星载紫外相机空间目标探测能力研究

卫星在发生由太阳翼导致的季节性闪烁时反射光谱会向短波偏移,波长更短的紫外段在空间目标太阳翼探测中具有潜在优势。针对空间目标探测,建立了空间目标探测信噪比和探测距离模型。针对模型中影响最大的材料特性,测量了典型卫星材料、太阳翼电池材料等紫外和可见光段的光谱反射率,也分析了模型中探测器和深空背景等其它影响因素。以“实践五号”和“天网5D”卫星为例,验证了紫外在太阳翼探测上的确存在显著优势。结果表明,相对于卫星主体可见光探测,太阳翼紫外探测信噪比增强1.3~1.6倍,由紫外和可见光复合探测距离可提升1.5~1.8倍。并且紫外在临边、掩星模式下,以及卫星变轨中发动机尾焰的探测中较可见光具有明显技术优势,因而紫外探测在空间目标探测中具有明显的费效比和探测能力优势。

基于深度学习的生猪饮水行为识别研究

计算机视觉技术越来越多地应用于生猪饮水等行为识别中,以判断生猪健康状况。现有的饮水识别方法主要依赖目标轮廓,而传统的阈值分割方式受光照、噪点等因素影响较大,提取的轮廓不够精确。提出一种基于深度学习目标检测算法YOLO(You Only Look Once,YOLO)的生猪行为识别方法,根据生猪位置与饮水区的关系以及是否处于静止状态综合判断其饮水行为。该方法不依赖目标轮廓,且无复杂的手动特征提取过程。在深度学习框架tensorflow上进行群养猪检测、定位以及饮水行为识别。实验证明,该算法比基于轮廓的饮水识别算法精度提高3%,达到94.0%。

三维点云与可见光图像融合方法及可视化

鉴于三维点云缺少颜色信息和光学图像缺少空间信息,提出一种基于激光雷达与相机自动标定的融合方法,融合后的数据兼有点云的空间信息和光学图像的颜色纹理信息.首先利用平面标定板对激光雷达和光学相机进行分步式自动标定,其次通过共线方程建立坐标关系,将光学图像的颜色纹理信息赋予点云进行融合并进行可视化.实验结果表明:所提方法在提高自动化程度的同时也在一定程度上提高了融合精度;与基于人工匹配的标定融合方法相比,所提方法的精度提升了 51.7%;与基于梯形棋盘格标定板的标定融合方法相比,所提方法的精度提升了 36.4%.从多角度观测可视化结果,所提方法都能从颜色和空间效果方面更好地还原真实场景.