内容摘要：
速读文章内容
看！这就是河海丨潜精研思，勇攀高峰！
伴着青春的梦想与赤诚之心
随着每一位富有朝气的河海师生
以新闻视角 观校园万象
网罗校园资讯 追踪最新动态
听河海故事 品河海魅力
在这里，我们与你共享每周精彩时光
校园新鲜事，尽在河海要闻
HHU NEWS
我校青年学者与英国研究团队
合作提出基于增强特征金字塔网络
和深度语义嵌入的遥感图像场景分类方法
遥感图像具有地物覆盖范围广、地物信息复杂、人工标注费时等特点，将深度神经网络应用于遥感图像处理后，能够节省人力资源并提高并行处理效率，是推动遥感图像自动化处理平台发展的重要基石。目前，基于深度学习的遥感图像场景分类中存在如下问题，一是网络过度关注全局特征而忽略局部特征；二是单向层次化特征提取方式导致浅层特征图缺乏语义信息而深层特征图存在空间信息缺失。为此， 我校计算机与信息学院王鑫博士与英国莱斯特大学（University of Leicester）Huiyu Zhou教授团队共同开展基于增强特征金字塔网络和深度语义嵌入的遥感图像场景分类研究，在遥感图像场景分类精度和可靠性等方面取得突破性进展，研究结果为后续遥感图像的准确解译提供重要参考依据。
该方法的主要工作在于包括，通过增强特征金字塔模块对深层特征图丰富的语义信息进行传播，以弥补浅层特征图该信息的缺失；通过跨尺度信息融合模块保持不同特征图共性的同时也利用各自优势特征以增强特征；通过双支路深层特征融合模块的不同感受野提取多尺度上下文信息，引导网络兼顾全局特征和局部特征。结果证明，所提出的算法在多个大规模公开数据集上的分类表现均远好于基准方法，与业内前沿方法相比具有明显优势。
图1. 基于增强特征金字塔网络和深度语义嵌入的
遥感图像场景分类框架
高分遥感图像场景分类网络整体框架（图1）主要由：增强特征金字塔模块（Enhanced Feature Pyramid Network，EFPN）（图2）、深度语义嵌入模块（Deep Semantic Embedding， DSE）（图3）、双支路深层特征融合模块（Two-branch Deep Feature Fusion，TDFF）（图4）以及场景分类器模块（Scene Classifier）构成。跟现有先进深度神经网络场景分类模型相比，提出的网络分类精度明显提升，且在保持分类高精度的同时即使在不同训练比例下仍能保持良好的泛化性。
图2. 增强特征金字塔模块（EFPN）
图3. 深度语义嵌入模块（DSE）
图4. 双支路深层特征融合模块（TDFF）
作者将提出方法在著名的UCM、AID等数据集上进行了实验，图5为在AID上不同训练测试比例下的混淆矩阵。可以看出，提出模型对具有高类间相似性的类别能做到准确分类，并对具有相似地物和纹理特征的类别的预测精度也较高。
图5. 提出方法在AID数据集上的分类混淆矩阵
为探明不同模块在分类性能上起到的作用，进行了全面的消融实验，图6显示的是不同方案在UCM数据集每一个类别上的分类精度，可以看出，无论在哪个训练条件下，缺少EFPN的网络性能降低最显著，缺失CIF和TDFF的网络在部分类别上性能略微下降，而三者集合的方法取得优秀性能，这表明提出的方法每个模块都是有必要且有作用的。
图6. 消融实验所用模型结构在各类别上的准确率
研究工作由中国中央高校基本科研业务费项目、江苏省六大人才高峰项目、江苏政府留学奖学金、英国皇家学会牛顿高级学者基金、欧盟地平线2020计划项目等提供经费支持。相关成果以“Enhanced Feature Pyramid Network with Deep Semantic Embedding for Remote Sensing Scene Classification”为题于2021年9月发表于《IEEE Transactions on Geoscience and Remote Sensing。
论文DOI：10.1109/TGRS.2020.3044655
链接：https://ieeexplore.网址未加载/document/9314283
HHU NEWS
我校学者团队
在双面发电光伏组件领域取得新进展
近日，河海大学机电学院白建波教授团队在光伏发电领域中取得新进展，相关研究成果“Parameterizing mismatch loss in bifacial photovoltaic modules with global deployment: A comprehensive study”在能源领域顶级期刊 Applied Energy （IF 9.746）上发表。
图一：团队在跟踪山地光伏项目
在双面发电的光伏组件中，每一片电池都是一个发电单元，但由于太阳光阴影的存在，导致双面组件背面发电失配效应，从而影响整体性能。为了更好地提升双面光伏组件的效能，机电学院白建波教授团队完善了双面组件背面发电量的详细求解思路，并分析阴影和失配规律，由此提出衡量背面失配的参数化模型。该模型为实现全球布置下多类型光伏组件实时发电性能快速预测和精确评估提供了思路，且更加适用于工程应用。
图二：不均匀辐照下双面光伏组件的I-V特性曲线
常规单面光伏组件只有正面受光，受光量在组件倾斜面上是均匀的。而双面光伏组件则不同，需要以每片电池为单元详尽计算。研究在Matlab中搭建了虚拟的光伏组件环境，光伏组件在空间上的每个点都能被精确定位，通过点与点之间的能量转换则可以通过积分形式被量化，从而实现双面光伏组件发电量的统计。
图三：双面光伏组件相对于安装地面的空间定位
由于地面上组件自阴影的存在，双面光伏组件背表面上的辐照均匀性不同。一般条件下，单块组件由于背面不均匀辐照导致的失配损失很少，但在评估双面光伏阵列真实性能或辐照资源丰富时，这部分损失需要考虑。传统的电池级电气模型（详尽计算模型）并不能适用于双面组件发电性能的快速评估。为了解决这一难题，白建波教授团队研究通过将背面发电失配损失（Mismatch Loss）参数化，定义成总辐照度变化（标准偏差σ）的函数，重新建立了方程，从而间接的考虑地面阴影影响。一旦求得每片电池或者特征电池的受光量时，便可以通过简化方程直接得出损失功率，绕过电气模型，高效地实现了双面组件发电性能的快速评估。
图四：双面组件正面年发电量（左图）和背面年发电量（右图）随安装高度（横坐标）和安装角度（纵坐标）的影响
图五：双面组件年总发电量（左图）和年发电损失（右图）随安装高度（横坐标）和安装角度（纵坐标）的影响
在建立全新方程的过程中，项目团队选择全球典型气候地区为研究对象，考虑海拔、反照率、倾斜角和区域气候特征，通过扩充源数据量、观察规律，得出安装高度是影响背面失配损失的最重要因素，从而提高高度权重，进一步优化拟合度。
图六：背面辐照度标准偏差σ（此处σ仅指背面不均匀度相对于组件背面辐照，而非总辐照度，其偏差值受地面反射率影响较大）和失配损失M（每小时数据）之间的关系（左图）
背面辐照度标准偏差σ（此处σ指背面不均匀度相对于组件整体辐照）和失配损失M（每小时数据）之间的关系（右图）
为了更好地体现工程实际应用，论文中通过实例在给定的22°倾角、0.7m高度安装环境中，通过已知的辐照度标准σ和平均辐照下的双面增益（BG），快速评估出了任意经纬度单独安装的双面组件实际双面发电性能，结果以全球分布图的形式表达，可视化结果为实际双面工程中优化最佳安装参数提供参考。
图七：全球固定配置的双面光伏组件双面增益[%]仿真应用（左图依据均匀辐照理论，右图依据不均匀辐照理论，更加符合实际情况）
河海要闻有个小小的愿望
那就是在河海与你之间架起一座桥梁
让你了解河海光彩
感受丰富多彩的校园生活
扬起理想的风帆
在绚丽多彩的学习生活中航行
我们下期再见吧~
