Multi-modal High-Resolution Hyperspectral Object Detection System Based on Lightweight Platform
-
摘要: 为解决无人机高光谱成像仪体积大，探测效率低等问题，提出了一种轻小型多模态高分辨率高光谱成像仪。文中主要介绍了高光谱成像仪光学系统设计，数据采集及实时处理模块。通过切换扫描模式满足光谱特性分析，目标检测等不同领域的探测模式需求。采用低畸变、高通量、紧凑型分光光学系统设计实现无人机平台对光谱成像仪的重量要求和探测精度要求。根据设计需求实现产品的加工同时进行了性能测试，其中，MTF达到0.19，光谱分辨率3.5~5.4 nm。通过检测多种流水线中的杂质验证系统对实时目标检测的能力。实现结果表明，系统能够实现每秒2048 pixel×2048 pixel场景的高精度光谱异常目标探测，探测精度优于87%。Abstract: To solve the problems of large volume and low detection efficiency of UAV hyperspectral imagers, a light and small multi-modal high-resolution hyperspectral imager is proposed. This study primarily introduces the optical system design, data acquisition, and real-time processing modules of the hyperspectral imager. The proposed imager satisfies the detection mode requirements in different fields, such as spectral characteristic analysis and target detection, by switching the scanning mode. A low distortion, high throughput, and compact spectroscopic optical system design is adopted to meet the weight and detection accuracy requirements of the UAV platform for the spectral imager. The product was processed according to the design requirements and the performance was tested simultaneously. Among these, the MTF reached 0.19 and spectral resolution was 3.5–5.4 nm. The ability of the system to detect real-time targets was verified through detection of impurities in various pipelines. The implementation results showed that the system achieved high-precision spectral anomaly target detection in 2048 pixel×2048 pixel scenes per second with a detection accuracy greater than 87%.
-
Keywords:
- hyperspectral imaging system /
- UAV platform /
- multimodality /
- light and small
-
0. 引言
中国自2006年以来已成为世界二氧化碳排放量最大的国家，2018年全国建筑全生命周期能耗总量占全国能源消费总量的46.5%[1]；建筑外门窗作为建筑围护结构中节能最薄弱的环节，其产生的能耗约占建筑围护结构总能耗的50%[2]。为应对日渐突出的环境和资源问题，节能减排迫在眉睫，提高建筑外门窗的气密性能等级是降低建筑能耗、实现建筑节能的有效途径之一。针对建筑外门窗的气密性能检测，我国目前采用的检测标准《建筑幕墙、门窗通用技术条件》对外窗的气密性能等级进行了分级划分，选用何种等级的门窗需要根据建筑节能设计要求进行确定[3]；《建筑外门窗气密、水密、抗风压性能检测方法》对建筑外门窗性能提出了系列标准和检测方法，针对建筑外门窗的气密性能检测，目前主要通过实验室内的静压箱法进行，将试件安装在测试设备上对其进行气密性能的检测，测出通过试件的空气渗透量，然后出具相应的门窗检测报告[4]。就外窗气密性检测而言，其检测原理、检测方法、检测装置等方面已较为成熟，但若对建筑所有的外窗进行逐一检测，由于外窗数量庞多，需要检测方法更便捷、高效。
建筑外窗气密性能等级的判定一般在实验室中进行，从确定建筑选用的气密性能等级的外窗后到运往工地进行外窗的安装，这一过程采用抽样检测的方法，对抽取的样品送至实验室，判断气密性能等级是否符合安装等级的要求。然而实验室测量值不能代表外窗实际的气密性能等级，抽样检测的方法无法保证建筑中安装所有外窗的气密性等级都能够达标[5-6]，且对建筑所有外窗的气密性能等级进行判定需耗费大量的时间。同时，外窗安装过程中，外墙孔洞与外窗结合的地方由于施工水平和安装质量的影响，导致窗户与墙体存在缝隙，且随着建筑的使用，建筑沉降等因素也会造成外窗出现变形，导致外窗实际气密性能等级与实验室检测结果存在较大偏差[7]。
红外热成像技术和图像处理技术发展日渐成熟，在建筑与土木领域也被广泛使用。很多学者利用图像处理技术对墙体、瓷砖、钢轨、道路等裂缝问题进行检测，对于能够用肉眼观察到物体存在的裂缝，普通照片通过图像处理技术加以识别即可实现对裂缝的检测[8-9]。对于人眼无法识别，需用触觉方式判断是否存在漏风或温度变化的问题，普通数码相机无法实现，需利用热像仪解决[10-11]。国内外诸多学者，利用热像仪对墙体的空鼓、冷热桥、风管水管的渗漏进行无损检测，通过热成像中颜色的异常寻找缺陷，并通过红外图像处理技术进行辅助判断[12-14]。目前，利用红外图像处理技术在建筑外窗方面的研究相对较少，其优势能够为外窗的缺陷的识别和判断提供便利条件，研究空间相对广阔。
基于此，提出一种红外图像处理技术对建筑外窗气密性能等级进行现场判定的方法，采用压差法进行外窗气密性检测实验，对外窗红外图像中存在缺陷的异常区域进行检测，提取缺陷面积，建立外窗缺陷红外检测模型。再根据室内外温差、缺陷面积、空气渗透量，建立外窗空气渗透量计算模型，将此模型与外窗缺陷红外检测模型结合，实现外窗气密性能的现场检测，为建筑外窗气密性能等级现场判断提供新思路。
1. 外窗缺陷红外检测
1.1 外窗气密性检测实验
外窗气密性检测实验利用压差法（鼓风门法）进行，实验仪器采用美国The Energy Conservatory公司DG700型测试系统[15]。DG700型测试系统由密封和压力调节、实验数据采集、数据分析3部分组成，通过密封和压力调节系统对房间向内或向外鼓风，从而使待测房间与室内外形成压差，在外窗缺陷处形成空气流动，求出空气渗透量、渗漏面积等参数[16]。
进行建筑参数的测量，是为了对实验结果进行计算和分析，测量参数有待测房间的楼板面积、体积、表面积、室内外温度、风速。实验选择压差法测试，有正压和负压两种方式，由于正压检测要求环境条件格外稳定，所以一般不采用。负压检测因受外界干扰较少，被普遍采用，其做法是利用密封与压力调节系统向室外送风，使房间呈现负压状态[17]。在进行外窗气密性测试实验测试时的最佳环境条件是在无风或微风，风速≤三级（6 m/s）。因此，实验选择在无风或微风的环境，减少环境因素的波动对实验以及后续结果的影响。
为了对待测外窗实现完全密封，根据建筑内墙墙体粗糙情况选择合适的密封方式。DG700型测试系统建立后，按照压差法气密性检测实验具体操作，进行房间整体气密性检测；利用聚氯乙烯薄膜对待测房间外窗内部进行密封，完成外窗密封后的气密性检测，并计算外窗密封前后检测结果之间的差值，从而得到待测外窗的渗漏面积和空气渗透量[16]。同时，通过实验测出外窗的空气渗透量，将外窗的空气渗透量除以此外窗的面积，可得此外窗单位面积的空气渗透量，从而能够判断此外窗的气密性能等级。
1.2 外窗红外图像采集
普通数字图像利用边缘检测技术来检测图像中存在的各种边缘[18-19]，但对于外窗检测而言，由于外窗构造的影响，利用图像处理技术处理普通数码照片，无法检测外窗真正的缺陷。热像仪接收物体发出的红外线形成热成像图，热成像图能够反映物体的温度信息，由于外窗缺陷存在空气流动，导致缺陷处与外窗本体正常部位存在温度的差异，通过寻找外窗热成像图中颜色异常的差异，实现对外窗缺陷的判断[20-21]。采用瑞典FLIR SYSTEMS AB公司FLIR B200的热成像仪，在外窗气密性能现场测量实验中采集红外图像。为减少环境因素对热像仪采集的影响，在阴天或傍晚的无风少尘环境进行采集。
DG700型测试系统测试出的渗漏区域数值分别是在10 Pa条件下的等效渗漏面积（equivalent infiltration area, EqLA）和4 Pa条件下的有效渗漏面积（effective infiltration area, ELA），而我国在外窗气密性能分级检测中分级指标值的确定是在10 Pa的压差环境，因此，实验测试数据选用测试系统在10 Pa状态的等效渗漏面积，便于测试结果与标准的对照，对外窗的气密性能等级进行分级判断。由于外窗缺陷处存在空气流动与正常部位形成温差，在红外图像中表现为颜色的异常。在室内外无压差的环境中，外窗缺陷仍然存在，空气流动一直发生，压差环境只能使缺陷部位空气流动更迅速、在红外热成像图中表现得更明显，为了后续在无压差的室内外环境中能够对外窗直接进行检测，需建立无压差环境的外窗缺陷红外检测模型。因此在完成10 Pa压差环境的图像采集后，停止风机运行，开窗平衡、稳定室内气压，关闭外窗进行室内外0 Pa压差环境下待测外窗红外图像的采集。
1.3 外窗红外图像处理
1.3.1 外窗缺陷检测和面积计算
对采集的10 Pa压差环境下的图像采用加权平均法进行灰度化处理，中值滤波进行降噪处理，图像锐化和直方图均衡化进行图像增强处理[22]，图 1是对某一外窗进行图像预处理的结果，从左到右分别是外窗原始红外图像、灰度化处理结果、中值滤波结果、图像增强结果。图像经预处理后采用不同边缘检测算法对外窗缺陷进行边缘检测，如图 2所示，图中从左到右分别是利用Roberts、Sobel、Prewitt、Canny、Log算法和阈值分割法对外窗缺陷进行检测的结果，从图可知外窗缺陷能够从墙体和窗户中分离，缺陷轮廓明显。由于各方法对目标缺陷的计算方式不同，导致在边缘检测的过程中对外窗缺陷识别存在差异，进而影响缺陷的识别和面积的计算结果，因此需要对比外窗气密性检测实验的结果，确定面积吻合较高的缺陷识别方法，并利用此方法检测和定位外窗红外图像缺陷的具体位置。
![]()
图 2 各方法进行外窗缺陷检测结果Figure 2. Detect results of the defects of windows by various methods利用像素面积法对检测到的缺陷进行面积计算，得到的部分结果如表 1所示。通过对比外窗气密性检测实验的实验值与Roberts、Sobel、Prewitt、Canny、Log算法和阈值分割法处理后的缺陷面积，发现不同检测方法的处理结果与实验值存在一定误差。通过单独对比各种处理方式检测值与实验值可以看出，采用各个方法检测到的外窗缺陷面积普遍都大于外窗缺陷检测的实验值，这是因为红外热成像仪的实际参数与理论参数存在误差对计算结果产生影响。在进行红外检测时，外在的环境因素如温度、湿度、风速、太阳辐射、空气质量状况等都会使红外辐射在传输中造成能量衰减，使得热成像图中缺陷的状态与实际状态存在一定的差别，导致检测的缺陷面积与实验值存在一定的误差；同时，由于热像仪检测对温度异常的误判也会导致检测到的外窗缺陷面积增大，处理结果大于实验值的现象。
表 1 外窗缺陷面积对比Table 1. Defect area comparison of windowsWindows Value of experiment/cm2 Roberts/cm2 Sobel/cm2 Prewitt/cm2 Canny/cm2 Log/cm2 Threshold value segmentation/cm2 C0407（1） 0.90 0.96 1.39 1.39 1.70 1.62 0.92 C0407（2） 1.50 1.50 1.80 1.80 1.40 2.10 1.50 C0709（1） 3.20 3.21 4.03 3.84 3.46 4.48 3.65 C0814（1） 4.30 5.19 11.32 11.07 6.58 11.61 4.70 C1218（1） 11.20 11.50 14.44 14.40 15.44 7.20 11.52 C1218（2） 10.30 11.03 14.22 14.02 10.89 14.76 10.43 C1716（1） 9.20 9.30 11.92 11.90 9.32 4.96 9.30 C2114（1） 15.80 14.86 25.42 24.88 22.93 23.33 16.87 C2114（2） 11.50 13.80 17.20 17.00 13.80 16.30 13.90 C2418（1） 20.90 24.60 31.80 31.40 23.40 26.90 24.60 对100组外窗红外热成像进行相应的处理，将实验值与各处理方式所得处理结果进行误差的计算，计算误差汇总如表 2所示，利用Roberts进行外窗缺陷检测可以达到与实验值更为接近的结果，处理平均误差为7.36%，可认为此方法定位的外窗缺陷信息更符合实际外窗热工缺陷存在的位置。
表 2 各处理方式误差汇总Table 2. Summary of errors of each processing methodRoberts Sobel Prewitt Canny Log Threshold segmentation 7.36% 56.21% 53.86% 26.35% 61.92% 7.97% 1.3.2 外窗缺陷红外检测模型建立
为使外窗缺陷检测的方法能够便捷地在外窗热工缺陷检测中实现相关应用，缩减在检测中利用风机维持10 Pa压差的流程，需建立0 Pa压差环境的外窗缺陷红外检测模型。将拍摄的0 Pa压差环境下的待测外窗红外图像，采用与10 Pa压差环境图像同样的处理方法，求出图像处理值。利用Roberts对外窗的缺陷检测值与实验值误差最小，通过外窗缺陷面积的实验值和外窗热成像Roberts检测后的处理值进行分析，确定0 Pa压差环境下的外窗红外图像经过预处理、边缘检测、面积计算得到的处理值与实验值的关系，建立外窗缺陷红外检测模型。
图 3是100组外窗的实验值与其在0 Pa压差环境下图像处理值绘制的散点图，求得0 Pa压差环境的线性回归模型为：y＝0.965x－0.090，其中，R方统计量为0.997，拟合良好；F＝31611.933，P＝0，回归模型显著。此模型针对于0 Pa压差环境采集的外窗红外图像处理的结果，通过此模型，将0 Pa压差环境下采集的外窗热成像图经处理后，能够得到外窗热工缺陷在10 Pa压差环境状态的面积，模型的建立使平均误差降至3.21%。通过热像仪建立的0 Pa压差环境下的外窗缺陷红外检测模型，可以计算出在无风机维持10 Pa压差环境状态下的外窗缺陷面积。
![]()
图 3 外窗缺陷实验值与图像处理值的散点图Figure 3. Scatter plot of the experimental value and the image processing value of the window defect2. 外窗气密性能现场检测
2.1 外窗空气渗透量计算模型的建立
外窗的空气渗透量与外窗缺陷面积、所处环境的风速、室内外温度有关[23-24]。在进行外窗气密性检测实验和外窗红外图像采集时，避开非适宜实验仪器的工作环境来减少测试误差，实验都是在无风或微风的环境进行。在建立外窗空气渗透量计算模型时，风速无法作为变量考虑，因此外窗空气渗透量计算模型主要考虑空气渗透量与缺陷面积和室内外温度的关系。在1.1中，外窗气密性检测实验能够间接检测出外窗空气渗透量和渗漏面积，同时在实验测试前对室内外温度进行了测量和记录，其实验数据能够为外窗空气渗透量计算模型的建立提供实验样本。因此，能够建立外窗空气渗透量V与外窗缺陷面积S和所处环境室内外温差ΔT的关系模型。
进行1000组外窗气密性检测实验，实验样本中的测试环境室内温度范围在0℃~30℃，室外温度范围在－10℃~35℃，室内外温差ΔT范围在－19℃~36℃。外窗空气渗透量计算模型建立选用神经网络的方法，神经网络结构包含输入层、隐含层、输出层，通过输入样本数据利用神经网络结构不断进行训练、检验减少误差，最终输出与样本数据相关性高的模型，实现相关预测和计算[25-27]。
利用神经网络进行建模时，输入变量为外窗缺陷面积S和所处环境室内外温差ΔT，目标变量为外窗空气渗透量V。关于对神经网络计算的设置，1000组实验样本，设定训练集为700，测试集为200，检验集为100。利用训练集建立神经网络模型，再利用测试集对新建立的神经网络模型加以试验，测试其是否可以计算或预测训练集以外的数据，利用检验集数据对神经网络进行最终的检验[28]。图 4所示的是神经网络完成训练后，外窗空气渗透量计算模型的回归分析图，分别是训练集，测试集，检验集、样本总集的回归分析。各图中虚线代表的最优回归线和实线代表的理想回归线重合，训练集，测试集，检验集、样本总集相关系数R分别为0.99711、0.99729、0.99596、0.99701，拟合效果良好。
![]()
图 4 外窗空气渗透量计算模型神经网络回归分析Figure 4. Regression analysis diagram of calculating model of air infiltration amount of windows with neural network外窗空气渗透量计算模型建立后，将外窗缺陷面积和所处环境室内外温差输入模型，能够得出外窗的空气渗透量。由于获取的实验数据都基于10 Pa的压差状态，因此建立的模型输出的也是10 Pa状态下的外窗的空气渗透量，与气密性能等级分级指标处于同一压差标准，便于直接判定。
2.2 外窗气密性能等级现场判定
对外窗气密性能等级进行现场判定时，应选择在适宜热像仪工作的环境下对外窗的热成像进行采集，需对待测外窗进行尺寸的测量，并测试外窗所处环境的室内外温度。以某一待测外窗为例进行气密性能等级的现场判定，待测外窗高1.60 m，宽2.10 m，测试时室内温度17.3℃，室外温度8.3℃。图 5是拍摄到的待测外窗在0 Pa压差环境下的原始红外图像，图 6是经过灰度化、中值滤波、图像增强处理和缺陷检测后的图像。将检测后图像中缺陷的面积输入外窗缺陷红外检测模型中，得出待测外窗热工缺陷面积0.0012353 m2，经外窗空气渗透量计算模型可得，待测外窗空气渗透量11.0925 m3/h，单位面积空气渗透量3.30 m3/h，现场判定的气密性能等级为6级。在判定外窗气密性能等级的同时，通过观察外窗缺陷检测和识别的图像结果，可以对缺陷部位采取维护措施，提高气密性能等级。
为了验证利用热像仪和外窗空气渗透量计算模型对外窗进行气密性能等级现场检测的准确性，随机选取外窗进行1.1的外窗气密性检测实验，通过实验测试结果与建立模型的输出结果进行比较，对外窗气密性能等级现场检测方法进行验证。表 3是外窗气密性能等级现场判定结果的对比，检测模型所得结果与实验结果的平均误差为4.41%，说明模型输出值与实测值吻合较好，验证了利用热像仪和外窗空气渗透量计算模型对外窗气密性能等级进行现场判定的可行性。
表 3 外窗气密性能等级现场判定结果对比Table 3. Comparison of site judgment results of airtightness performance grade of windowsWindows Experimental result Model result Relative error Air permeability/(m3/h) Air permeability per unit area/(m3/(m2·h)) Air permeability/(m3/h) Air permeability per unit area/(m3/(m2·h)) C0923 7.00 3.38 7.32 3.54 4.60% C0918 6.00 3.70 5.76 3.55 3.94% C1823 17.00 4.11 18.28 4.41 7.41% C0910 4.00 4.44 3.93 4.36 1.69% C0623 5.00 3.62 5.13 3.72 2.69% C0924 7.00 3.24 7.11 3.29 1.62% C1523 12.00 3.48 13.06 3.78 8.76% C1824 14.00 3.24 15.08 3.49 7.77% C1822 17.00 4.29 17.74 4.48 4.41% C1514 8.00 3.81 8.10 3.86 1.22% 3. 结论
通过对外窗热成像图中的缺陷进行提取和面积计算，建立外窗缺陷红外检测模型；再根据室内外温差、外窗缺陷面积、空气渗透量各参数建立外窗空气渗透量计算模型，实现外窗气密性能等级现场判定，结果表明：
① 利用Roberts算法对处理后外窗红外图像的检测与实验值差异最小，检测信息更接近实际缺陷位置，处理平均误差为7.36%，可认为此方法定位的外窗缺陷信息更符合实际外窗热工缺陷存在的位置。通过建立0 Pa压差环境的外窗缺陷红外检测模型，能够得到10 Pa压差环境下的外窗缺陷面积，模型的建立使平均误差降至3.21%。
② 根据外窗气密性能等级现场判定结果的对比，通过外窗空气渗透量计算模型所得的结果与实验测试值的误差为4.41%，可以实现利用红外热成像仪和检测模型对外窗气密性能等级进行现场判定。外窗气密性能等级现场检测方法简化了实验流程，节约检测时间，能够在现场快速对外窗气密性能等级进行判定，便于实际工程中对建筑所有外窗逐一检测。
-
![]()
图 6 数据采集与实时处理模块结构
Figure 6. Structure diagram of data acquisition and real-time processing module
![]()
图 8 基于二维奇异谱分解的高光谱非监督分类算法架构
Figure 8. Architecture of hyperspectral unsupervised classification algorithm based on 2DSSA
表 1 常用无人机平台光谱仪
Table 1 Commonly used UAV platform spectrometer
Manufacturers Project Spectral region/μm Spectral resolution /nm Pixel elements /pixel Field angle/° Mass/kg Specim FX10 0.4-1.0 5.5 b 1024 38c 1.26 d FX17 0.9-1.7 8 b 640 1.7 d Headwall Nano HyperSpec 0.4-1.0 6 b 640 17c 1.2 d Micro HyperSpec 0.4-1.0 5.8 b 1600 34c 3.9 d Resonon Pika L 0.4-1.0 3.3 b 900 13c 1.59 e Pika XC2 0.4-1.0 1.9 b 1600 23c 3.37 e Pika IR+ 0.9-1.7 5.6 b 640 21c 4.31 e HySpex Mjolnir V-1024 0.4-1.0 3 a 1024 20c 4 d Mjolnir S-620 0.97-2.5 5.1 a 620 4.5 d Note：a Spectral sampling interval. b Full width of spectral response function at half maximum. c FOV at common focal length.
d Lens and image acquisition system not included. e Including image acquisition system.
下载: 导出CSV
表 2 光学系统设计指标
Table 2 Optical system design indexes
Parameters Indexes Spectrum range /μm 0.4~1.0 F number 2.4 Focal length /mm 25 FOV/° 25 Scanning angle /° -20~20 Spectral resolution /nm 5 Spectral sampling interval/nm 2.5 Slits size 11.3 mm×0.09 μm Diffraction order -1 MTF ≥0.45
下载: 导出CSV
表 3 不同场景下的成像条件
Table 3 Imaging conditions in different scenes
Surface reflection characteristic Solar zenith angle/° Forest 30 Soil 30 Albedo0.3 30 Albedo0.3 45 Albedo0.3 60
下载: 导出CSV
表 4 未知杂质类型时各杂质检测准确率
Table 4 The detection accuracy of each impurity when the impurity type is unknown
Impurity number Impurity type Impurity image Textual algorithm RXD Detection accuracy rate Detection accuracy rate 1 White plastic 14 14 100% 14 100% 2 Green plastic 13 12 92% 11 85% 3 Blue plastic 11 9 82% 10 91% 4 Cardboard 10 10 100% 9 90% 5 Yellow plastic 14 9 64% 10 71% 6 Bits of wood 12 10 83% 9 75% 7 Froth 17 15 88% 13 76% 8 Grey cardboard 14 13 93% 13 93% 9 Red plastic 14 13 93% 14 100% 10 Hemp rope 11 9 82% 8 73% Average - - 87% - 85%
下载: 导出CSV
表 5 已知杂质类型时各杂质检测准确率
Table 5 The detection accuracy of each impurity when the impurity type is known
Impurity number Impurity type Impurity image No impurity image Textual algorithm RXD algorithm Detection Accuracy rate False detection Rate for error detection Detection Accuracy rate False detection Rate for error detection 1 White plastic 10 730 10 100% 68 9.32% 10 100% 59 8.08% 2 Green plastic 10 730 10 100% 11 1.51% 10 100% 34 4.67% 3 Blue plastic 10 730 10 100% 66 9.04% 10 100% 63 8.63% 4 Cardboard 10 730 10 100% 72 9.86% 9 90% 68 9.32% 5 Yellow plastic 10 730 10 100% 10 1.37% 10 100% 27 3.70% 6 Bits of wood 10 730 10 100% 69 9.45% 10 100% 65 8.90% 7 Froth 9 731 9 100% 67 9.17% 9 100% 56 7.67% 8 Grey cardboard 10 730 10 100% 68 9.32% 10 100% 75 10.27% 9 Red plastic 10 730 10 100% 43 5.89% 10 100% 31 4.25% 10 Hemp rope 10 730 6 60% 80 10.96% 7 70% 95 13.01% - Average - - - 96% - 7.59% - 96% - 7.85%
下载: 导出CSV
-
[1] Cocks T, Jenssen R, Stewart A, et al. The HyMap airborne hyperspectral sensor: the system, calibration and performance[C]//Proc. 1st EARSeL Workshop on Imaging Spectroscopy, 1998: 37-42.
[2] Babey S K, Anger C D. Compact airborne spectrographic imager (CASI)[C]//Imaging Spectrometry of the Terrestrial Environment, 1930, DOI: 10.1117/12.157052.
[3] Ulbrich G J, Meynart R, Nieke J. APEX-airborne prism experiment: the realization phase of an airborne hyperspectral imager[C]//Proceedings of SPIE-The International Society for Optical Engineering, 2004, 5570: 453-459.
[4] Hamlin L, Green R O, Mouroulis P, et al. Imaging spectrometer science measurements for Terrestrial Ecology: AVIRIS and new developments[C]//Aerospace Conference. IEEE, 2011: 1-7.
[5] Pullanagari R R, Kereszturi G, Yule I J. Quantification of dead vegetation fraction in mixed pastures using AisaFENIX imaging spectroscopy data[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 58: 26-35.
[6] WANG Y. Wide-field-of-view visible and near infrared pushbroom airborne hyperspectral imager (Conference Presentation)[C]// Infrared Technology and Applications XLIV, 2018, 10624: 15-19.
[7] Horstrand P, Guerra R, Rodriguez A, et al. A UAV platform based on a hyperspectral sensor for image capturing and on-board processing[J]. IEEE Access, 2019, 7: 66919-66938. DOI: 10.1109/ACCESS.2019.2913957.
[8] QIN Jianwei, CHAO Kuanglin, Moon S Kim, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J]. Journal of Food Engineering, 2013, 118(2): 157-171. DOI: 10.1016/j.jfoodeng.2013.04.001
[9] Barreto M, Johansen K, Angel Y, et al. Radiometric assessment of a UAV-Based push-broom hyperspectral camera[J]. Sensors, 2019, 19(21): 4699. DOI: 10.3390/s19214699
[10] Malenovsky Z, Lucieer A, Robinson S A, et al. Ground-based imaging spectroscopy data for estimation of Antarctic moss relative vigour from remotely sensed chlorophyll content and leaf density at ASPA[J]. Environmental Science, 2015, DOI: 10.4225/15/555C1DB80CB70.
[11] Kanning M, I Kühling, Trautz D, et al. High-resolution UAV-based hyperspectral imagery for LAI and chlorophyll estimations from wheat for yield prediction[J]. Remote Sensing, 2018, 10(12): 2000. DOI: 10.3390/rs10122000
[12] ZHU C, Kanaya Y, Tsuchiya M, et al. Optimization of a hyperspectral imaging system for rapid detection of microplastics down to 100 m[J]. Methods X, 2021, 8: 101175.
[13] Lenhard, Karim, Schwarzmaier, et al. Independent laboratory character-rization of NEO HySpex imaging spectrometers VNIR-1600 and SWIR-320m-e[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(4): 1828-1841. DOI: 10.1109/TGRS.2014.2349737
[14] Blaaberg S, T Løke, Baarstad I, et al. A next generation VNIR-SWIR hyperspectral camera system: HySpex ODIN-1024[C]//Electro-optical & Infrared Systems: Technology & Applications XI. International Society for Optics and Photonics, 2014, DOI: 10.1117/12.2067497.
[15] Telmo A, Hruka Joná, Pádua Luís, et al. Hyperspectral imaging: a review on UAV-based sensors, data processing and applications for agriculture and forestry[J]. Remote Sensing, 2017, 9(11): 1110. DOI: 10.3390/rs9111110
[16] Nex F, Armenakis C, Cramer M, et al. UAV in the advent of the twenties: Where we stand and what is next[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 184: 215-242. DOI: 10.1016/j.isprsjprs.2021.12.006
[17] 刘银年. "高分五号"卫星可见短波红外高光谱相机的研制[J]. 航天返回与遥感, 2018, 39(3): 25-28. https://www.cnki.com.cn/Article/CJFDTOTAL-HFYG201803004.htm LIU Y N. Visible-shortwave infrared hyperspectral imager of GF-5 satellite[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(3): 25-28. https://www.cnki.com.cn/Article/CJFDTOTAL-HFYG201803004.htm
[18] Stefano P, Angelo P, Simone P, et al. The PRISMA hyperspectral mission: Science activities and opportunities for agriculture and land monitoring[C]//Geoscience & Remote Sensing Symposium. IEEE, 2014: 4558-4561.
[19] Iwasaki A, Tanii J, Kashimura O, et al. Prelaunch status of hyperspectral imager suite (Hisui)[C]//IEEE International Geoscience and Remote Sensing Symposium, 2019: 5887-5890.
[20] 郭俊先. 基于高光谱成像技术的棉花杂质检测方法的研究[D]. 杭州: 浙江大学, 2011. GUO J X. Study on Detection of Cotton Trashes by Hyperspectral Imaging[D]. Hangzhou: Zhejiang University, 2011.
[21] 汪瑶. 用于工业分拣的高光谱智能相机研究[D]. 合肥: 中国科学技术大学, 2012. WANG Y. Research on Hyperspectral Smart Camera for Industrial Sorting[D]. Heifei: University of Science and Technology of China, 2012.
[22] Faqeerzada M A, Lohumi S, Kim G, et al. Hyperspectral shortwave infrared image analysis for detection of adulterants in almond powder with one-class classification method[J]. Sensors, 2020, 20(20): 5855. DOI: 10.3390/s20205855
[23] YU F H, BAI J C, JIN Z Y, et al. Research on precise fertilization method of rice tillering stage based on UAV hyperspectral remote sensing prescription map[J]. Agronomy, 2022, 12(11): 2893. DOI: 10.3390/agronomy12112893
[24] LIU X M, WANG H C, CAO Y W, et al. Comprehensive growth index monitoring of desert steppe grassland vegetation based on UAV hyperspectral[J]. Front Plant Sci. , 2023, 13: 1050999. DOI: 10.3389/fpls.2022.1050999.
[25] Resonon Inc. Hyperspectral Imaging Solutions[EB/OL]. [2023-06-12]. https://resonon.com.
[26] 李岩, 马越. 扫描线校正器校正量的实验室测试方法[J]. 航天返回与遥感, 2014, 35(2): 62-68. https://www.cnki.com.cn/Article/CJFDTOTAL-HFYG201402009.htm LI Y, MA Y. The laboratory scan line corrector test method[J]. Spacecraft Recovery & Remote Sensing, 2014, 35(2): 62-68. https://www.cnki.com.cn/Article/CJFDTOTAL-HFYG201402009.htm
[27] ZENG Y, HAO D, Huete A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature Reviews Earth & Environment, 2022(3): 477-493.
[28] WANG Y, WANG L, YU C, et al. Constrained-target band selection for multiple-target detection[J]. IEEE transactions on geoscience and remote sensing: a publication of the IEEE Geoscience and Remote Sensing Society, 2019: 6079-6103, DOI: 10.1109/TGRS.2019.2904264.
[29] Zabalza J, QING C, YUEN P, et al. Fast implementation of two-dimensional singular spectrum analysis for effective data classification in hyperspectral imaging[J]. Journal of the Franklin Institute, 2018, 355(4): 1733-1751. DOI: 10.1016/j.jfranklin.2017.05.020
[30] Berk A, Anderson G P, Acharya P K, et al. MODTRAN (TM) 5, a reformulated atmospheric band model with auxiliary species and practical multiple scattering options: Update[C]//Proceedings of SPIE-The International Society for Optical Engineering, 2005, 5806: 662-667.
-
期刊类型引用(4)
1. 李环宇，冯国会，刘馨，蒲毅，王涵. 基于红外热成像的围护结构热工性能定量检测方法研究进展. 太阳能学报. 2024(07): 427-437 . 
百度学术
2. 付相球，张喜臣，王晓军，戴红亮，刘宁，赵倩. 建筑外门窗气密性能研究综述. 建筑科学. 2024(12): 107-115+290 . 百度学术
3. 张玲玲，张继冉，许廒，任攀攀，丁立斌. 基于红外图像处理的建筑外窗缺陷能耗分析研究. 红外技术. 2023(09): 996-1004 . 本站查看
4. 王丽娟. 住宅小区外墙渗漏因素及应对措施探析. 江西建材. 2023(09): 259-260+263 . 百度学术
其他类型引用(0)
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 4
