直镜像等处理方法进行数据增强ꎬ丰富实验数据集ꎮ为解决网络模型在不同工作场景的算法适用性问题ꎬ使用图像分割套件ＰａｄｄｌｅＳｅｇ中的预训练模型ꎬ加快模型训练速度并保证特征提取效果ꎬ提高模型对指针轨迹图像识别的准确性和泛化性ꎮ２.２㊀评价指标本文选用平均交并比(ＭＩｏＵ)作为实验结果评价指标ꎬＭＩｏＵ是语义分割领域的标准度量指标ꎮ分别对每个类计算交并比(ＩｏＵ)ꎬ再对所有类别的ＩｏＵ求均值ꎬ即为ＭＩｏＵꎮ其计算式为ＭＩｏＵ＝１ｋ＋１ðｋｉ＝０ｐｉｉðｋｊ＝０ｐｉｊ＋ðｋｊ＝０ｐｊｉ－ｐｉｉ(１)式中:ｋ＋１表示图像中所有分割类别数目ꎻｐｉｊ表示标签为ｉ被预测为ｊ的样本数量ꎻｐｊｉ表示标签为ｊ被预测为ｉ的样本数量ꎻｐｉｉ表示标签为ｉ被预测为ｉ的样本数量ꎮ２５沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４３卷图４㊀改进后的ＤｅｅｐＬａｂＶ３＋网络结构Ｆｉｇ.４㊀ＩｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ＮｅｔｗｏｒｋＳｔｒｕｃｔｕｒｅ㊀㊀采用单位时间内模型检测图片的数量(ＦＰＳ)作为另一个评价指标ꎬ该评价指标越大ꎬ表示检测的速度越快ꎬ其值为待检测的图片总数与模型预测所需的时间之比ꎮ２.３㊀实验对比对改进前后的ＤｅｅｐＬａｂＶ３＋模型进行训练测试ꎬ两组实验均使用ＰａｄｄｌｅＳｅｇ套件中自带的预训练模型ꎬ训练过程中其他条件相同ꎬ得到的可视化参数如图５和图６所示ꎮ图５㊀原始ＤｅｅｐＬａｂＶ３＋网络训练参数Ｆｉｇ.５㊀ＯｒｉｇｉｎａｌＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｐａｒａｍｅｔｅｒｓ㊀㊀由图５和图６可见ꎬ改进ＤｅｅｐＬａｂＶ３＋网络的ＭＩｏＵ更高ꎬ模型识别指针轨迹图像的能力更好ꎬ损失函数能够更快地收敛且下降程度更大ꎬ模图６㊀改进ＤｅｅｐＬａｂＶ３＋网络训练参数Ｆｉｇ.６㊀ＩｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋ｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｐａｒａｍｅｔｅｒｓ型的性能更优ꎮ训练完成后ꎬ将测试集中图片统一调整为相同的分辨率ꎬ分别使用网络改进前后两组实验中的最好模型进行预测ꎬ以图片１和图片２为例ꎬ两个图片的预测结果如图７和图８所示ꎮ由图７和图８可见ꎬ本文提出的改进Ｄｅｅｐ￣ＬａｂＶ３＋网络模型可以更好地获取轨迹语义信息ꎬ漏检和误检的比例更小ꎬ对轨迹特征提取能力更强ꎬ能够更好地完成轨迹图像识别任务ꎮ㊀㊀模型预测参数及模型大小如表１所示ꎮ㊀㊀由表１可知ꎬ本文提出的改进ＤｅｅｐＬａｂＶ３＋网络模型检测结果更精细㊁检测速度更快㊁模型体３５第１期㊀㊀㊀袁㊀帅等:改进ＤｅｅｐＬａｂＶ３＋网络的指针轨迹图像识别图７㊀对比实验预测结果(图片１)Ｆｉｇ.７㊀Ｃｏｍｐａｒｉｓｏｎｓｏｆｅｘｐｅｒｉｍｅｎｔａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ(ｉｍａｇｅ１)图８㊀对比实验预测结果(图片２)Ｆｉｇ.８㊀Ｃｏｍｐａｒｉｓｏｎｓｏｆｅｘｐｅｒｉｍｅｎｔａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ(ｉｍａｇｅ２)表１㊀模型参数对比Ｔａｂｌｅ１㊀Ｃｏｍｐａｒｉｓｏｎｓｏｆｍｏｄｅｌｐａｒａｍｅｔｅｒｓ模型ＭＩｏＵ/％ＦＰＳ/ｓ－１模型大小/ＭＢＤｅｅｐＬａｂＶ３＋８２.８８２.７３１７６.９１改进ＤｅｅｐＬａｂＶ３＋８５.８４６.３１４７.２７积更小ꎬ体现了该算法的可行性和优越性ꎮ３㊀结论为解决运输过程中车辆颠簸是否导致仪器设备损坏的检测问题ꎬ以ＤｅｅｐＬａｂＶ３＋作为语义分割模型ꎬ将其骨干网络替换为轻量化网络Ｍｏｂｉｌｅ￣ＮｅｔＶ３ꎬ减少了参数量ꎬ解决了模型部署到移动端硬件平台的问题ꎻ针对Ｄｅｃｏｄｅｒ结构中４倍上采样操作导致图像中的边界像素不连续㊁丢失某些重要像素信息问题ꎬ采用２次２倍上采样增强图像中像素的连续性ꎬ还原出的边界信息更接近原始标注图像ꎬ获得了更清晰的目标边界ꎮ改进后的ＤｅｅｐＬａｂＶ３＋模型体积减少了１２９.６４ＭＢꎻ检测结果更精细ꎬＭＩｏＵ达到８５.８４％ꎬ提高了３.５７％ꎻ检测速度更快ꎬＦＰＳ提升了３.５８ｓ－１ꎮ本文提出的改进ＤｅｅｐＬａｂＶ３＋网络降低了模型的参数量㊁加快了检测速度㊁提高了模型对轨迹图像识别的泛化能力ꎬ更宜于实际应用ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):[１]㊀王宇.运动轨迹检测识别技术研究[Ｄ].沈阳:东北大学ꎬ２０１５.[２]㊀ＣＨＥＮＬＣꎬＺＨＵＹＫꎬＰＡＰＡＮＤＲＥＯＵＧꎬｅｔａｌ.Ｅｎｃｏｄｅｒ￣ｄｅ￣ｃｏｄｅｒｗｉｔｈａｔｒｏｕｓｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎｆｏｒｓｅｍａｎｔｉｃｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ.ＭｕｎｉｃｈꎬＧｅｒｍａｎｙ:Ｓｐｒｉｎｇｅｒꎬ２０１８:８０１－８１８.[３]㊀ＬＩＵＪＱꎬＷＡＮＧＺＬꎬＣＨＥＮＧＫＸ.ＡｎｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎＤｅｅｐＬａｂｖ３＋[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ￣ｆｅｒｅｎｃｅｏｎＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ.ＮｅｗＹｏｒｋꎬＵＳＡ:ＡＣＭꎬ２０１９:１２４－１２８.[４]㊀ＺＨＡＮＧＸＦꎬＢＩＡＮＨＮꎬＣＡＩＹＨꎬｅｔａｌ.ＡｎｉｍｐｒｏｖｅｄｔｏｎｇｕｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐｌａｂｖ３＋ｆｒａｍｅｗｏｒｋ[Ｊ].ＩＥＴＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０２２ꎬ１６(５):１４７３－１４８５.[５]㊀刘慧ꎬ姜建滨ꎬ沈跃ꎬ等.基于改进ＤｅｅｐＬａｂＶ３＋的果园场景多类别分割方法[Ｊ].农业机械学报ꎬ２０２２ꎬ５３(１１):２５５－２６１.㊀㊀ＬＩＵＨꎬＪＩＡＮＧＪＢꎬＳＨＥＮＹꎬｅｔａｌ.Ｍｕｌｔｉ￣ｃａｔｅｇｏｒｙｓｅｇｍｅｎｔａ￣ｔｉｏｎｏｆｏｒｃｈａｒｄｓｃｅｎｅｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒ￣ｙꎬ２０２２ꎬ５３(１１):２５５－２６１.(ｉｎＣｈｉｎｅｓｅ)[６]㊀周迅ꎬ李永龙ꎬ周颖玥ꎬ等.基于改进ＤｅｅｐＬａｂＶ３＋网络的坝面裂缝检测方法[Ｊ/ＯＬ].清华大学学报(自然科学版)ꎬ２０２３:１－１１[２０２３－０４－０７].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ//１１.２２２３.Ｎ.２０２３０２０８.１５１２.００１.ｈｔｍｌ.ＤＯＩ:１０.１６５１１/ｊ.ｃｎｋｉ.ｑｈｄｘｘｂ.２０２３.２６.００６.㊀㊀ＺＨＯＵＸꎬＬＩＹＬꎬＺＨＯＵＹＹꎬｅｔａｌ.Ｄａｍｓｕｒｆａｃｅｃｒａｃｋｄｅｔｅｃ￣ｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＤｅｅｐＬａｂ￣Ｖ３＋ｎｅｔｗｏｒｋ[Ｊ/ＯＬ].ＪｏｕｒｎａｌｏｆＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ(ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ￣ｇｙ)ꎬ２０２３:１－１１[２０２３－０４－０７].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ//１１.２２２３.Ｎ.２０２３０２０８.１５１２.００１.ｈｔｍｌ.ＤＯＩ:１０.１６５１１/ｊ.ｃｎｋｉ.ｑｈｄｘｘｂ.２０２３.２６.００６.(ｉｎＣｈｉｎｅｓｅ)[７]㊀周倩倩ꎬ刘汉林ꎬ陈维锋ꎬ等.基于Ｄｅｅｐｌａｂｖ３＋的排水管道缺陷检测与语义分割[Ｊ].中国给水排水ꎬ２０２２ꎬ３８(１３):２２－２７.㊀㊀ＺＨＯＵＱＱꎬＬＩＵＨＬꎬＣＨＥＮＷＦꎬｅｔａｌ.ＤｒａｉｎａｇｅｐｉｐｅｌｉｎｅｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎＤｅｅｐ￣ｌａｂｖ３＋[Ｊ].ＣｈｉｎａＷａｔｅｒ＆Ｗａｓｔｅｗａｔｅｒꎬ２０２２ꎬ３８(１３):２２－２７.(ｉｎＣｈｉｎｅｓｅ)[８]㊀赵祥ꎬ王涛ꎬ张艳ꎬ等.基于改进ＤｅｅｐＬａｂｖ３＋孪生网络的遥感影像变化检测方法[Ｊ].地球信息科学学报ꎬ２０２２ꎬ２４(８):１６０４－１６１６.㊀㊀ＺＨＡＯＸꎬＷＡＮＧＴꎬＺＨＡＮＧＹꎬｅｔａｌ.ＲｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＤｅｅｐＬａｂｖ３＋Ｓｉａｍｅｓｅｎｅｔ￣ｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＧｅｏ￣ｉｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅꎬ２０２２ꎬ２４(８):１６０４－１６１６.(ｉｎＣｈｉｎｅｓｅ)[９]㊀马冬梅ꎬ李鹏辉ꎬ黄欣悦ꎬ等.改进ＤｅｅｐＬａｂＶ３＋的高效语义分割[Ｊ].计算机工程与科学ꎬ２０２２ꎬ４４(４):７３７－７４５.㊀㊀ＭＡＤＭꎬＬＩＰＨꎬＨＵＡＮＧＸＹꎬｅｔａｌ.Ｅｆｆｉｃｉｅｎｔｓｅｍａｎｔｉｃｓｅｇ￣ｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＤｅｅｐＬａｂＶ３＋[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＳｃｉｅｎｃｅꎬ２０２２ꎬ４４(４):７３７－７４５.(ｉｎＣｈｉ￣ｎｅｓｅ)[１０]姚燕ꎬ胡立坤ꎬ郭军.基于改进ＤｅｅｐＬａｂｖ３＋网络的轻量级语义分割算法[Ｊ].激光与光电子学进展ꎬ２０２２ꎬ５９(４):２００－２０７.㊀㊀ＹＡＯＹꎬＨＵＬＫꎬＧＵＯＪ.Ｉｍｐｒｏｖｅｄｌｉｇｈｔｗｅｉｇｈｔｓｅｍａｎｔｉｃｓｅｇ￣ｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐＬａｂｖ３＋ｎｅｔｗｏｒｋ[Ｊ].Ｌａ￣ｓｅｒ＆ＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒｅｓｓꎬ２０２２ꎬ５９(４):２００－２０７.(ｉｎＣｈｉｎｅｓｅ)(下转第６０页)较于原网络ꎬ本文改进网络重建图像的细节更加清晰ꎬＰＳＮＲ提升了０.５３ｄＢꎬＳＳＩＭ提升了０.０２ꎮ本文算法为红外图像去模糊任务提供了一种良好的解决方案ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):[１]㊀钱阳.红外热成像技术在警用执法领域的应用[Ｊ].中国安防ꎬ２０２３(Ｚ１):８３－８８.㊀㊀ＱＩＡＮＹ.Ａｐｐｌｉｃａｔｉｏｎｏｆｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｔｈｅｆｉｅｌｄｏｆｐｏｌｉｃｅｌａｗｅｎｆｏｒｃｅｍｅｎｔ[Ｊ].ＣｈｉｎａＳｅｃｕｒｉｔｙ＆Ｐｒｏｔｅｃｔｉｏｎꎬ２０２３(Ｚ１):８３－８８.(ｉｎＣｈｉｎｅｓｅ) [２]㊀赵国顺.红外热成像技术的应用延伸探析[Ｊ].中国安防ꎬ２０２３(Ｚ１):９４－９７.㊀㊀ＺＨＡＯＧＳ.Ａｎａｌｙｓｉｓｏｎｔｈｅａｐｐｌｉｃａｔｉｏｎｅｘｔｅｎｓｉｏｎｏｆｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙ[Ｊ].ＣｈｉｎａＳｅｃｕｒｉｔｙ＆Ｐｒｏｔｅｃｔｉｏｎꎬ２０２３(Ｚ１):９４－９７.(ｉｎＣｈｉｎｅｓｅ)[３]㊀郝建坤ꎬ黄玮ꎬ刘军ꎬ等.空间变化ＰＳＦ非盲去卷积图像复原法综述[Ｊ].中国光学ꎬ２０１６ꎬ９(１):４１－５０.㊀㊀ＨＡＯＪＫꎬＨＵＡＮＧＷꎬＬＩＵＪꎬｅｔａｌ.Ｒｅｖｉｅｗｏｆｎｏｎ￣ｂｌｉｎｄｄｅ￣ｃｏｎｖｏｌｕｔｉｏｎｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎｂａｓｅｄｏｎｓｐａｔｉａｌｌｙ￣ｖａｒｙｉｎｇＰＳＦ[Ｊ].ＣｈｉｎｅｓｅＯｐｔｉｃｓꎬ２０１６ꎬ９(１):４１－５０.(ｉｎＣｈｉｎｅｓｅ) [４]㊀华夏ꎬ张悦芮ꎬ刘广ꎬ等.视觉灵敏性滤波和自适应正则化图像盲去模糊[Ｊ].华中科技大学学报(自然科学版)ꎬ２０２１ꎬ４９(１１):６４－７０.㊀㊀ＨＵＡＸꎬＺＨＡＮＧＹＲꎬＬＩＵＧꎬｅｔａｌ.Ｂｌｉｎｄｉｍａｇｅｄｅｂｌｕｒｒｉｎｇｂａｓｅｄｏｎｖｉｓｕａｌｓｅｎｓｉｔｉｖｉｔｙｆｉｌｔｅｒｉｎｇａｎｄａｄａｐｔｉｖｅｒｅｇｕｌａｒｉｚａｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌ￣ｏｇｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)ꎬ２０２１ꎬ４９(１１):６４－７０.(ｉｎＣｈｉｎｅｓｅ)[５]㊀ＳＵＪＷꎬＸＵＢＹꎬＹＩＮＨＪ.Ａｓｕｒｖｅｙｏｆｄｅｅｐｌｅａｒｎｉｎｇａｐｐｒｏａ￣ｃｈｅｓｔｏｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎ[Ｊ].Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇꎬ２０２２ꎬ４８７:４６－６５.[６]㊀ＺＨＡＮＧＫＨꎬＲＥＮＷＱꎬＬＵＯＷＨꎬｅｔａｌ.Ｄｅｅｐｉｍａｇｅｄｅ￣ｂｌｕｒｒｉｎｇ:ａｓｕｒｖｅｙ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉ￣ｓｉｏｎꎬ２０２２ꎬ１３０(９):２１０３－２１３０.[７]㊀ＫＵＰＹＮＯꎬＢＵＤＺＡＮＶꎬＭＹＫＨＡＩＬＹＣＨＭꎬｅｔａｌ.Ｄｅｂｌｕｒ￣ＧＡＮ:ｂｌｉｎｄｍｏｔｉｏｎｄｅｂｌｕｒｒｉｎｇｕｓｉｎｇｃｏｎｄｉｔｉｏｎａｌａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ[Ｃ]//２０１８ＩＥＥＥ/ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ.ＳａｌｔＬａｋｅＣｉｔｙꎬＵＳＡ:ＩＥＥＥꎬ２０１８:８１８３－８１９２.[８]㊀ＫＵＰＹＮＯꎬＭＡＲＴＹＮＩＵＫＴꎬＷＵＪＲꎬｅｔａｌ.ＤｅｂｌｕｒＧＡＮ￣ｖ２:ｄｅｂｌｕｒｒｉｎｇ(ｏｒｄｅｒｓ￣ｏｆ￣ｍａｇｎｉｔｕｄｅ)ｆａｓｔｅｒａｎｄｂｅｔｔｅｒ[Ｃ]//２０１９ＩＥＥＥ/ＣＶＦＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ(ＩＣ￣ＣＶ).ＳｅｏｕｌꎬＫｏｒｅａ(Ｓｏｕｔｈ):ＩＥＥＥꎬ２０２０:８８７７－８８８６. [９]㊀ＷＡＮＧＺＤꎬＣＵＮＸＤꎬＢＡＯＪＭꎬｅｔａｌ.Ｕｆｏｒｍｅｒ:ａｇｅｎｅｒａｌＵ￣ｓｈａｐｅｄｔｒａｎｓｆｏｒｍｅｒｆｏｒｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎ[Ｃ]//２０２２ＩＥＥＥ/ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ(ＣＶＰＲ).ＮｅｗＯｒｌｅａｎｓꎬＵＳＡ:ＩＥＥＥꎬ２０２２:１７６６２－１７６７２. [１０]ＺＡＭＩＲＳＷꎬＡＲＯＲＡＡꎬＫＨＡＮＳꎬｅｔａｌ.Ｒｅｓｔｏｒｍｅｒ:ｅｆｆｉｃｉｅｎｔｔｒａｎｓｆｏｒｍｅｒｆｏｒｈｉｇｈ￣ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎ[Ｃ]//２０２２ＩＥＥＥ/ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃ￣ｏｇｎｉｔｉｏｎ(ＣＶＰＲ).ＮｅｗＯｒｌｅａｎｓꎬＵＳＡ:ＩＥＥＥꎬ２０２２:５７１８－５７２９.[１１]ＴＡＯＸꎬＧＡＯＨꎬＳＨＥＮＸꎬｅｔａｌ.Ｓｃａｌｅ￣ｒｅｃｕｒｒｅｎｔｎｅｔｗｏｒｋｆｏｒｄｅｅｐｉｍａｇｅｄｅｂｌｕｒｒｉｎｇ[Ｃ]//２０１８ＩＥＥＥ/ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ.ＳａｌｔＬａｋｅＣｉｔｙꎬＵＳＡ:ＩＥＥＥꎬ２０１８:８１７４－８１８２.[１２]ＣＨＯＳＪꎬＪＩＳＷꎬＨＯＮＧＪＰꎬｅｔａｌ.Ｒｅｔｈｉｎｋｉｎｇｃｏａｒｓｅ￣ｔｏ￣ｆｉｎｅａｐｐｒｏａｃｈｉｎｓｉｎｇｌｅｉｍａｇｅｄｅｂｌｕｒｒｉｎｇ[Ｃ]//２０２１ＩＥＥＥ/ＣＶＦＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ(ＩＣＣＶ).Ｍｏｎｔ￣ｒｅａｌꎬＣａｎａｄａ:ＩＥＥＥꎬ２０２１:４６２１－４６３０.[１３]ＺＡＭＩＲＳＷꎬＡＲＯＲＡＡꎬＫＨＡＮＳꎬｅｔａｌ.Ｌｅａｒｎｉｎｇｅｎｒｉｃｈｅｄｆｅａｔｕｒｅｓｆｏｒｒｅａｌｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎａｎｄｅｎｈａｎｃｅｍｅｎｔ[Ｃ]//ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ:ＥＣＣＶ２０２０Ｗｏｒｋｓｈｏｐｓ.ＧｌａｓｇｏｗꎬＵＫ:Ｓｐｒｉｎｇｅｒꎬ２０２０:４９２－５１１.[１４]王光博ꎬ陈亮.改进关系网络的小样本图像分类方法[Ｊ].沈阳理工大学学报ꎬ２０２３ꎬ４２(１):２８－３４.㊀㊀ＷＡＮＧＧＢꎬＣＨＥＮＬ.Ｓｍａｌｌｓａｍｐｌｅｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｒｅｌａｔｉｏｎａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬ２０２３ꎬ４２(１):２８－３４.(ｉｎＣｈｉ￣ｎｅｓｅ)(责任编辑:宋颖韬)(上接第５４页)[１１]胡智翔ꎬ鲍胜利ꎬ徐传淇ꎬ等.基于ＤｅｅｐＬａｂｖ３＋的遥感建筑物语义分割算法[Ｊ].计算机应用ꎬ２０２１ꎬ４１(Ｓ２):７１－７５.㊀㊀ＨＵＺＸꎬＢＡＯＳＬꎬＸＵＣＱꎬｅｔａｌ.Ｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎａｌ￣ｇｏｒｉｔｈｍｆｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇｂｕｉｌｄｉｎｇｓｂａｓｅｄｏｎＤｅｅｐＬａｂｖ３＋[Ｊ].ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓꎬ２０２１ꎬ４１(Ｓ２):７１－７５.(ｉｎＣｈｉｎｅｓｅ)[１２]陈兵ꎬ贺晟ꎬ刘坚ꎬ等.基于轻量化ＤｅｅｐＬａｂｖ３＋网络的焊缝结构光图像分割[Ｊ].中国激光ꎬ２０２３ꎬ５０(８):４９－５８.㊀㊀ＣＨＥＮＢꎬＨＥＳꎬＬＩＵＪꎬｅｔａｌ.Ｗｅｌｄｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｉｍａｇｅｓｅｇ￣ｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｌｉｇｈｔｗｅｉｇｈｔＤｅｅｐＬａｂｖ３＋ｎｅｔｗｏｒｋ[Ｊ].ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＬａｓｅｒｓꎬ２０２３ꎬ５０(８):４９－５８.(ｉｎＣｈｉ￣ｎｅｓｅ)[１３]徐聪ꎬ王丽.基于改进ＤｅｅｐＬａｂｖ３＋网络的图像语义分割方法[Ｊ].激光与光电子学进展ꎬ２０２１ꎬ５８(１６):１６１０００８.㊀㊀ＸＵＣꎬＷＡＮＧＬ.ＩｍａｇｅｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＤｅｅｐＬａｂｖ３＋ｎｅｔｗｏｒｋ[Ｊ].Ｌａｓｅｒ＆Ｏｐｔｏｅｌｅｃ￣ｔｒｏｎｉｃｓＰｒｏｇｒｅｓｓꎬ２０２１ꎬ５８(１６):１６１０００８.(ｉｎＣｈｉｎｅｓｅ)(责任编辑:宋颖韬)。

沈阳理工大学810信号与系统2021年专业课初试考试大纲

沈阳理工大学硕士研究生入学考试自命题考试大纲科目代码：810 科目名称：信号与系统适用专业：081000信息与通信工程、085400电子信息（信息科学与工程学院）一、考试基本内容（一）信号与系统的基本概念（1）基本信号的描述、特点与性质（2）信号的分解和运算（3）系统的定义与分类（4）线性时不变系统的定义、分类与特性（二）连续时间系统的时域分析（1）微分方程的建立与求解（2）连续系统零输入响应、零状态响应和全响应的求解（3）连续系统单位冲激响应与单位阶跃响应的求解（4）卷积积分的定义、运算规律及其主要性质（三）连续时间系统的频域分析（1）周期信号的傅立叶级数和典型周期信号的信号频谱（2）傅立叶变换和典型非周期信号的傅立叶变换（3）傅立叶变换的基本性质和运算（4）周期信号的傅立叶变换（5）抽样信号的傅里叶变换和抽样定理（四）拉普拉斯变换、连续时间系统的S域分析（1）拉普拉斯变换和逆变换（2）拉普拉斯变换的性质（3）连续系统的系统函数和系统的特性（稳定性、因果性等）（4）连续系统的拉普拉斯变换求解（5）电路系统的拉普拉斯变换分析（五）傅里叶变换应用于通信系统（1）系统频率传输函数H(jw)的定义和系统频响曲线的绘制（2）无失真传输（3）理想低通滤波器（4）调制与解调（六）离散系统时域分析（1）离散时间信号的运算（2）离散时间系统的数学模型及求解（3）离散时间系统的单位样值响应（4）卷积和的定义、运算规律及其主要性质（七）Z变换、离散时间系统的Z域分析（1）Z变换的定义与收敛域、典型序列的Z变换（2）Z变换的性质（3）逆Z变换（4）差分方程的Z变换求解（5）离散系统的系统函数和系统的特性（稳定性、因果性等）二、考试要求（一）考核方式：闭卷考试。

（二）考核目标：考核学生考察考生对信号的描述方法、线性时不变系统的基本理论、信号通过线性系统的基本分析方法的理解与掌握。

三、题型考试题型共四种，试题满分为150分。

沈阳理工大学光电子学教学大纲(光信息专业)

《光电子学》课程教学大纲课程代码：090231008课程英文名称：Optoelectronics课程总学时：32 讲课：32 实验：0 上机：0适用专业：光信息科学与技术专业大纲编写（修订）时间：2010.7一、大纲使用说明（一）课程的地位及教学目标《光电子学》是光信息科学与技术专业的一门主干的专业基础课，它与多门课程内容相关，在专业课程的设置中起着承上启下的作用。

通过本课程的学习，使学生了解激光的产生原理与特性，了解光在介质波导（主要是在光纤）中的传输特性，掌握发光器件与光电转换器件的工作原理及其特性，掌握光波调制技术，了解强光作用下的非线性光学现象等光电子学知识。

使学生在获取光电子学基本知识的过程中，注意理论联系实际，适度介绍光电子学在相关领域中的最新应用。

从而培养学生的理性思维和创新意识，增强学生的工程实训能力。

为进一步学习《光电检测原理与技术》等后继课程打下良好的基础。

（二）知识、能力及技能方面的基本要求1. 基本知识：通过本课程的学习，使学生了解激光的产生、光在介质波导（主要是在光纤）中的传输特性、强光作用下的非线性光学现象等光电子学知识，掌握发光器件与光电转换器件、光波调制等方面的知识2. 基本理论和方法：了解激光的产生原理，掌握发光器件与光电转换器件的工作原理及光波调制的基本原理与方法；3. 基本技能: 掌握相应的计算技能、培养实验技能。

（三）实施说明1．本大纲适用于“光信息科学与技术专业”以及相近的诸如光电信息、电子信息等专业的本科生。

作为一个整体，大纲展现了光电子学的基本学科体系，应注意本课程的完整性、系统性、实用性；但部分章节的组合也可作为开设某一专题的选修课使用；2．因教学学时所限，课堂教学要做到突出重点，精讲难点，有针对性地解决理论与实际应用中可能遇到的基本光电子学问题。

教师在授课中可酌情安排各部分的学时，课时分配表仅供参考；3. 对于与其它课程交叉部分的内容，要分工明确，突出本课程在课程设置中的地位、作用与特色，即立足于光电子学涉及到的基本物理效应、重要概念与理论分析方法、器件的工作原理、主要性能特征及应用方向等；4. 注意知识的内在联系与融合贯通，注意采用课堂讲授、讨论、多媒体教学相结合的教学方式，启发学生自学并不断积累学科前沿最新知识，学会独立思考，独立提出问题与独立解决问题的能力。

沈阳理工大学校级优秀青年骨干教师名单

沈阳理工大学校级优秀青年骨干教师名单
序号 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 部门体育部通信与网络工程中心外国语学院外国语学院文法学院文法学院信息科学与工程学院信息科学与工程学院信息科学与工程学院信息科学与工程学院信息科学与工程学院信息科学与工程学院艺术设计学院艺术设计学院装备工程学院装备工程学院姓名出生年月张力彤 1968.7 张德育 1974.6 李雪梅 1967.9 马英 1969.9 张梅 1971.6 孙晓玲 1971.12 冯永新 1974.11 刘治国 1974.11 朱立忠 1967.11 陈亮 1979.9 黄海新 1973.11 吕艳辉 1971.3 杨猛 1968.6 关涛 1968.6 王健 1967.9 蒋威 1973.7 毕业学校辽宁师范大学南京理工大学辽宁师范大学大连外国语学院东北师范大学沈阳师范学院东北大学东北大学湖南大学沈阳工业学院东北大学沈阳理工大学北京理工大学中央民族学院沈阳工业学院沈阳工业学院最后学历硕士博士硕士硕士硕士硕士博士博士硕士硕士硕士硕士本科本科本科硕士职务教师教师教师教师教师教师教师教师教师教师教师教师教师教师教师教师职称/晋级时间副教授/2002.8 副教授/2006.6 副教授/2000.8 副教授/2006.8 副教授/2006.8 副教授/2001.8 副教授/2004.7 副教授/2006.7 副教授/2003.7 讲师/2006.7 讲师/2003.7 副教授/2003.7 副教授/2006.8 副教授/2002.8 副教授/1999.7 讲师/2006.10 联系电话 13940496196 13940178828 130193562807 13840374357 1316661628 13066518666 13704044032 81622858 81828990 13332458590 13019379547 13940023361 13324051516 81880990 13066788087 13664178344

沈阳理工大学激光器件与技术2012版大纲

激光器件与技术教学大纲课程代码：0909093002课程英文名称：Laser Devices and Technology课程总学时：48 讲课：48 实验：0 上机：0适用专业:光信息科学与技术大纲编写（修订）时间：2010.7一、大纲使用说明（一）课程的地位及教学目标本课程是光信息科学与技术专业的一门专业必修课，通过本课程的学习，可以使学生了解和掌握激光器件的基本原理和基本技术。

熟悉一些典型的激光器的工作原理，同时将介绍目前激光技术领域中一些比较先进的技术，为学生将来从事光纤通信等相关领域的工作打下坚实的基础。

（二）知识、能力及技能方面的基本要求1.知识方面的基本要求：通过本科程的学习，使学生掌握：典型激光器件的结构、工作原理及输出特性；调Q技术的基本原理和器件的分类；超短脉冲技术的基本原理和分类。

2.能力方面的基本要求：通过本科程的学习，培养学生：几种典型激光器件的调试使用和初步设计能力；激光器特性的控制与改善的初步设计能力。

3.技能方面的基本要求：通过本课程的学习，使学生获得：各类典型激光器件的调试和使用技能；激光技术的基本设计能力。

（三）实施说明这个教学大纲是根据光信息科学与技术专业的特点和学科内容要求而编写的,在执行本大纲时应注意以下几点：1．教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性；注意培养学生提高利用标准、规范及手册等技术资料的能力。

讲课要联系实际并注重培养学生的创新能力。

2．教学手段：本课程属于专业基础课，在教学中采用电子教案、CAI课件及多媒体教学系统等先进教学手段，以确保在有限的学时内，全面、高质量地完成课程教学任务。

（四）对先修课的要求本课程的教学必须在完成先修课程之后进行。

本课程主要的先修课程有激光原理、高等数学等。

《应用光学》被Elsevier公司Scopus数据库收录

推出，它涵盖了由５０００多家出版商出版发行的科技医学和社会科学方面的１８０００多种期刊，其中同行
评议的学术期刊１６５００多种。相对于其他单一的文摘索引数据库而言，Ｓｃｏｐｕｓ数据库的内容更全面、学科更广泛。Ｓｃｏｐｕｓ数据库对期刊遴选的标准及程序非常严格。《应用光学》被荷兰Ｓｃｏｐｕｓ数据库收录，表明该刊在学术水平和期刊标准化、规范化等方面得到了国
８０５．（ｉｎＣｈｉｎｅｓｅｗｉｔｈａｎＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）．
Ｅ８］王学新，杨照金，武波，等．用２种光学设计软件对像
ｍｅｔｈｏｄＶＣ］／／Ｔｈｅ１２ｔｈｎａｔｉｏｎａｌｐｈｏｔｏｅｌｅｃｔｒｉｃｔｅｃｈｎｏｌ — ｏｇｙａｎｄｓｙｓｔｅｍａｃａｄｅｍｉｃｃｏｎｆｅｒｅｎｃｅ．Ｎａｎｊｉｎｇ：［Ｓ．
差特性进行研究［Ｊ］．应用光学，２００６，２７（２）：
１２４ — １２８．
ｎ．］，２００７．（ｉｎＣｈｉｎｅｓｅ）
［７］萧泽新，孙安青，郝卫东．自动倒置显微镜伺服控制系
ｏｎｆｏｃｕｓｉｎｇｅｖａｌｕａｔｉｏｎｆｕｎｃｔｉｏｎｏｆａｕｔｏｍａｔｉｃｆｏｃｕｓｉｎｇ

机械制造及其自动化学科研究方向,课程设置

激光加工技术
微机电系统
先进制造技术
虚拟设计与制造技术
液压传动及控制理论
磨削理论与技术
超精密加工技术
三维建模与加工过程仿真
现代设计方法
多元分析与试验设计
2
2
3
2
2
2
2
2
2
2
2
2
2
3
2
3
2
2
2
3
2
0108022003
0108022004
0108023005
0108022006
0108022008
0108022009
互换性与测量基础
不记
学分
学生
在5
门中
选择
3门
必修环节
教学实践与素质拓展
2
对硕士
生总学
分要求
不少于33学分（不包括教学实践等）；其中学位课不少于20学分。
说明：对于跨学科研究生，可由导师确定补修本科阶段主干课程的具体科目。
机械设计及理论学科研究方向、课程设置
沈阳理工大学“机械设计及理论”学科于1993年获得硕士学位授予权，2008年获批辽宁省重点学科。
0108022031
0108022032
0108022033
0108023034
0108022035
0108022036
0108022037
0108022038
0108022039
选修
公共选修课
第二外国语（英、日、俄选一）
科技论文写作
人文社会科学概论
2
1
2
0000072007/08/09
0000081001
选修

沈阳理工大学信号与系统课程设计傅里叶变换的时域卷积和时域微分特性

成绩评定表课程设计任务书摘要本文研究的是傅里叶变换的时域卷积和时域微分特性，傅里叶变换的性质：对称性、线性（叠加性）、奇偶虚实性、尺度变换特性、时移特性、频移特性、微分特性、积分特性、卷积特性（时域和频域）；从信号与系统的角度出发,给出了激励信号的具体模型；应用Matlab软件进行仿真，将研究的信号转化成具体的函数形式，在Matlab得到最终变换结果。

使用傅里叶变换的方法、卷积的求解方法以及函数的微分等方法研究题目。

关键词: 傅里叶变换;卷积求解;微分;Matlab目录1、Matlab介绍 (1)2、傅里叶变换的有关知识 (1)2.1傅里叶变换和卷积的内容 (1)2.2傅里叶变换的相关性质 (2)3、用Matlab实现傅里叶变换时域卷积和微分特性的验证 (3)4、总结 (8)5、参考文献 (9)1、Matlab介绍MATLAB作为一种功能强大的工程软件，其重要功能包括数值处理、程序设计、可视化显示、图形用户界面和与外部软件的融合应用等方面。

MATLAB软件由美国Math Works公司于1984年推出，经过不断的发展和完善，如今己成为覆盖多个学科的国际公认的最优秀的数值计算仿真软件。

MATLAB具备强大的数值计算能力，许多复杂的计算问题只需短短几行代码就可在MATLAB中实现。

作为一个跨平台的软件，MATLAB已推出Unix、Windows、Linux和Mac等十多种操作系统下的版本，大大方便了在不同操作系统平台下的研究工作。

MATLAB软件具有很强的开放性和适应性。

在保持内核不变的情况下，MATLAB可以针对不同的应用学科推出相应的工具箱(toolbox)，目前己经推出了图象处理工具箱、信号处理工具箱、小波工具箱、神经网络工具箱以及通信工具箱等多个学科的专用工具箱，极大地方便了不同学科的研究工作。

国内已有越来越多的科研和技术人员认识到MATLAB的强大作用，并在不同的领域内使用MATLAB来快速实现科研构想和提高工作效率。

一种基于粒子滤波的红外多目标跟踪算法

一种基于粒子滤波的红外多目标跟踪算法华宇宁;崔春娜【摘要】针对粒子滤波算法固有的“退化”和“样贫”问题,采用基于权值选择重采样算法与粒子滤波算法相结合来优化粒子滤波的滤波性能、克服粒子退化.针对粒子滤波算法在红外目标跟踪,尤其是对遮挡目标跟踪方面的不足,本文从Markov 跳变非线性系统贝叶斯状态估计的角度出发,引入一种无向图即马尔可夫随机场(MRF)来描述多目标的交互模型,提出了该系统下的粒子滤波跟踪框架,并将其用在被遮挡的红外多目标跟踪中.实验结果表明,所提出的算法能有效对被遮挡的红外目标进行跟踪,并且在抗遮挡性以及跟踪持久性等方面优于主流算法.【期刊名称】《沈阳理工大学学报》【年(卷),期】2017(036)001【总页数】5页(P66-70)【关键词】多目标跟踪;权值选择重采样粒子滤波;Markov随机场【作者】华宇宁;崔春娜【作者单位】沈阳理工大学自动化与电气工程学院,沈阳110159;沈阳理工大学自动化与电气工程学院,沈阳110159【正文语种】中文【中图分类】TP391近几年，随着科学技术的快速发展，尤其是计算技术和红外成像技术的飞速发展，红外多目标检测与跟踪技术在军事和民用中都起着更加重要的作用。

多目标跟踪技术定义为实时发现多个目标，并获取目标状态参数信息，根据获取的目标信息分析和估计目标的意图和态势。

尤其是在跟踪多目标时，在多目标被遮挡以及跟踪的实时性等问题成为研究的热点也是难点，存在着许多问题需要解决或改进。

近年来粒子滤波算法[1]作为现代非线性滤波最为关注的一类滤波方法，已经取得了引人注目的成果。

本文主要采用基于贝叶斯抽样估计的序列重要采样(sequential importance sample，SIS)滤波思想，采用权值优选重采样粒子滤波算法[2]与Markov跳变非线性系统[3]相结合，针对传统粒子滤波算法的粒子“样贫”、目标遮挡等缺点进行改进。

粒子滤波是一种基于蒙特卡罗方法和递推贝叶斯估计的统计滤波方法，即通过寻找一组在状态空间中传播的随机样本，对概率密度函数p(xk|zk)进行近似估计，用样本均值代替积分运算，然后通过不断地调整粒子的权重和位置，得到调整后的粒子信息，从而获得该状态的最小方差估计的过程，这些样本被称作“粒子”，整个过程则称作粒子滤波。

应用光学国家重点实验室

应用光学国家重点实验室
佚名
【期刊名称】《照明电器光源灯具》
【年(卷),期】2005(026)002
【摘要】@@ 本室从事应用光学基础研究和高技术研究,主要研究方向是现代光学设计、计测、光学超精加工工艺和现代应用光学的前沿,如短波段光学、光计算等.凡属上述内容的项目均可来我室进行合作研究.
【总页数】1页(P9)
【正文语种】中文
【相关文献】
1.应用光学国家重点实验室 [J],
2.中国科学院长春光学精密机械研究所应用光学国家重点实验室1995年开放基金课题指南 [J],
3.吉林省应用光学国家重点实验室\r建设成效和经验 [J], 杨璐;王维
4.以光之名创新奋进--应用光学国家重点实验室 [J],
5.学科交叉团队建设在国家重点实验室重组中的重要作用--以吉林大学超硬材料国家重点实验室为例 [J], 徐丹;刘然;王启亮
因版权原因，仅展示原文概要，查看原文内容请购买。

单相机变焦图像深度估计技术研究

单相机变焦图像深度估计技术研究
高宏伟;王慧科;刘传银;李斌
【期刊名称】《计算机科学》
【年(卷),期】2014(041)0z1
【摘要】对单相机变焦图像深度估计的若干关键技术进行了详细的研究.首先,从变焦相机的自身特点出发,研究了变焦相机的参数标定方法;其次,研究了基于SIFT的特征点匹配算法,并结合变焦图像的几何约束实现了特征点的鲁棒匹配;最后,建立了变焦图像的三维重建模型.基于真实采集图像的实验结果证明了相关算法的有效性和实用性.
【总页数】3页(P164-166)
【作者】高宏伟;王慧科;刘传银;李斌
【作者单位】沈阳理工大学信息科学与工程学院沈阳110159;中国科学院沈阳自动化研究所机器入学国家重点实验室沈阳110016;沈阳理工大学信息科学与工程学院沈阳110159;沈阳理工大学信息科学与工程学院沈阳110159;中国科学院沈阳自动化研究所机器入学国家重点实验室沈阳110016
【正文语种】中文
【中图分类】TP249
【相关文献】
1.一种视差法与变焦法融合的深度估计方法 [J], 肖照林;杨恒;周果清;王庆
2.基于CNN特征提取和加权深度迁移的单目图像深度估计 [J], 温静;安国艳;梁宇
栋
3.基于深度估计的机场场面视频图像技术研究 [J], 吴寿英; 张建伟; 梁斌斌
4.基于深度估计的机场场面视频图像技术研究 [J], 吴寿英; 张建伟; 梁斌斌
5.融合两种深度线索的光场图像深度估计方法 [J], 苏钰生;王亚飞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于实例推理的飞机钣金零件智能三维检验规划技术

基于实例推理的飞机钣金零件智能三维检验规划技术
李亚南;郝博
【期刊名称】《成组技术与生产现代化》
【年(卷),期】2013(030)003
【摘要】研究了一种基于实例推理的飞机钣金零件的检验规划的专家系统,主要针对典型的飞机钣金零件进行检验规划.将飞机钣金零件检验涉及的知识主要划分为板材类钣金零件知识、型材类钣金零件知识、蒙皮类钣金零件知识、壁板类钣金零件知识,以及各自对应的实例库,将实例的特征属性用一组产生式规则描述,然后用基于规则的匹配方法加以推理识别,并进行修改,得到所需钣金零件的检验卡片.
【总页数】5页(P46-50)
【作者】李亚南;郝博
【作者单位】沈阳理工大学机械工程学院,辽宁沈阳110159;辽宁机电职业技术学院,辽宁丹东118009
【正文语种】中文
【中图分类】TP182
【相关文献】
1.飞机框肋类钣金零件智能制造r技术开发与应用 [J], 刘闯;史航;李仁花;付彬;张鑫;曾一畔
2.飞机钣金检验规划及数模的检验信息提取 [J], 郝博;施华;何利
3.基于三维模型的飞机钣金零件检验特征提取技术 [J], 魏礼勇;何利;郝博
4.飞机钣金特征的智能三维标注技术 [J], 韩达;郝博;刘滕;魏礼勇
5.基于特征的飞机钣金零件检验过程规划 [J], 蔡松
因版权原因，仅展示原文概要，查看原文内容请购买。

WorldView-1卫星影像处理方法初探

WorldView-1卫星影像处理方法初探
曲乔新;王素敏;刘媛媛;张帆
【期刊名称】《北京测绘》
【年(卷),期】2010(000)001
【摘要】有理函数模型(RFM)是与具体传感器无关的通用的模型.经试验结果得出,利用RFM并辅以适量的GCP能及时快速精准的处理WorldView-1高分辨率遥感卫星影像,有利于发挥其在国民经济中的巨大潜力.
【总页数】3页(P52-54)
【作者】曲乔新;王素敏;刘媛媛;张帆
【作者单位】61512部队,北京,100088;61512部队,北京,100088;61512部队,北京,100088;61512部队,北京,100088
【正文语种】中文
【中图分类】P236
【相关文献】
1.基于 RPC 模型的 WorldView-1卫星影像正射校正 [J], 马红
2.WorldView-1卫星图像在康定县地质灾害中的应用 [J], 刘小霞
3.利用WorldView－1卫星数据制作正射影像图 [J], 朱金英;江瑞
4.WorldView-1卫星植被全色图像分形维数的计算方法 [J], 邹涛;漆德宁;张冬英;罗军;周杰
5.关于卫星遥感影像处理技术的探析 [J], 徐梅
因版权原因，仅展示原文概要，查看原文内容请购买。