本成果属于高光谱图像信息处理技术，为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性，进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性，同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取，并通过核变换方法将新特征字典投影到高维的线性核特征空间，最后利用核化协同表示算法的高效性对高光谱图像进行分类。 主要技术指标 University of Pavia 通过 ROSIS-03 传感器记录，该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103，空间分辨率为 1.3 m / 像素，光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。 请参阅表 1，本方法提出的高光谱图像分类方法，相比于传统分类器 SVM，OA 提高了约 18%；相比于 JSRC，OA 提高了约 5%；同时参阅表 2，展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。 表 1 PaviaU 数据集上对比实验结果 表 2 不同数据集上时间运行对比实验结果

本发明提出了一种用于光谱图像数据降维的邻居点搜索方法及系统，包括首先对当前像素所在窗口 的像素进行筛选，剔除受噪声等因素干扰较大的像素；然后对当前像素以及待比对像素所在窗口内像素 分别进行排序，计算当前像素和待比对像素所在窗口的光谱距离；选取相似度最高的若干像素为当前像 素的邻居点。本发明的方法充分利用了空间信息，而且通过排序使得搜索过程不受图像几何形态上的变 化影响，具有空间鲁棒性，对一些噪声污染点也有很好的抑制作用，使得寻找到的邻居点更准确，提高 了高光谱图像数据降维处理的性能。 

HY-90系列无人机载高光谱成像系统，采用自主研发的高光谱相机，结合高清可见光相机、定制化高稳云台、高精度GPS系统、远程控制系统，实现对地物多源信息的同步定性、定量、定时、定位的采集。  功能特性 采用高性能大靶面cmos图像传感器，光谱分辨率优于2.8nm； 内含定制云台自稳定系统，无人机推扫成像，作业效率高 ； 硬件同步触发高清可见光相机，分辨率达1500w像素，支持高精度正射影像拼接 ； 硬件同步触发POS系统，GPS定位数据与高光谱数据按行精准对应，辅助图像拼接 ； 小型地面站广播基站GPS信息，实现机载端RTK ；可实现远程智控，提升用户操作及使用便利性； 支持实时图传，监控单波段图像及光谱曲线； 机载控制及数据采集软件，数据格式完美支持ENVI等第三方软件； 可适配大疆M600 pro、华测P580及科卫泰、海康等多种无人机平台。  应用领域 水质环保：水质监测（总氮、总磷、氨氮、叶绿素、浊度、高锰酸钾指数等） 土壤监测：土壤含水量监测、土壤肥力监测、重金属污染监测； 地质应用：矿物填图、矿物成分探测、成矿预测； 农林碳汇：农业测绘，病虫害防治，树种识别， 国防军工：伪装识别，无人侦察等； 

小试阶段/n该平台继承了目前主流计算框架和编程模式，尤其是内存计算框架， 通用性强、时效性高。该平台从根本上解决了目前大数据处理中耗时过 长的问题，通过优化大数据处理系统的任务管理和内存管理，对用户提 供主流的简洁编程接口，与目前国际上主流系统对比，该平台可以大量 减少内存占用，最高性能提升可达 41 倍，。该平台同时从根本上解决了 大数据系统自动管理内存的开销，减少 90%以上的开销。该技术平台是一 种通用数据处理平台，不影响上层生态应用，可以适用于各类大数据生 态系统，包括机器学习与深度学习领域

本实用新型公开了一种基于高光谱成像的大田害虫监控诱捕装置，包括：杀虫装置、采样装置、终端机，所述的采样装置为高光谱仪摄像头；还包括：排虫装置；输送装置；动力装置；所述的排虫装置包括：壳体，顶部设有与杀虫装置相连的入虫口，底部设有出虫口；空心芯轴，伸入壳体内；排虫轮，转动安装在空心芯轴上，外圆周面上设有排虫孔，排虫孔与排虫轮的内腔连通，排虫轮的内腔通过空心芯轴与负压装置连通；止吸阀，固定安装在空心芯轴上，可封闭欲排虫的排虫孔。可有效地克服由于害虫虫体相互重叠而导致无法精确计数和种类识别的问题；不仅可以进行计数，而且可对害虫的种类、雌雄以及虫龄进行判别，使对大田害虫虫情的预测和判别更准确。

该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。 主要技术指标 不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。 （1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。 （2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。 （3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。 表 1.PaviaU 大学数据的训练样本选取与分类结果 表 2. 不同窗口大小下的特征生成时间比较

本发明公开了一种基于图论的高光谱图像显著度计算方法，包括以下步骤：1）将输入的高光谱图像以图表示；2）对图进行权值计算，构建权重矩阵,权重矩阵中的元素值反映了中任意一个顶点和其他所有顶点的联系；3）像元的全局显著性计算，像元的全局显著性等于它与图像中所有其它像元间权值的总和：4）像元的局部显著性计算，像元的局部显著性用其邻域背景像素的方差来表示：5）像元的最终显著度计算，将对应像元的全局显著性与局部显著性相乘，得到各像元的最终显著度。本发明在计算高光谱图像显著度时，充分考虑了感兴趣目标的光谱特性和几何尺寸特性，因此，能够有效抑制背景的干扰，提高感兴趣区域的提取效果。

本发明公开了一种面向超光谱数据库的小波去噪算法，属于超光谱数据的处理方法，用于对带有噪 声的超光谱曲线进行降噪。本发明顺序包括小波降噪参数选择、小波降噪。本发明在小波降噪参数学习 过程中充分考虑了超光谱数据库中各种物质超光谱曲线的特性，快速的选择适合超光谱数据库绝大多数 光谱曲线的小波降噪参数，然后使用选择得到的参数对测量到的超光谱曲线进行降噪。该方法能快速的 针对各种不同应用场景的超光谱数据库选择与之适应小波降噪参数，提高了降噪的效果，提高光谱匹配 的准确率。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。