金运激光1488万增资德龙激光;华工科技光通讯业务促进净利翻两番;2020年全球军用光电与红外系统市场将超163亿美元;AIST与夏普公司合作开发红外彩色夜视成像技术;我国3D打印产业2016年有望建立体系;聚光科技2014年收入12.4亿同比增32%;大族激光2014年净利7亿;相干公司公布2014Q4财务报告;索尼SmartEyeglass采用“全息光学”技术;2014年全球光纤熔接机市场达5.28亿美元;华讯方舟今年有望产出首台国产太赫兹成像仪;西安光机所控股公司成为国家技术转移示范机构之一;康宁收购NovaSol以增强超光谱成像技术;欧盟公布5G愿景涉及光纤、无线;全球首批量产石墨烯手机发布重庆石墨烯产业园初见成效
2025/6/29 4:07:57
2.96MB
1
针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。
采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面(EMAP)特征。
利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。
Indianpines数据集的总体分类精度达到98.14%,PaviaU数据集总体分类精度达到97.24%。
实验结果表明,该算法分类精度高,边界点分类效果更好。
采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面(EMAP)特征。
利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。
Indianpines数据集的总体分类精度达到98.14%,PaviaU数据集总体分类精度达到97.24%。
实验结果表明,该算法分类精度高,边界点分类效果更好。
2025/6/29 4:53:23
12.88MB
1
连续投影算法(SPA)是一种使矢量空间共线性最小化的前向变量选择算法，它的优势在于提取全波段的几个特征波长，能够消除原始光谱矩阵中冗余的信息，可用于光谱特征波长的筛选。
近年来，国内外学者在利用光谱分析技术检测作物和食品中某些重要成分的含量时利用了连续投影算法作有效波长的选取。
近年来，国内外学者在利用光谱分析技术检测作物和食品中某些重要成分的含量时利用了连续投影算法作有效波长的选取。
2025/5/29 16:19:11
97KB
1
摘要苹果叶片直接反应着苹果生长期的营养状况。
中国是苹果的主要生产国，然而国内苹果标准叶片数据的收集仅限于个别时期、个别品种的简单记录，没有形成完整且全面反应本国苹果标准叶片情况的数据集。
因此，构建不同品种苹果标准叶片的图像及近红外光谱数据集显得尤为重要。
这些数据不仅为苹果叶片分析提供参考，还为研究叶片营养快速检测技术提供数据基础。
通过收集中国苹果资源圃中种植的170余种品种的苹果标准树叶，并对叶片进行高清图像采集和近红外光谱采集，建立一个品种全面的苹果标准叶片的图像和光谱数据集。
以期为苹果叶片快速检测和精准养分管理提供数据支撑。
中国是苹果的主要生产国，然而国内苹果标准叶片数据的收集仅限于个别时期、个别品种的简单记录，没有形成完整且全面反应本国苹果标准叶片情况的数据集。
因此，构建不同品种苹果标准叶片的图像及近红外光谱数据集显得尤为重要。
这些数据不仅为苹果叶片分析提供参考，还为研究叶片营养快速检测技术提供数据基础。
通过收集中国苹果资源圃中种植的170余种品种的苹果标准树叶，并对叶片进行高清图像采集和近红外光谱采集，建立一个品种全面的苹果标准叶片的图像和光谱数据集。
以期为苹果叶片快速检测和精准养分管理提供数据支撑。
2025/5/18 9:09:45
4KB
1
苹果高光谱图像数据集用于纯苹果和施肥苹果的高光谱数据集关于数据集用于测量所用化学物质水平的纯苹果和施肥苹果的高光谱数据集。
数据集由各种苹果的高光谱图像组成。
分为三大类:1.“新鲜”-从市场直接购买的苹果图像2."低浓度”-苹果浸入低浓度杀真菌剂/杀虫剂溶液即1克或1毫升肥料兑1升水)的图像，以及3.高浓度“_苹果浸入低浓度杀真菌剂/杀虫剂溶液(即3克或3毫升肥料兑1升水)的图像，以及默认情况下，高光谱图像保存为.bil格式。
此数据集以.tif格式给出。
整个数据集被分类为三个folders.1Apple_Samples,2.Fungicide_Apple3.lnsecticide_AppleApple_Samples文件夹由两个文件夹组成:monostar和nativo。
“Monostar”被进一步分为四个文件夹，总共有207张图片。
"Nativo"由=个文件夹组成，总共73张图片。
杀菌剂苹果由162张图片组成，分为三类，即新鲜苹果、低浓度溶液浸泡的苹果和高浓度溶液浸泡的苹果。
本试验所用的杀菌剂是NATIVO。
同样，杀虫剂苹果由175张图片组成，也分为三类
数据集由各种苹果的高光谱图像组成。
分为三大类:1.“新鲜”-从市场直接购买的苹果图像2."低浓度”-苹果浸入低浓度杀真菌剂/杀虫剂溶液即1克或1毫升肥料兑1升水)的图像，以及3.高浓度“_苹果浸入低浓度杀真菌剂/杀虫剂溶液(即3克或3毫升肥料兑1升水)的图像，以及默认情况下，高光谱图像保存为.bil格式。
此数据集以.tif格式给出。
整个数据集被分类为三个folders.1Apple_Samples,2.Fungicide_Apple3.lnsecticide_AppleApple_Samples文件夹由两个文件夹组成:monostar和nativo。
“Monostar”被进一步分为四个文件夹，总共有207张图片。
"Nativo"由=个文件夹组成，总共73张图片。
杀菌剂苹果由162张图片组成，分为三类，即新鲜苹果、低浓度溶液浸泡的苹果和高浓度溶液浸泡的苹果。
本试验所用的杀菌剂是NATIVO。
同样，杀虫剂苹果由175张图片组成，也分为三类
2025/5/18 9:08:56
761.24MB
1
基于振幅调制的超冷铯原子高分辨光谱的实验研究,用相对于铯分子6S1/2+6P3/2离解限红失谐的光缔合激光作用于磁光阱中超冷铯原子,观察到通过光缔合产生的激发态超冷分子.在实验中,为了得到高信号-噪声比的光缔合光谱,利用声光调制器对俘获光进行振幅调制,将探测到的超冷铯原子的荧光信号利用lock-in技术解调.同时利用密度矩阵方程系统地分析了实验结果.
2025/5/7 7:43:08
210KB
1
以新疆红富士苹果为研究对象,探讨应用高光谱图像技术和最小外接矩形法预测其大小的研究方法。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。
2025/4/29 18:04:53
359KB
1
通过高频等离子体增强化学气相沉积（HFPECVD）在低温下沉积氢化非晶硅氮化物膜（SiNx：H）。
主要工作是研究等离子体频率和等离子体功率密度在确定薄膜特性（尤其是应力）中的作用。
通过傅立叶变换红外光谱（FTIR）获得有关膜中化学键的信息。
SiNx：H膜中的应力由衬底曲率测量确定。
结果表明，等离子体频率在控制SiNx：H薄膜的应力中起着重要作用。
对于以40.68MHz的等离子体频率生长的氮化硅层，观察到初始拉伸应力在400MPa-700MPa的范围内。
氮化硅膜的固有应力的测量结果表明，该应力量足够用于应变硅光子学中的膜应用。
主要工作是研究等离子体频率和等离子体功率密度在确定薄膜特性（尤其是应力）中的作用。
通过傅立叶变换红外光谱（FTIR）获得有关膜中化学键的信息。
SiNx：H膜中的应力由衬底曲率测量确定。
结果表明，等离子体频率在控制SiNx：H薄膜的应力中起着重要作用。
对于以40.68MHz的等离子体频率生长的氮化硅层，观察到初始拉伸应力在400MPa-700MPa的范围内。
氮化硅膜的固有应力的测量结果表明，该应力量足够用于应变硅光子学中的膜应用。
2025/4/23 9:02:20
620KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB