摘要：针对移动机器人在大范围室内环境的定位难题,提出了一种基于圆柱特征的全局定位方法。首先,设计一种参数化地图,采用随机采样一致性算法和几何模型分割出地图中的圆柱点云,利用栅格地图描述环境中稳定人工构筑物的分布。其次,采用轻量级二进制文件记录圆柱和地物分布。然后,基于圆柱独特的几何特性(离群性、对称性和显著性),提出一种实时LiDAR点云圆柱分割方法。最后,设计两种位姿求解策略:第一种是启发式搜索,在地图与实时数据中搜索出最佳匹配圆柱,进而分别解算平移量和旋转量;第二种是优化求解,利用圆柱之间的拓扑关系构建约束条件并计算最优位姿。为验证所提方法的可行性,采用16线激光雷达在大厅、走廊及混合场景3种典型室内环境进行全局定位和回环检测实验。实验结果表明,该方法可有效实现典型空旷室内环境中机器人的全局定位,可达到90%的定位成功率以及0.073 m定位误差,部分数据可达到毫米级定位精度,最快速度在100 ms内,位置识别性能达到主流方法水平。该方法基本满足实际应用中自动驾驶对全局定位的精度和效率要求。

摘要：滑坡是一种危害性较大的自然灾害,如何对其进行高效准确的监测具有重要研究价值和实际意义。利用LiDAR、无人机航空摄影等技术进行滑坡监测,可以快速、安全、精确地获取滑坡区域地面信息。本文提出了融合LiDAR点云的无人机影像滑坡动态监测方法。首先,利用点云和影像获取高质量DSM;然后,设计一种基于不规则三角网和坡度融合的滤波算法,滤除DSM中低矮植被,生产高精度DEM;最后,通过对两期DEM进行差分,实现对滑坡区域的动态监测。以黄登水电站附近边坡区域的LiDAR数据与无人机影像数据开展试验,结果表明,采用本文方法进行滑坡动态监测可以直观地判断滑坡地形变化和位移趋势,具有一定的应用前景。

摘要：倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet(nam-ghost network),用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM(normalization-based attention module),再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集(rape lodging dataset, RLD),该数据集由5 789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG和RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。

摘要：目的近年来甲状腺癌发病率显著提高,超声和细针穿刺活检等术前检查不断完善,但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法为了提高分类的准确性,我们设计一套适合甲状腺组织的电阻抗测量系统,采集来自321例患者的331个离体甲状腺标本共1340项数据集。随后,建立一个基于多特征的一维卷积神经网络(one dimensional convolution neural,1D-CNN)结合长短期记忆网络(long short-term memory,LSTM)混合模型对甲状腺组织进行分类。其中80%(1072/1340)的数据用于训练,另外20%(268/1340)用于测试。采用受试者工作特征曲线(receiver operating characteristic curve,ROC)、宏平均ROC、微平均ROC及曲线下面积(area under the curve,AUC)等指标对甲状腺组织分类模型进行评价。此外,用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果甲状腺组织两分类(恶性/非恶性组织)模型的ROC-AUC=0.94,总体准确率达到91.4%。进一步建立三分类(恶性/良性/正常组织)模型,其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92,微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比,甲状腺组织分类模型具有更高的特异性。结论本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性,该技术有望在未来的临床应用中提供有用的补充信息,从而有助于甲状腺疾病的治疗决策和管理。

摘要：针对车路协同应用场景中目标尺度与位置值域跨度大导致的位姿实时估计精度低、回归求解模型收敛慢的问题,提出了一种基于多分支架构的目标三维位姿实时估计方法。在目标二维检测算法模型架构基础上,设计位姿估计分支结构,用于输出目标姿态四元数、目标相对相机的三维空间位置及目标长宽高。在训练阶段,为位姿估计分支设计了相应的损失函数,采用向量单位化算子回归姿态四元数、对数重映射算法回归目标尺寸与目标到相机距离;在推理阶段,根据模型输出的四元数和目标到相机距离解算出目标三维位姿,实现精确的位姿估计。在OVRC数据集的位姿精度验证中,位置坐标误差的均方差最大为1.94 m,姿态角误差的均方差最大为3.98°;在Kitti数据集的相对精度测试实验中,相比PVNet方法,检测精度提升了3.22%,相比3DBB方法,推理效率提升一倍。

摘要：解析城市轨道交通系统的功能结构对于建立以轨道交通为骨架的城市空间结构至关重要,其有助于优化城市空间布局,促进交通与土地利用融合,进而推动城市可持续发展。本文利用交通刷卡大数据,基于轨道交通站域的功能相似性和邻接关系提出了功能站组的概念,并形成了一套“站域功能分类—站组范围划定—站群结构识别”的方法体系。以上海市轨道交通系统为例,针对单个站域,构建表征站域土地利用功能的连续客流时间序列,并依据时间序列特征分类得到站域功能类型;将多个具有相似的出行模式和土地利用功能的相邻站域划定为功能站组;以功能站组为基本单元,采用社区发现算法,对功能站组间的客流交互网络进行分析以识别站群。研究结果表明,城市轨道交通系统的“站域—站组—站群”层次化功能结构解析方法综合了场所空间和流空间视角,有助于认识特大城市轨道交通系统的功能结构特征,并为轨道交通系统的发展提供多层次的空间优化建议。

摘要：电力杆塔主要构件的图像识别是无人机巡检的主要内容,准确识别杆塔构件对保障电网运行具有重要价值。为此,提出一种基于深度学习和知识图谱的电力杆塔主要构件识别方法。首先,建立不同构件类型的拓扑关系,形成杆塔空间知识图谱;其次,设计语义关系推理模型,融合构件语义特征与拓扑关系,得到增强特征;最后,拼接增强特征与原始特征,实现特征融合。实验表明:在未架线电力杆塔多目标识别方面,所提方法比Reasoning-RCNN、Cascade-RCNN及Faster-RCNN的识别效果好,能够精准识别杆塔主要构件,对无人机电力巡检具有参考价值。

摘要：针对光学遥感影像经常受到云雾遮挡、干扰解译,使得数据利用率低的问题,该文利用SAR影像全天时全天候的特性,提出了一套“雷达-光学”的影像转换算法,以SAR影像为输入,利用对抗网络结合深度学习强大的非线性映射能力以及对抗学习博弈式学习任意数据分布的特点,实现通过云覆盖区域的SAR影像直接生成相应的无云伪可见光影像。实验表明,该方法对于薄云、厚云、大范围云雾的去除效果均比较好,能够在很大程度上提升光学遥感影像的可用性。

摘要：针对全链路遥感人才培养的迫切需求,本研究梳理了微波成像课程传统教学中存在的问题,分析了微波成像课程在武汉大学遥感科学与技术专业第二版“遥感科学与技术大类培养方案”课程体系中的位置和作用。并在此基础之上,将思政教育、国内外微波成像新知识融入教学内容中,为微波成像课程分别设计了合适的理论教学内容与课程实习内容,最后对改进微波成像课程的教学方法进行了探讨,以期实现“三全育人、课程思政、学研协同、实践创新”的新时期教育模式。

摘要：铁路站台点云语义分割是对铁路侵界现象进行检测的关键环节。文中以新型激光扫描测量系统采集的具有三维空间信息的点云数据为基础,在获取初步分割结果的基础上,设计PointNet网络整体结构提取点云数据全局特征,采用多层次金字塔结构对网络进行局部特征提取优化,实现铁路站台点云数据语义分割。研究表明,所提方法对实验点云数据的分割准确率达到84.5%,在铁路工程应用中的点云总体分割精度达到75.34%,在铁路检测中实现了大范围多尺度点云数据的可靠语义分割,满足铁路侵界现象检测分析需求。