Wulumuqi Report_72dpi_PartB
风云卫星数据和产品应用手册讲解
风云卫星数据和产品应用手册第1章概述1.1 FY-3A卫星概况风云三号A气象卫星（简称FY-3A）是我国的第二代太阳同步极轨气象卫星。
风云三号气象卫星将实现全球、全天候、多光谱、三维、定量对地观测。
风云三号星发射总质量为2450kg，发射尺寸：4.38m×2m×2m，卫星长期功耗1130W。
卫星本体由服务舱、推进舱与有效载荷舱组成。
服务舱采用中心承力筒和隔板结构，主要安装电源、测控、数管及姿轨控分系统的部件和设备、推进舱采用中心承筒和隔板结构，主要安装推进系统设备以及蓄电池组和放电调节器。
有效载荷舱隔板和构架结构，主要安装探测仪器的探测头部，舱内主要安装探测仪器的电子设备等。
风云三号A卫星有十一台遥感探测仪器。
遥感数据通过两个实时传输信道（HRPT和MPT）和一个延时传输信道（DPT）进行传输。
风云三号A卫星设计寿命为3年。
1.2 主要技术指标1.2.1 卫星轨道⑴轨道类型：近极地太阳同步轨道⑵轨道标称高度：831公里⑶轨道倾角：98.81°⑷入轨精度：半长轴偏差： |Δa|≤5公里轨道倾角偏差：|Δi|≤0.1°轨道偏心率≤0.003⑸标称轨道回归周期为5.79天⑹轨道保持偏心率：≤0.00013⑺交点地方时漂移：2年小于15分钟⑻卫星发射窗口：降交点地方时10:051.2.2 卫星姿态⑴姿态稳定方式：三轴稳定⑵三轴指向精度：≤0.3°⑶三轴测量精度：≤0.05°⑷三轴姿态稳定度：≤4×10-3 °/s1.2.3 太阳帆板对日定向跟踪1.2.4 星上记时⑴记时方式：J2000日计数和日毫秒计数⑵记时单位：1毫秒⑶时间精度(星地总精度):小于20毫秒1.2.5 遥感探测仪器性能指标1.2.5.1 可见光红外扫描辐射计(VIRR)(1)通道数、各通道波段范围、灵敏度见表1-1。
(2)空间分辨率：星下点分辨率1.1Km(3)扫描范围：±55.4°(4)扫描器转速：6线/秒(5)每条扫描线采样点数：2048(6)MTF≥0.3(7)通道配准：飞行方向/扫描方向星下点配准精度<0.5个像元(8)扫描抖动：<0.8个IFOV(9)通道信号衰减：<15%/2年(10)量化等级：10比特(11)定标精度：可见光和近红外通道：CH1、2、7、8、9 7%(反射率)CH6、10 10%(反射率)红外通道：1k(270k)。
高分辨率遥感影像建筑物提取多路径RSU网络法
㊀㊀第５１卷㊀第１期测㊀绘㊀学㊀报V o l．５１,N o．１㊀２０２２年１月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a J a n u a r y,２０２２引文格式:张玉鑫,颜青松,邓非．高分辨率遥感影像建筑物提取多路径R S U网络法[J]．测绘学报,２０２２,５１(１):１３５Ｇ１４４．D O I:１０．１１９４７/ j．A G C S．２０２１．２０２００５０８．Z H A N G Y u x i n,Y A N Q i n g s o n g,D E N G F e i．M u l t iＧp a t h R S U n e t w o r k m e t h o df o rh i g hＧr e s o l u t i o nr e m o t es e n s i n g i m a g eb u i l d i n g e x t r ac t i o n[J]．A c t aG e od ae t i c a e tC a r t o g r a p h i c aS i n i c a,２０２２,５１(１):１３５Ｇ１４４．D O I:１０．１１９４７/j．A G C S．２０２１．２０２００５０８．高分辨率遥感影像建筑物提取多路径R S U网络法张玉鑫,颜青松,邓㊀非武汉大学测绘学院,湖北武汉４３００７９M u l t iＧp a t hR S U n e t w o r k m e t h o df o rh i g hＧr e s o l u t i o nr e m o t e s e n s i n g i m a g e b u i l d i n g e x t r a c t i o nZ H A N GY u x i n,Y A NQ i n g s o n g,D E N GF e iS c h o o l o fG e o d e s y a n dG e o m a t i c s,W u h a nU n i v e r s i t y,W u h a n４３００７９,C h i n aA b s t r a c t:I n a c c u r a t eb o u n d a r i e s a n dh o l e sa r e t w om a j o r p r o b l e m sw h e ne x t r a c t i n g b u i l d i n g s f r o mh i g hＧr e s o l u t i o n r e m o t es e n s i n g i m a g e sb y ac o n v o l u t i o nn e t w o r k．T os o l v et h e s e p r o b l e m s,w e p r o p o s e dt h e M P R S UＧN e t(m u l t iＧp a t h r e s i d u a l UＧb l o c k n e t w o r k),w h i c h i s b a s e d o n t h eR S U(r e s i d u a l UＧb l o c k)．T h eR S U i s a b l e t o f u s e l o c a l f e a t u r e s a n dm u l t iＧs c a l e f e a t u r e s,w i t h t h eh e l p o f t h ee n c o d e rＧd e c o d e r s t r u c t u r ea n d t h e r e s i d u a l c o n n e c t i o n．H o w e v e r,as i n g l eR S U i sn o te n o u g h t o g a t h e r e n o u g h i n f o r m a t i o n,M P R S UＧN e t p a r a l l e l sR S Ub l o c k s o f d i f f e r e n t s c a l e s b y t h em u l t iＧp a t h s t r u c t u r ea n d e x c h a n g e s i n f o r m a t i o n a m o n g t h e s e b l o c k s t o f u r t h e r e n h a n c e t h e f e a t u r ea g g r e g a t i o n e f f i c i e n c y．E x p e r i m e n t a l r e s u l t s s h o w e d t h a t t h eM P R S UＧN e t a c h i e v e d９５．６５％,８８．６３％p r e c i s i o n,a n d９１．１７％,７９．３１％I o Uo n０．３m r e s o l u t i o nW H Ua n d I n r i ab u i l d i n g d a t a s e t s,w h i c h s h o w e d t h e e f f e c t i v e n e s s o f t h e p r o p o s e dm e t h o d．I na d d i t i o n,c o m p a r e dw i t h t h eU２N e t, M P R S UＧN e t i s m u c hl i g h t e r i nc o m p u t a t i o na n dr e d u c e st h ea m o u n to fm o d e l p a r a m e t e r sb y６８．６３％, d e m o n s t r a t i n g t h a t t h em e t h o d h a s s o m ea p p l i c a t i o n v a l u e．K e y w o r d s:h i g hＧr e s o l u t i o nr e m o t es e n s i n g i m a g e;b u i l d i n g e x t r a c t i o n;m u l t iＧs c a l e;c o n v o l u t i o n a l n e u r a l n e t w o r k s;m u l t iＧp a t hF o u n d a t i o n s u p p o r t:S i c h u a nS c i e n c ea n dT e c h n o l o g y P r o g r a m(N o．２０１９Y F G０４６０)摘㊀要:针对卷积神经网络在提取建筑物的过程中,存在建筑物边界不准确和建筑物内部空洞等问题,提出以R S U模块(r e s i d u a l UＧb l o c k)为核心的M P R S UＧN e t(m u l t iＧp a t h r e s i d u a l UＧb l o c k n e t w o r k).该模块利用编码器Ｇ解码器结构和残差连接,实现了局部特征和多尺度特征的融合.由于一个R S U模块提取的信息有限,M P R S UＧN e t进一步通过多路径结构并行了不同尺度的R S U模块,并在这些模块之间进行信息交换,提高了特征聚集效率.在分辨率为０．３m的W H U和I n r i a建筑物数据集上进行试验,精度分别达９５．６５％和８８．６３％,I o U分别达９１．１７％和７９．３１％,验证了本文方法的有效性.此外,本文方法相较于U２N e t,计算量明显降低,模型参数量减少６８．６３％,表明本文方法具有一定的应用价值.关键词:高分辨率遥感影像;建筑物提取;多尺度;卷积神经网络;多路径中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２２)０１Ｇ０１３５Ｇ１０基金项目:四川省科技计划(２０１９Y F G０４６０)㊀㊀高分辨率遥感影像建筑物提取在数字城市建设㊁地表动态变化监测及土地利用变更调查等应用中都具有重要的意义.但是高分辨率遥感影像细节丰富的特点也使得建筑物的尺度多变㊁结构复杂㊁外观各异,如何准确地从高分辨率遥感影像中提取建筑物目前仍是遥感影像处理与应用领域研究的热点和难点.传统建筑物提取的方法主要根据建筑物特有的光谱㊁纹理㊁几何和阴影等特性,人工设计合适的特征去区分建筑物和非建筑物区域[１Ｇ３].文献J a n u a r y２０２２V o l．５１N o．１A G C S h t t p:ʊx b．s i n o m a p s．c o m[４]通过窗口H o u g h变换提取矩形建筑物的角点特征,实现矩形屋顶的提取,但当建筑物角点被遮挡时,无法精确地提取建筑物.文献[５]利用了遥感影像中建筑物受光照影响产生的阴影信息对建筑物自动定位,然而排列整齐的树木阴影可能会对其造成干扰.此外,D S M数据㊁L i D A R和S A R 数据等多源数据可以提供建筑物的高程信息,融合多源数据可以有效提高建筑物提取的精度[６],但获得满足精度条件的多源数据需要较高的成本,具有一定的局限性.总体而言,这些人工设计的特征会随着传感器质量㊁光照条件㊁建筑物风格产生较为明显的变化,只能处理特定的数据[７].近年来,卷积神经网络良好的特征表示能力,使其受到了广泛的关注,在自然语言处理㊁图像分割㊁目标检测等领域都有广泛应用[８Ｇ１１].建筑物提取方法也由人工设计特征的传统方法转向学习特征的卷积神经网络方法.文献[１２]提出的全卷积神经网络(f u l l y c o n v o l u t i o n a l n e t w o r k,F C N)将传统卷积神经网络中的全连接层转化为卷积层,首次实现端到端训练的语义分割网络.文献[１３]以F C N为基础,提出U N e t,利用跳跃连接来融合深层特征和浅层特征,使得分割边缘得到提升.F C N是许多语义分割方法的基本框架,基于F C N的方法主要分为两种改进方向:①从特征图出发,扩大卷积神经网络的感受野,获取多尺度特征.文献[１４]提出金字塔空间池化模块,融合不同尺度的池化后的特征图以获取全局依赖.文献[１５]从原始影像中提取不同尺度的特征,之后在恢复尺度的阶段逐步融合粗糙的浅层特征及细粒度的深层特征,从而使得分割精度提升.②从原始影像出发,利用多尺度的原始影像作为输入,获取全局信息.文献[１６]提出一种基于多尺度影像的全卷积神经网络,将原始影像进行不同尺度的下采样,之后分层地对其进行特征提取和融合.注意力机制[１７Ｇ１８]是近几年来提出的一种在空间或通道上捕获远程依赖的方法,能够有效地提高分割性能.文献[１９]提出位置注意力模块和通道注意力模块去学习特征之间的空间依赖性以及通道间的相关性.位置注意力模块是对所有位置的特征加权求和,选择性地聚合各个位置的特征,使得远距离特征也可以得到关联.通道注意力模块整合所有通道之间的相关特征图,选择性地强调存在相互依赖的通道图.将两个注意力模块的结果融合可以获得更精确的分割结果.文献[２０]通过输入不同尺度的影像,利用分层多尺度注意力机制,学习不同尺寸的物体在相应尺度上的权重,让网络自适应地选择最合适的分辨率来预测物体,但该方法网络结构较为复杂对硬件要求较高.与基于F C N的主流语义分割框架不同,文献[２１]提出了一种高分辨率神经网络(h i g hＧr e s o l u t i o nn e t w o r k,H R N e t),该方法可使特征图保持高分辨率,在高分辨率特征图中融入低分辨率特征图使其包含多尺度信息,为网络结构设计提供了新的思路.文献[２２]设计了一种双层嵌套U N e t的网络结构U２N e t,能够捕获更多的上下文信息,在显著性检测任务中表现突出,但其参数量较多,训练效率较低.以往研究中,基于全卷积神经网络的建筑物提取方法基本框架以编码器Ｇ解码器结构为主[２３Ｇ２４].但是该框架在编码器阶段的多次池化易丢失空间信息,使得小型建筑物难以检测;同时在解码器阶段,通过跳跃连接融合浅层特征恢复细节的效果有限,还会从浅层引入一些粗糙特征,最终进一步加剧建筑物边界的不准确[２５].除此之外,卷积神经网络提取的特征往往是局部的,基于F C N的方法缺乏对全局特征的有效利用,导致提取大型建筑物时存在不连续和空洞等情况,如图１所示.而过于关注全局特征,忽略局部特征,会导致边缘信息的缺失.如何高效利用全局特征和局部特征,是优化建筑物提取结果的关键.因此,受H R N e t和U２N e t启发,本文提出一种基于R S U模块的高分辨率遥感影像建筑物提取方法:M P R S UＧN e t,能够在保持高分辨率语义信息的同时,融入全局特征,从而改善大型建筑物存在空洞㊁边缘分割不完整的问题.M P R S UＧN e t 通过并行和级联R S U模块融合多尺度特征,之后将多个尺度的预测结果融合得到最终提取结果.在WHU和I n r i a建筑物数据集上的试验结果表明,本文方法提取建筑物精度高㊁边缘清晰㊁结构完整,相较其他主流方法泛化能力更强,参数较少.１㊀方法与原理本节首先介绍R S U模块的结构,然后对本文提出的M P R S UＧN e t进行详细说明,最后阐述了本文方法训练过程中使用的损失函数.６３１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法图１㊀建筑物提取结果示例F i g ．１㊀T h e e x a m p l e r e s u l t s o f b u i l d i n g ex t r a c t i o n １．１㊀R S U 模块R S U 模块是本文网络的主要构成部分,由简化的U N e t 结构和R e s N e t 的残差结构[２６]组成,能够捕捉输入特征图的多尺度特征和局部特征.R S U 模块的超参数有L ㊁C i n ㊁C o u t 和C m i d ,分别代表编码器阶段的卷积层数㊁输入特征图的通道数㊁输出特征图的通道数和中间层的通道数.本文使用R S U ＧL (C i n ,C m i d ,C o u t )表示单个R S U 模块,结构如图２所示.R S U 模块的输入为通道数C i n 的特征图,首先通过一个３ˑ３的卷积,将输入映射为通道数为C o u t 的特征图,并同时从输入特征图中提取局部特征;然后通道数为C o u t 的特征图经过一个简化的编码器Ｇ解码器结构,其中编码器提取出多尺度特征,编码器阶段的池化次数为L Ｇ２,L 越大池化次数越多,感受野范围越大,多尺度特征便越丰富,解码器将多尺度特征编码成高分辨率的多尺度特征图;最后将第一步获得的通道数为C o u t 的特征图和高分辨率的多尺度特征图相加得到输出,使得局部特征和多尺度特征融合,保证特征图中的细节信息不被丢失.图２㊀R S U 结构F i g．２㊀R S Ua r c h i t e c t u r e １．２㊀M P R S U ＧN e tM P R S U ＧN e t 的网络结构如图３所示,主要包括两个部分:多路径特征提取模块和多尺度特征融合模块.１．２．１㊀多路径特征提取基于编码器Ｇ解码器结构的卷积神经网络一般过程为:由高分辨率到低分辨率获取深层特征,再从低到高恢复分辨率得到输出结果,此过程中极易丢失细节信息.而H R N e t 的多路径结构能够有效地解决此问题,较好地保持特征图中的细节信息;其使用多个并行的子网络提取不同尺度的特征,然后将多尺度特征在子网络之间反复交换以充分融合多尺度特征.基于多路径结构与R S U 模块,本文提出多路径特征提取模块,详细架构如图３所示,不仅能提取多尺度特征,还能减少细节丢失.R S U 模块７３１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c o m 是多路径特征提取模块的主要组成部分,其利用编码器Ｇ解码器结构从特征图中提取多尺度特征,再将多尺度特征编码成高分辨率的特征图.多路径结构通过串联R S U 模块,能够保持高分辨率的特征表示,减少编码器下采样带来的细节丢失,保持高层语义信息和精确的空间定位信息,改善建筑物边界提取模糊及空洞现象.图３㊀M P R S U ＧN e t 结构F i g．３㊀M P R S U ＧN e t a r c h i t e c t u r e ㊀㊀M P R S U ＧN e t 的多路径特征提取模块由３条并行路径组成,特征图的空间分辨率分别为原始影像的１㊁１/４㊁和１/１６.对于相邻路径之间的上㊁下采样,本文使用图４(c )㊁(f )所示的方法:上采样先对影像进行双线性上采样,再将低分辨率的特征图的通道压缩,去除冗余信息;下采样时首先扩大一倍通道数,以保存高分辨率的信息,再进行池化.除此之外,常用的上㊁下采样还有图４(a)㊁(d)对应的直接采样方法,但是这种方式很容易造成信息冗余和细节信息丢失.图４(b )㊁(e )对应的是没进行通道压缩和扩增的上㊁下采样,但存在一定程度的信息冗余和丢失.１．２．２㊀多尺度特征融合多尺度特征融合模块如图３所示,首先,利用１ˑ１卷积和s i gm o i d 函数对多路径特征提取模块输出的多尺度特征进行预测,得到每个尺度的分类结果;然后,将各个尺度上的分类结果上采样到输入尺寸后进行拼接;最后,将不同尺度的预测结果融合得到建筑物的最终预测结果.最终的预测结果汇聚了多个尺度的信息,使得反向传播和权重更新能够利用多尺度信息.１．３㊀损失函数本文使用二分类交叉熵损失函数[２７]来指导网络学习,如式(１)所示㊀㊀L o s s ＝－ð(H ,W )(i ,j )[y i jˑl n p i j ＋(１－y i j )l n (１－p i j )](１)式中,(x ,y )为样本点坐标;(H ,W )为影像尺寸;y i j 表示样本点的真值;建筑物像素为１;非建筑物像素为０;p i j 表示模型预测样本点是建筑物像素的概率.２㊀试验与分析本节首先介绍试验所采用的数据集㊁结果评价指标及试验相关设置,之后阐述试验设计目的㊁结果及分析.２．１㊀数据集介绍为证明本文方法的有效性,选取WHU 建筑物数据集[７]和I n r i a 建筑物数据集[２８]两个数据集进行综合性的试验,数据集的相关描述如下:(１)WHU 建筑物数据集包括航空和卫星影像数据集,以及相应的矢量文件和栅格影像,本文选取航空影像数据集进行试验.航空影像数据集中包含不同尺度㊁不同风格和颜色的建筑物,如图５所示,影像空间分辨率为０．３m ,每幅影像的大小为５１２ˑ５１２像素,共计８１８８张,其中训练集㊁验证集㊁测试集分别为４７３６㊁１０３６和２４１６张.(２)I n r i a 建筑物数据集包含５个地区(奥斯汀㊁芝加哥㊁基特萨普㊁蒂罗尔西部㊁维也纳)的航空正射彩色影像,每个地区分别有３６张尺寸为５０００ˑ５０００像素的影像,空间分辨率为０．３m ,数据集示例如图６所示.数据集中５个地区的影像季节不同,照明条件不同,有建筑物密集的城市中心,也有建筑物稀疏的山区,可用于评估模型的泛８３１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U 网络法化能力.试验前,将每幅影像裁剪为５００ˑ５００像素的大小,最终获取１８０００张影像,其中随机抽取１０８３２张作为训练集,１８０５张作为验证集,５３６３张作为测试集.图４㊀下采样和上采样方法F i g ．４㊀T h em e t h o d s o f d o w n s a m p l e a n du p s a m ple 图５㊀WHU 数据集样例F i g ．５㊀WHUd a t a s e t e x a m pl e s ９３１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c om 图６㊀I n r i a 数据集样例F i g ．６㊀I n r i ad a t a s e t e x a m pl e s ２．２㊀评价指标本文采用精度(P r e c i s i o n )㊁召回率(R e c a l l )㊁F １分数㊁交并比(I o U )４个指标来评价建筑物提取的准确性.精度指预测正确的建筑物像素数量占预测的建筑物像素数量的比例.召回率指预测正确的建筑物像素数量占真实的建筑物像素数量的比例.F １分数综合考虑了精度和召回率的结果.I o U 是目标检测和语义分割中的常用指标,指预测的建筑物像素数量与真实的建筑物像素的交集和并集的比值.４种指标的计算公式如下P r e c i s i o n ＝T PT P ＋F P (２)R e c a l l ＝T PT P ＋F N(３)F １＝２ˑP r e c i s i o n ˑR e c a l lP r e c i s i o n ＋R e c a l l(４)I o U＝T PF P ＋T P ＋F N(５)式中,T P 指真实建筑物像素的预测为建筑物像素的数量;T N 指背景像素预测为背景像素的数量;F P 指背景像素预测为建筑物像素的数量;F N 指真实建筑物像素预测为背景像素的数量.２．３㊀试验设置本文试验的硬件环境为I n t e l (R )C o r e (T M )i ７Ｇ７７００C P U ,６４G BR AM ,G P U N v i d i aT i t a nX p(显存１２G B ),操作系统为W i n d o w s １０,编程环境为P y t h o n ３．６,P yt o r c h １．２．０.为保证试验结果的客观性,所有试验网络均采用小批量梯度下降算法训练,使用A d a m 算法进行优化,初始学习率设置为０．００１,批处理数量为４.训练过程中,所有试验网络从零开始对数据集迭代１００次,并对影像进行随机水平翻转.２．４㊀试验及结果分析本节首先分析不同上㊁下采样方法对本文方法在WHU 数据集上性能的影响;使用WHU 和I n r i a 数据集进行对比试验,比较本文方法和U N e t [１３]㊁D A N e t [１９]㊁H R N e t v ２[２１]㊁U ２N e t [２２]４种方法提取建筑物的性能,对比方法中,D A N e t 基本框架设置为１０１层的R e s N e t ,H R N e t 多路径通道数设置为４８㊁９６㊁１９２㊁３８４.最后,为验证本文方法在性能和复杂度上面的平衡,对不同方法的复杂度进行分析.２．４．１㊀上下采样方法对比试验为探讨不同上㊁下采样方法对本文方法在WH U 数据集上性能的影响,在M P R S U ＧN e t 结构基础上使用１．２．１节中３种上㊁下采样方法进行试验,结果见表１.表１中结果显示,间接上㊁下采样方法与直接采样方法相比,精度和I o U 有一定提升,说明连续采样之间添加卷积层可以减少信息损失.本文的上㊁下采样方法较间接上㊁下采样方法各项指标均有提升,表明了上采样缩减通道数可以去除冗余信息,下采样扩大通道数可以保存一定的细节信息,验证了本文上㊁下采样方法的有效性.表１㊀不同采样方法对本文方法的影响T a b ．１㊀I n f l u e n c e o f d i f f e r e n t s a m p l i n g me t h o d s (％)方法I o U精度召回率F １分数直接上㊁下采样９０．３６９４．９６９４．９１９４．９４间接上㊁下采样９０．６７９５．３６９４．８５９５．１１本文上㊁下采样９１．１７９５．６５９５．１１９５．３８０４１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法２．４．２㊀WH U数据集试验结果分析选取U N e t㊁D A N e t㊁H R N e t㊁U２N e t４种方法与本文方法进行对比,在WHU建筑物数据集上的可视化试验结果如图７所示.卷积神经网络依靠卷积核提取特征,获取感受野范围有限,故提取大型建筑物时,易产生空洞现象.针对该现象,本文方法使用R S U模块融合局部特征和全局特征,扩大感受野,并在不同尺度的R S U模块之间增加信息交互,进一步提升特征聚集率.由图７中可以看出,第１㊁第５个样例的影像中,存在颜色相似的地面和建筑物,一些对比方法不能正确地区分两者,导致出现将地面错误识别成建筑物的现象,而本文方法能够较为精确地区分颜色相近的地面及建筑物.此外,对于第１㊁第４个样例影像中颜色不一致的建筑物,本文方法可以准确提取,而对比方法错误地将其识别为背景,表明本文方法相较于其他方法能够更加充分地获取上下文信息.综上,根据目视评价,可以看出本文方法能够良好地适应不同场景的建筑物提取,在一定程度上可以改善建筑物边界不清晰㊁出现空洞的现象,且对于 同物异谱,异物同谱 现象可以进行较为正确地识别,结果优于其他几种对比方法.图７㊀WHU数据集上各种方法的建筑物提取结果F i g．７㊀B u i l d i n g e x t r a c t i o n r e s u l t s o f v a r i o u sm e t h o d s o n WHUd a t a s e t㊀㊀对WHU建筑物数据集的提取结果进行定量评价见表２.由表２可以看出,在WHU建筑物数据集上,与其他方法相比较,本文方法在各项指标上均达到最优,I o U达９１．１７％,精度达９５．６５％,F１分数达到了９５．３８％,与U N e t㊁D A N e t㊁H R N e t㊁U２N e t相比I o U分别提高了２．３０％㊁１．９６％㊁１．４０％㊁０．８３％,精度分别提高了２．１８％㊁１．４４％㊁０．７３％㊁０．６２％.表２㊀WH U数据集上各种方法的比较T a b．２㊀C o m p a r i s o no f v a r i o u sm e t h o d s o n WH Ud a t a s e t(％)方法I o U精度召回率F１分数U N e t８８．８７９３．４７９４．７５９４．１０D A N e t８９．２１９４．２１９４．４０９４．３０H R N e t８９．７７９４．９２９４．３０９４．６１U２N e t９０．３４９５．０３９４．８２９４．９３M P R S UＧN e t９１．１７９５．６５９５．１１９５．３８１４１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c o m WHU 数据集上的试验结果从目视和定量评价上均验证了本文方法的优越性,表明了多路径结构结合编码器Ｇ解码器结构使得建筑物的局部特征和全局特征更好地聚合,能够更好地提取建筑物细节信息和全局特征.２．４．３㊀I n r i a 数据集试验结果分析I n r i a 数据集包含５个地区的建筑物影像,分别取其典型区域,提取结果可视化如图８所示,从上到下依次是奥斯汀㊁芝加哥㊁基特萨普㊁蒂罗尔西部和维也纳典型建筑物的提取结果.５个地区的建筑物风格不同,且由于成像时间不同,不同地区的建筑物光谱㊁阴影特征并不一致.由于树木遮挡㊁建筑物结构复杂等情况,I n r i a 数据集的建筑物边界不易提取.本文方法通过串联R S U 模块,保持高分辨率的语义表示,减少R S U 模块中编码器下采样带来的细节丢失,增加高层语义信息和精确的空间定位信息,改善建筑物边界提取模糊及空洞现象.由图８可以看出,本文方法对不同场景下的大型建筑物的空洞现象都有所改进,提取的建筑物边缘较其他方法更为清晰,且能够更加准确地识别细长型建筑物.对于环绕型㊁内部存在不规则背景的建筑物,本文方法能够较好地识别被建筑物环绕的背景.综合不同地区的建筑物提取的目视效果上看,本文方法能够较为良好地适应不同场景的大型建筑物提取,边缘较为完整,能够减少建筑物漏检结果,综合表现较优,表明使用多路径结构保持高分辨率的语义信息的可行性.图８㊀I n r i a 数据集上各种方法的建筑物提取结果F i g ．８㊀B u i l d i n g ex t r a c t i o n r e s u l t s o f v a r i o u sm e t h o d s o n I n r i ad a t a s e t ㊀㊀对I n r i a 建筑物数据集的提取结果进行定量评价见表３.虽然该数据集较多建筑物被植被遮挡不易识别,但本文方法仍在各项指标上表现较好,I o U 达７９．３１％,召回率达８８．２９％,F １分数达８８．４６％,与U N e t ㊁D A N e t ㊁H R N e t ㊁U ２N e t 相比I o U 分别提高了１．３４％㊁０．９３％㊁０．５３％㊁２．９５％,召回率分别提高了１．８５％㊁２．２０％㊁１．０６％㊁１．５９％,证明了本文方法的稳定性和优越性.在该数据集上,本文方法的提取精度稍低,本文分析是由于该数据集小型建筑物较密集,影像尺寸裁剪为５００ˑ５００像素,本文方法中存在较多的下采样操作,不能整除,导致部分细节信息丢失,精度２４１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法较低,然而本文方法的精度较同样有多次下采样操作的U２N e t方法提升了２．１３％,说明了多路径特征提取的有效性.可以进一步探索R S U模块合适的下采样次数,以使提取结果进一步提升.表３㊀I n r i a数据集上各种方法的比较T a b．３㊀C o m p a r i s o no f v a r i o u sm e t h o d s o n I n r i ad a t a s e t(％)方法I o U精度召回率F１分数U N e t７７．９７８８．８３８６．４４８７．６２D A N e t７８．３８８９．７５８６．０９８７．８９H R N e t７８．７８８９．０４８７．２３８８．１３U２N e t７６．３６８６．５０８６．７０８６．６０M P R S UＧN e t７９．３１８８．６３８８．２９８８．４６２．４．４㊀网络复杂度分析本文对５种方法的模型复杂度及效率进行了比较,结果见表４.模型的计算量和参数量使用t h o p工具包进行统计,模型计算量与输入尺寸有关,此处输入尺寸均设置为１ˑ５１２ˑ５１２ˑ３.训练时间为迭代一次WHU训练数据集所需要的时间,推理时间为在WHU测试数据集上推理所需要的总时间.由表４可以看出,本文方法计算量较少,仅是U２N e t的１/３,同时本文方法训练效率较高,仅需要U２N e t的一半训练时间.综合不同方法在WHU数据集和I n r i a数据集上的试验结果来看,本文方法在精度和效率方面取得了较好的平衡,有较高的应用价值.表４㊀各种方法复杂性及效率的比较T a b．４㊀C o m p l e x i t y a n d e f f i c i e n c y c o m p a r i s o n a m o n gv a r i o u sm e t h o d s方法计算量(G F L O P s)参数/M训练时间/(m i n/e p o c h)推理时间/sU N e t１６０．６１７．３１０９４D A N e t２８２．８６６．６１０７１４２０H R N e t４０．７２２．４６１１３U２N e t１５０．５４４．０２４２６６M P R S UＧN e t８１．６１３．８１２１１６３㊀结㊀论本文提出了M P R S UＧN e t用于改善高分辨率遥感影像建筑物提取中边界不准确㊁大型建筑物提取结果存在空洞等问题.本文方法通过并行和级联R S U模块,能够从浅层和深层交叉学习到更丰富的全局特征和局部特征.在WHU和I n r i a数据集上的试验结果表明,本文方法相对其他方法具有更高的I o U和召回率,并在性能和效率上取得了良好的平衡,能够更好地提取边界信息,且对于不同场景的建筑物都能得到良好的分割结果,有较强的泛化能力.本文方法是基于像素级别的建筑物提取,结果会存在一些非建筑物斑块,如何将建筑物实体作为提取对象将是下一步研究方向.参考文献:[１]㊀P E S A R E S IM,G E R HA R D I N G E R A,K A Y I T A K I R EF．Ar o b u s t b u i l tＧu p a r e a p r e s e n c e i n d e xb y a n i s o t r o p i c r o t aＧt i o nＧi n v a r i a n tt e x t u r a l m e a s u r e[J]．I E E E J o u r n a l o fS e l e c t e d T o p i c s i n A p p l i e d E a r t h O b s e r v a t i o n s a n dR e m o t eS e n s i n g,２００８,１(３):１８０Ｇ１９２．[２]㊀J I N X i a o y i n g,D A V I S C H．A u t o m a t e db u i l d i n g e x t r a c t i o nf r o mh ig hＧr e s o l u t i o n s a t e l l i t e i m a g e r y i nu r b a n a r e a s u s i n gs t r u c t u r a l,c o n t e x t u a l,a n d s p e c t r a l i n f o r m a t i o n[J]．E U RＧA S I PJ o u r n a lo n A d v a n c e si n S i g n a lP r o c e s s i n g,２００５,２００５(１４):２１９６Ｇ２２０６．[３]㊀HU A N GX i n,Z H A N GL i a n g p e i．M o r p h o l o g i c a l b u i l d i n g/ s h a d o wi n d e x f o rb u i l d i n g e x t r a c t i o nf r o m h i g hＧr e s o l u t i o ni m a g e r y o v e ru r b a na r e a s[J]．I E E EJ o u r n a lo fS e l e c t e dT o p i c s i n A p p l i e d E a r t h O b s e r v a t i o n s a n d R e m o t eS e n s i n g,２０１２,５(１):１６１Ｇ１７２．[４]㊀J U N GC,S C H R AMM R．R e c t a n g l ed e t e c t i o nb a s e do na w i n d o w e dh o u g ht r a n s f o r m[J]．B r a z i l i a nS y m p o s i u m o fC o m p u t e rG r a p h i c a n d I m a g eP r o c e s s i n g．２００４,２００４(４):１１３Ｇ１２０．[５]㊀O KAO,S E N A R A SC,Y U K S E LB．A u t o m a t e d d e t e c t i o n o fa rb i t r a r i l y s h a p e d b u i l d i n g s i nc o m p l e x e n v i r o n m e n t s f r o mm o n o c u l a rV H Ro p t i c a l s a t e l l i t e i m a g e r y[J]．I E E ET r a n sＧa c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,２０１３,５１(３):１７０１Ｇ１７１７．[６]㊀张亚一,费鲜芸,王健,等．基于高分辨率遥感影像的建筑物提取方法综述[J]．测绘与空间地理信息,２０２０,４３(４):７６Ｇ７９．Z HA N G Y a y i,F E IX i a n y u n,WA N GJ i a n,e t a l．S u r v e yo f b u i l d i n g e x t r a c t i o nm e t h o d s b a s e d o nh i g h r e s o l u t i o n r eＧm o t e s e n s i n g i m a g e s[J]．G e o m a t i c s&S p a t i a l I n f o r m a t i o nT e c h n o l o g y,２０２０,４３(４):７６Ｇ７９．[７]㊀季顺平,魏世清．遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]．测绘学报,２０１９,４８(４):４４８Ｇ４５９．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８０２０６．J I S h u n p i n g,W E IS h i q i n g．B u i l d i n g e x t r a c t i o nv i ac o n v oＧl u t i o n a l n e u r a l n e t w o r k f r o ma n o p e n r e m o t e s e n s i n g b u i l dＧi n g d a t a s e t[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０１９,４８(４):４４８Ｇ４５９．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８０２０６．[８]㊀G ON GJ i a n y a,J I S h u n p i n g．P h o t o g r a mm e t r y a n d d e e p l e a r n i n g[J]．J o u r n a l o fG e o d e s y a n dG e o i n f o r m a t i o nS c iＧe n c e．２０１８,１(１):１Ｇ１５．３４１J a n u a r y２０２２V o l．５１N o．１A G C S h t t p:ʊx b．s i n o m a p s．c o m[９]㊀D A IY u c h a o,Z H A N GJ i n g,H E M i n g y i,e t a l．S a l i e n t o b j e c td e t e c t i o n f r o m m u l t iＧs p e c t r a l r e m o t es e n s i n g i m a g e sw i t hd e e p r e s i d u a l n e t w o r k[J]．J o u r n a l o fG e o d e s y a n dG e o i nＧf o r m a t i o nS c i e n c e,２０１９,２(２):１０１Ｇ１１０．[１０]㊀S U NL o n g,WUT a o,S U NG u a n g c a i,e t a l．O b j e c t d e t e cＧt i o n r e s e a r c ho f S A Ri m a g eu s i n g i m p r o v e d f a s t e r r e g i o nＧb a s e dc o n v o l u t i o n a l n e u r a l n e t w o r k[J]．J o u r n a l o fG e o d e s y a n dG e o i n f o r m a t i o nS c i e n c e,２０２０,３(３):１８Ｇ２８．[１１]㊀H E H a o,WA N GS h u y a n g,WA N GS h i c h e n g,e t a l．A r o a d e x t r a c t i o nm e t h o d f o r r e m o t e s e n s i n g i m a g e b a s e d o ne n c o d e rＧd e c o d e r n e t w o r k[J]．J o u r n a l of G e o d e s y a n dG e o i n f o r m a t i o nS c i e n c e,２０２０,３(２):１６Ｇ２５．[１２]㊀L O N GJ,S H E L H AM E RE,D A R R E L L T．F u l l y c o n v oＧl u t i o n a ln e t w o r k sf o rs e m a n t i cs e g m e n t a t i o n[J]．I E E ET r a n s a c t i o n s o n P a t t e r n A n a l y s i s a n d M a c h i n eI n t e l l i g e n c e,２０１５,３９(４):６４０Ｇ６５１．[１３]㊀R O N N E B E R G E R O,F I S C H E R P,B R O X T．UＧN e t:C o n v o l u t i o n a l n e t w o r k s f o r b i o m e d i c a l i m a g e s e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f t h e１８t h I n t e r n a t i o n a l C o n f e r e n c e o nM e d i c a l I m a g eC o m p u t i n g a n dC o m p u t e rＧA s s i s t e dI n t e rＧv e n t i o n．M u n i c h,G e r m a n y:S p r i n g e r,２０１５:２３４Ｇ２４１．[１４]㊀Z H A O H e n g s h u a n g,S H IJ i a n p i n g,Q IX i a o j u a n,e ta l．P y r a m i ds c e n e p a r s i n g n e t w o r k[C]ʊP r o c e e d i n g so f２０１７I E E EC o n f e r e n c e o nC o m p u t e rV i s i o n a n d P a t t e r nR e c o g n i t i o n(C V P R)．H o n o l u l u,H I,U S A:I E E E,２０１７:６２３０Ｇ６２３９．[１５]㊀L I N G u o s h e n g,M I L A N A,S H E N C h u n h u a,e t a l．R eＧf i n e N e t:m u l t iＧp a t hr e f i n e m e n tn e t w o r k s f o rh ig hＧr e s o l uＧt i o ns e m a n t i cs e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f２０１７I E E EC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o gＧn i t i o n(C V P R)．H o n o l u l u,H I,U S A:I E E E,２０１７:５１６８Ｇ５１７７．[１６]㊀崔卫红,熊宝玉,张丽瑶．多尺度全卷积神经网络建筑物提取[J]．测绘学报,２０１９,４８(５):５９７Ｇ６０８．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８００６２．C U I W e i h o n g,X I O N G B a o y u,Z H A N G L i y a o．M u l t iＧs c a l ef u l l y c o n v o l u t i o n a l n e u r a l n e t w o r k f o rb u i l d i ng e x t r a c t i o n[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０１９,４８(５):５９７Ｇ６０８．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８００６２．[１７]㊀V A S WA N IA,S HA Z E E RN,P A RMA RN,e t a l．A t t e nＧt i o n i s a l l y o un e e d[C]ʊP r o c e e d i n g so f２０１７I E E E C o nＧf e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i ng S y s t e m s．[S．l．]:I E E E,２０１７．[１８]㊀WA N G X i a o l o n g,G I R S H I C KR,G U P T A A,e t a l．N o nＧl o c a l n e u r a l n e t w o r k s[C]ʊP r o c e e d i n g so f２０１８I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n．S a l tL a k eC i t y,U T,U S A:I E E E,２０１８:７７９４Ｇ７８０３．[１９]㊀F UJ u n,L I UJ i n g,T I A N H a i j i e,e t a l．D u a l a t t e n t i o nn e tＧw o r k f o r s c e n e s e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f２０１９I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n(C V P R)．L o n g B e a c h,C A,U S A:I E E E,２０１９:３１４１Ｇ３１４９．[２０]㊀T A O A,S A P R A K,C A T A N Z A R O B．H i e r a r c h i c a lm u l t iＧs c a l e a t t e n t i o n f o r s e m a n t i c s e g m e n t a t i o n[C]ʊP r o c e e d i n g so f２０２０I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n．[S．l．]:I E E E,２０２０．[２１]㊀S U N K e,X I A OB i n,L I U D o n g,e t a l．D e e p h i g hＧr e s o l uＧt i o n r e p r e s e n t a t i o n l e a r n i n g f o rh u m a n p o s e e s t i m a t i o n[C]ʊP r o c e e d i n g s o f２０１９I E E E/C V FC o n f e r e n c eo nC o m p u t e rV i s i o na n d P a t t e r n R e c o g n i t i o n(C V P R)．L o n g B e a c h,C A,U S A:I E E E,２０１９:５６８６Ｇ５６９６．[２２]㊀Q I NX u e b i n,Z HA N GZ i c h e n,HU A N GC h e n y a n g,e t a l．U２ＧN e t:G o i n g d e e p e rw i t hn e s t e dUＧs t r u c t u r e f o r s a l i e n to b j e c t d e t e c t i o n[J]．P a t t e r nR e c o g n i t i o n,２０２０,１０６:１０７４０４．[２３]㊀L I U P e n g h u a,L I U X i a o p i n g,L I U M e n g x i,e t a l．B u i l d i n gf o o t p r i n t e x t r a c t i o n f r o m h ig hＧr e s o l u t i o n i m a g e s v i as p a t i a l r e s i d u a l i n c e p t i o n c o n v o l u t i o n a l n e u r a l n e t w o r k[J]．R e m o t eS e n s i n g,２０１９,１１(７):８３０．[２４]㊀F E N G W e n q i n g,S U IH a i g a n g,HU A L i,e t a l．B u i l d i n ge x t r a c t i o nf r o m V H R r e m o t e s e n s i ng i m a g e r y b yc o m b i n i n g a n i m p r o v ed de e p c o n v o l u t i o n a l e n c o d e rＧd e c o d e ra r c h i t e c t u r e a n dh i s t o r i c a l l a n du s ev e c t o rm a p[J]．I n t e rＧn a t i o n a lJ o u r n a l o f R e m o t e S e n s i n g,２０２０,４１(１７):６５９５Ｇ６６１７．[２５]㊀Z H U Q i n g,L I A OC h e n g,H U H a n,e t a l．M A PＧn e t:m u l t i p l ea t t e n d i n g p a t h n e u r a l n e t w o r k f o rb u i l d i n g f o o t p r i n te x t r a c t i o nf r o mr e m o t e s e n s e d i m ag e r y[J]．I E E ET r a n s a cＧt i o n s o nG e o s c i e n c ea n d R e m o t eS e n s i n g,２０２１,５９(７):６１６９Ｇ６１８１．[２６]㊀H E K a i m i n g,Z HA N G X i a n g y u,R E NS h a o q i n g,e t a l．D e e p r e s i d u a l l e a r n i n g f o r i m a g e r e c o g n i t i o n[C]ʊP r o c e e dＧi n g so f２０１６I E E E C o n f e r e n c eo n C o m p u t e r V i s i o na n dP a t t e r n R e c o g n i t i o n(C V P R)．L a s V e g a s,N V,U S A:I E E E,２０１６:７７０Ｇ７７８．[２７]㊀B I S H O PC M,H I N T O N G．N e u r a l n e t w o r k s f o r p a t t e r n r e c o g n i t i o n[M]．O x f o r d:O x f o r dU n i v e r s i t y P r e s s,１９９５．[２８]㊀MA G G I O R IE,T A R A B A L K A Y,C HA R P I A TG,e t a l．C a ns e m a n t i c l a b e l i n g m e t h o d s g e n e r a l i z e t oa n y c i t y t h ei n r i a a e r i a l i m a g e l a b e l i n g b e n c h m a r k[C]ʊP r o c e e d i n g so f２０１７I E E EI n t e r n a t i o n a lG e o s c i e n c ea n d R e m o t eS e n s i n gS y m p o s i u m(I G A R S S)．F o r t W o r t h,T X,U S A:I E E E,２０１７:３２２６Ｇ３２２９．(责任编辑:张艳玲)收稿日期:２０２０Ｇ１０Ｇ１４修回日期:２０２１Ｇ０７Ｇ２１第一作者简介:张玉鑫(１９９７ ),女,硕士,主要研究方向为语义分割和建筑物提取.F i r s t a u t h o r:Z H A N GY u x i n(１９９７ ),f e m a l e,p o s t g r a d uＧa t e,m a j o r si ns e m a n t i cs e g m e n t a t i o na n d b u i l d i n g e xＧt r a c t i o n．EＧm a i l:z h a n g y u x i n_w h u＠w h u．e d u．c n通信作者:邓非C o r r e s p o n d i n g a u t h o r:DE N GF e iEＧm a i l:f d e n g＠s g g．w h u．e d u．c n４４１。
维美德再次向斯道拉.恩索浆厂提供工艺与质量视像系统
【福建纸业信息】2016年第22期获得较高的纸张干度，确保卓越的整体运行性能。
在干燥部，设有一个硬化湿强剂的高压干燥组，在压光机前纸幅经高效冷却。
ModulePro喷嘴式水分回湿器有助于在压光前对纸幅进行再湿，而2x2辊的软压光机有效确保纸张的光滑度，满足装饰纸生产要求。
维美德再次向斯道拉.恩索浆厂提供工艺与质量视像系统中国纸业网11月16日讯：日前，维美德再次与斯道拉.恩索公司签署订单，向其位于芬兰 Kotka 的 Sunila 浆厂提供 Valmet IQ过程与质量视像(PQV)系统。
该系统将于2016年11月投入运行。
通过对浆厂6号浆板机尘埃度和纤维束的监控，生产线的效率同产品质量将大幅提高。
维美德在2015年向该厂4号浆板机提供过一套类似的PQV系统。
订单被纳入维美德2016年第三季度新增订单中。
类似自动化系统的市场价格一般不超过100万欧元。
斯道拉.恩索 Sunila 浆厂制浆线生产经理 Henrik Antila 说：“PQV 系统的运行结果与传统尘埃度计算方法的结果高度吻合。
另外，新系统可使操作人员在控制室了解尘埃度计算的实时数据，从而使控制过程更迅捷、更准确。
”维美德自动化在线质量管理方案产品经理 Jukka Paananen 说：“这套系统采用先进的纸病分析方法，具备良好的尘埃度计算功能，可对高速运行浆板上的小颗粒尘埃及纤维束加以实时连续的探测。
”维美德向斯道拉.恩索 Sunila 浆厂提供的 PQV 设备配有一套 Valmet IQ 纸幅检测系统。
该系统由一套高分辨率矩阵照相系统和一套匹配光源组成，其作用是获取浆板缺陷图像。
PQV 系统位于浆板机烘干部后，可确保工厂高效连续的在线质量控制。
工厂操作人员可从控制室中的工艺控制系统显示屏上了解尘埃数量。
同时，还可从另外一个显示屏上的缺陷图掌握尘埃分部情况。
通过对每个浆包的尘埃度值进行跟踪和质量控制，PQV可提供Sunila低尘埃度的在线报告。
Norgren H72A系列胶体过滤器说明书
1M o t i o nNorgreN exceloN ®Filter-Filter combiNatioNsH72A Seriesl T rue Modularity with Norgren Quikclamp ® Connections l G eneral Purpose and Oil Removal Filters Provide High Efficiency Oil Removal and Particle Removal Down to 0.01 µm l Q uick Release Bayonet Bowl l H ighly Visible, Prismatic Liquid Level Indicator Lens l S ervice Indicator Turns From Green to Red When Filter Element Needs to be ReplacedSPECIFICaTIONSFluid: Compressed Air Maximum Pressure: Transparent Bowl:Manual or Semiautomatic Drain: 10 bar (150 psig)automatic Drain: 8 bar (116 psig) Metal Bowl:Manual or Semiautomatic Drain: 17 bar (250 psig)automatic Drain: 8 bar (116 psig)Operating Temperature*:Transparent Bowl: -34 to 50°C (-30 to 125°F)Metal Bowl: -34 to 64°C (-30 to 150°F)Particle Removal: 0.01 µm MaTERIaLS Body: ZincTransparent Bowl: Polycarbonate Guard for Transparent Bowl: Zinc Metal: ZincMetal Bowl Liquid Level Indicator Lens: Transparent nylonF72G Element: Sintered polypropelene F72C Element: Synthetic fiber and polyurethane foamElastomers: Neoprene ® and Nitrile Service Indicator Materials Body: Transparent nylon Internal Parts: Acetal Spring: Stainless steel Elastomers: Nitrile* Air supply must be dry enough to avoid ice formation at temperatures below 2°C (35°F).H72A-2AB-AL1-NNN-LNNshown smaller than actual size.H74A-3AB-AD1-NNN-DNNshown smaller than actual size.2Notes: Models include PTF threads, service indicator, automatic drain and long transparent bowl without guard on both filters.Ordering Example: H72A-2AB-AL1-NNN-LNN, combination filter including a general purpose and a standard pressure coalescing filter, 1⁄4" PTF ports, service indicators, automatic drain, long transparent bowl without guard and 5 µm filter element.H73A-3AB-AD1-NNN-DNN, combination filter including a general purpose and a standard pressure coalescing filter, 3⁄8" PTF ports, service indicators, automatic drain, metal bowl with liquid level indicator and 5 µm filter element.。
柳钦火-地表温度
VNIR Band 1: 0.52 - 0.60, Band2: 0.63 - 0.69, Band 3: 0.76 - 0.86, Spatial resolution 15m MIR Band 4: 1.600 - 1.700, Band 5: 2.145 2.185, Band 6: 2.185 - 2.225, Band 7: 2.235 2.285, Band 8: 2.295 - 2.365, Band 9: 2.360 2.430, 30m TIR Band 10: 8.125 - 8.475, Band 11: 8.475 8.825, Band 12: 8.925 - 9.275, Band 13: 10.25 10.95, Band 14: 10.95 - 11.65, 90m Band 15: 0.76-0.86, backward viewing 6
NOAA-AVHRR
NOAA -- National Oceanic and Atmospheric Administration AVHRR-- advanced very high resolution radiometer
NOAA-14: ch1 – visible 0.58-0.68 µm Channel 2 – near infrared (NIR) 0.725-1.10 µm Channel 3 – middle infrared (MIR) 3.55-3.93 µm Channel 4 – thermal infrared 10.5-11.3 µm Channel 5 – thermal infrared 11.5-12.5 µm
4
Landsat 8
携带有两个主要载荷： OLI 和 TIRS （ Operational Land Imager ，运营性陆地成像仪 ,Thermal Infrared Sensor，热红外传感器），OLI传感器有9个光谱波段，与ETM+相比增加2个波段，波 段范围有所变化，其中尤以近红外和全色波段的波长范围变化最明显[2]。空间分辨率为15m（全 色波段）和30m（多光谱波段），成像幅宽为185km。 TIRS有2个热红外波段，空间分辨率为 100m[3]。
CTI 检测报告 2铜版纸PFOS
Report No. Test ReportRHS03G000740027 Page 1 of 3Applicant ZHONGSHAN FUZHOU ADHESIVE-PRODUCT CO.,LTDTORCH HIGH-TECH DEVELOPMENT ZONE,ZHONGSHAN CITY,GUANGDONG PROVINCE CHINAAddressThe following sample(s) and sample information was/were submitted and identified by/on the behalf of the client Sample Name 铜版纸 AL/AL-A/AL-M/AL-AR/AL-AD/AL-AM/AL-B/AL-60g/AL-65g/AL-90g/AL-105g/AL-120g/AL-128g/AL-140g/AL-150g/AL-160g/AL-180g/AL-200g/AL-S/AL-S 300g/AL-S 250g Part No. Testing Period Test Requested Feb. 20, 2014 to Feb. 27, 2014Sample Received Date Feb. 20, 2014As specified by client, to test Perfluorooctane Sulfonates(PFOS) in the submitted sample(s).Test MethodTest Item(s)Measured Equipment(s) Test MethodPerfluorooctane Sulfonates(PFOS) #LC-MS-MSRefer to US EPA 3550C:2007Please refer to the following page(s).Test Result(s) Tested by Approved byTechnical ManagerDateFeb. 27, 2014 No. 1066801387Reviewed by Qinghong Wan Centre Testing International Co., Ltd. Shunde Branch9/F., Yongying Building, Section 2, No.8, East of Rongqi Avenue, Ronggui, Shunde District, Foshan, Guangdong, ChinaReport No. Test ReportRHS03G000740027 Page 2 of 3Test Result(s)Tested Item(s)Result MDL N.D.Perfluorooctane Sulfonates(PFOS) #5 mg/kgTested Sample/Part DescriptionWhite paper Note: -#:Indicates the test item(s) was/were fulfilled by Centre Testing International (Shenzhen)Co., Ltd. lab.-MDL = Method Detection Limit -N.D. = Not Detected (<MDL ) -mg/kg = ppm = parts per millionTest ProcessReport No. Test ReportRHS03G000740027Page 3 of 3Photo(s) of the sample(s)*** End of report ***The test report is effective only with both signature and specialized stamp. The result(s) shown in this report refer only to the sample(s) tested. Without written approval of CTI, this report can ’t be reproduced except in full.。
For DELL 5C report format
ISSUE #: Issue Title :Date: QSMC FX5机种在做功能测试时，发现我司8合1卡有4PCS产品测试SD FAIL，将不良品拆開后發現產品CW 開關上有绝缘膠，不良图片如附档。
1》我司暂无库存2》制程取消点胶作业，工程在未完全改善不良前，制程端不会生产产品。
Containment:2. SQE將此三處尺寸加入IQC檢驗SIP中，由IQC進行管控。
責任人：SQE 姚兵2. 點膠操作為手工操作，點膠量未控制好，導致有膠量過多現象，当胶过多流動時， 出現膠流到PIN接觸的地方，從而出現測試FAIL的現象。
3.不良样品从制程流出去的原因：此胶的固化时间为6小时，,导致胶在未固化前随处流动，产品从制做到检测时间为1小时左右，固导致了我司制程未针测到完全固化后的不良品，造成不良流出。
1. 因當時生產時發現GND PIN有出現松動現象，為了僻免GND在組裝後出現鬆動現象，采用的臨時對策为对产品GND PIN加胶固定。
Contain Characterize Champion:八合一卡测试SD FAIL: CW 與GND PIN OPEN Shuxiang TongDescription: Preventive Action:Cause1. 通過模擬驗証， 增加幹涉可以避免GND PIN鬆動現象。
責任人：RD/余秀娟1.產線在生產時取消點膠作業。
-----------責任人：PE/王廣良 已經完成2.针对GND开关松动问题：RD設變GND PIN，更改GND設計尺寸， 使GND PIN與BASE的幹涉力增大，从而达到不点胶也能固定GND开关的作用，改善对策见下档： -----------完成日期：2/25日。
責任人：RD/余秀娟Root Cause:Corrective Action:Dell 5C / CLCA Chart TemplateWW070131-012007-1-31Closure CorrectiveActionVerification:Reviewer: BelibingReview Results: 以上三處設變用來增大GND 跟BASE 的干涉力。