XiaoMi-AI文件搜索系统
World File Search System成像仪
大型太阳加速核成像光谱仪 (LISSAN)：下一代太阳射线光谱成像仪器概念
1 瑞士西北应用科学与艺术大学 FHNW 工程学院，Bahnhofstrasse 6, 5210 Windisch, Switzerland； andrea.battaglia@fhnw.ch (AFB); muriel.stiefel@fhnw.ch (MZS) 2 欧洲空间研究与技术中心 (ESTEC)，欧洲空间局，2201 Noordwijk，荷兰 3 Mullard 空间科学实验室，伦敦大学学院，Holmbury St. Mary，Dorking RH5 6NT，英国 4 加州大学伯克利分校空间科学实验室，7 Gauss Way，伯克利，CA 94708，美国 5 粒子物理和天体物理研究所 (IPA)，瑞士苏黎世联邦理工学院 (ETHZ)，Wolfgang-Pauli-Strasse 27，8039 苏黎世，瑞士 6 天体粒子与宇宙学，巴黎城大学，CNRS，CEA，F-75013 巴黎，法国 7 美国国家航空航天局戈达德太空飞行中心，8800 Greenbelt Road，Greenbelt，MD 20771，美国； albert.y.shih@nasa.gov (AYS) 8 波茨坦莱布尼兹天体物理学研究所 (AIP), An der Sternwarte 16, 14482 Potsdam, 德国； awarmuth@aip.de (AW); mverma@aip.de (MV) 9 格拉茨大学物理研究所和 Kanzelhöhe 天文台，Universitätsplatz 5, 8010 Graz, Austria 10 都柏林高等研究院，31 Fitzwilliam Place, Dublin D02 XF86，爱尔兰； peter.gallagher@dias.ie (PTG) 11 格拉斯哥大学物理与天文学院，University Avenue, Glasgow G12 8QQ，UK； iain.hannah@glasgow.ac.uk (IH) 12 诺森比亚大学数学、物理和电气工程系，泰恩河畔纽卡斯尔 NE1 8S，英国 13 捷克科学院天文研究所 (CAS)，251 65 Ondˇrejov，捷克共和国； jana.kasparova@asu.cas.cz 14 西肯塔基大学物理与天文学系，Bowling Green, KY 42101，美国 15 图像和数据分析方法 (MIDA)，Dipartimento di Matematica，Università di Genova，Via Dodecaneso 35，I-16146 Genova，意大利； piana@dima.unige.it (MP) 16 Centrum Bada´n Kosmicznych, PAN, ul. Bartycka 18a, 00-716 华沙, 波兰; tmrozek@cbk.pan.wroc.pl (TM) 17 Istituto Nazionale di Fisica Nucleare (INFN-Pisa), 56127 Pisa, Italy 18 Institut de Recherche en Astrophysical et Planétologie (IRAP), National Center for Space Studies (CNES), Université Toulouse III, 31062 Toulouse, France 19 物理学加州大学圣克鲁斯分校，1156 High St.，Santa Cruz，CA 95064，USA 20 圣克鲁斯粒子物理研究所，加州大学圣克鲁斯分校，Santa Cruz，1156 High St.，Santa Cruz，CA 95064，USA 21 空间研究和天体物理仪器实验室 (LESIA)，CNRS-UMR 8109，Observatoire de Paris，5 Place J.扬森, 92195 默东, 法国; nicole.vilmer@obspm.fr * 通讯地址：daniel.ryan@fhnw.ch
印度首款量子钻石微芯片成像仪
目标是开发一种先进的传感工具，以提高半导体芯片检查的精度，减少芯片故障，提高能源效率。量子钻石微芯片成像仪类似于磁共振成像（MRI），可对半导体芯片进行非侵入式和非破坏性成像，克服了传统方法在芯片尺寸减小时检测异常的局限性。它利用钻石中的氮空位中心以及专门的硬件和软件，大大增强了故障分析、设备开发和优化过程。它还可以可视化多层芯片中的三维电荷流，以实现高级缺陷识别。它将在微电子、生物和地质成像以及磁场精细成像等领域得到广泛应用。
P-250 - 2D CMOS 成像仪
条码扫描器光学元件 光源：冷白色照明 LED 扫描方法：CMOS 区域传感器，640 x 480 像素 扫描速率：高达 120 fps 触发模式：手动、自动触发 读取俯仰角：360° 读取倾斜角：± 15° 读取倾斜角：360° 曲率：R ≥ 20 mm (UPC) pcs 0.9 时的最小分辨率：0.2 mm / 7.87 mil 最小。 pcs 值：0.2 视野：水平 74˚，垂直 60˚ 代码 39 的景深：5 - 70 毫米 (0.127 毫米) / 0.19 - 2.76 英寸 (5 mil) 5 - 110 毫米 (0.254 毫米) / 0.19 - 4.33 英寸 (10 mil) 30 - 135 毫米 (0.508 毫米) / 1.18 - 5.31 英寸 (20 mil) 代码 EAN13 的景深：5 - 145 毫米 (0.33 毫米) / 0.19 - 5.71 英寸 (13 mil) 代码 QR 码的景深：0 - 37 毫米 (0.169 毫米) / 0.59 - 1.46 英寸 (6.7 mil) 0 - 105 毫米 (0.381毫米）/0 - 4.13 英寸（15 密耳）
FDSS/μCELL 动态平板成像仪 C13299
具有从荧光到发光的宽灵敏度范围的高灵敏度/高速相机。作为荧光/发光板成像仪，可高通量地执行各种测定。由于微孔板的所有孔都是同时读取的，因此在添加底物后，荧光指示剂或孔间测量没有时间滞后。要测量快速荧光动力学，可以使用高速数据捕获功能（可选）以最多 5 毫秒的间隔捕获数据。当需要在短时间内采样时，例如使用高速电压敏感荧光染料和评估 iPS 细胞衍生的心肌细胞时，它是有效的。对于荧光和发光的测量，通过 FRET 和 BRET 等能量转移进行双波长测量是离子通道和蛋白质动力学分析的有效方法。通过安装在传感器前面的荧光滤光片转换器，可以高通量地进行双波长测量。
使用所有天空成像仪和机器学习的高分辨率太阳辐照度预测 -
nils Straub，Wiebke Herzberg，Anna Dittmann，Elke Lorenz iea-Methods的微小比例预测和他们的无人可乐Roskilde，2024-04-10 www.ise.fraunhofer.de
微小卫星星载高光谱成像仪设计
我们介绍了一种用于地球观测微型卫星平台的空间高光谱成像仪 (HSI) 的光学设计。空间高光谱成像在农业、水管理、环境监测、矿物学和遥感等领域具有许多重要应用。设计了一种 HSI 系统，该系统能够实现地面采样距离 (GSD) 小于 15 m、扫描幅宽大于 15 km、光谱分辨率小于 10 nm 并在低地球轨道 (LEO) 上运行。系统尺寸限制为小于 0.125 𝑚 3 的体积。选择商用、冷却的 HgCdTe 型成像传感器来为设计的成像仪操作 400 – 2500 nm 的光谱。HSI 光学设计包括离轴三镜消像散 (TMA) 型望远镜和改进的 Offner 型光谱仪。使用改进的 Offner 型光谱仪设计，以两个 Féry 棱镜作为衍射元件。整体HSI系统设计符合本文描述的性能目标。
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼太空系统公司 约瑟夫·安德森太空公司
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼空间系统 约瑟夫·安德森 空间物流有限责任公司 摘要 本文将描述和说明由诺斯罗普·格鲁曼公司制造的空间物流有限责任公司任务扩展飞行器 (MEV) 使用的会合和近距操作 (RPO) 传感器的实际性能。MEV-1 于 2019 年发射，并于 2020 年 2 月与位于 GEO 墓地轨道上距离 GEO 约 300 公里的 Intelsat 901 卫星执行会合、近距操作和对接 (RPOD)。MEV-2 于 2020 年发射，并于 2021 年 2 月和 3 月与直接在地球静止轨道上的 Intelsat 10-02 卫星执行了类似的 RPOD 序列。这些飞行器使用三种不同的传感现象来提供所有必要的相对导航数据，以实现上述 RPOD 功能。这些包括可见光谱成像仪（窄视场和宽视场）、长波红外 (LWIR) 成像仪（窄视场和宽视场）和主动扫描激光雷达。本文将探讨这些传感器在 GEO 实际任务中的性能及其对未来空间态势感知能力的潜在影响。1. 简介 Space Logistics LLC 任务延长飞行器 (MEV) 是其主承包商 Northrop Grumman Space Systems (NG) 和 NG 的几家传统公司十多年开发工作的成果。MEV 被认为是新卫星服务市场中的第一代能力，它为未设计为需要维修的航天器提供宝贵的寿命延长服务。MEV 基于 Northrop Grumman 的传统 GEOStar 航天器平台构建，并采用了两项关键技术发展。第一个是准通用对接系统，它与目前在轨的大多数最初未设计为对接的 GEO 航天器兼容。第二，是整合了强大而灵活的 RPO 传感器套件，该套件由尖端硬件和软件组成，这些硬件和软件基于诺斯罗普·格鲁曼的传统 RPO 系统，包括 Cygnus 空间站补给飞行器。MEV 可延长未为在轨加油而建造的卫星的寿命。为了执行任务，MEV 与客户飞行器进行半自动会合，并使用大约 80% 的 GEO 卫星上存在的两个功能与其对接，这两个功能是面向天顶的液体远地点发动机 (LAE) 喷嘴和周围的发射适配器环。对接后，客户飞行器的推进系统和姿态控制完全禁用，从而使 MEV 能够全权负责客户飞行器的指向和轨道管理。虽然 MEV 对接系统无疑是艺术巧思的杰作，但本文将仅探讨 MEV RPO 传感器套件的性能，一组抗辐射尖端传感器，为 MEV 相对导航算法提供原始数据。这些包括可见光谱摄像机组、长波红外 (LWIR) 摄像机组和扫描激光雷达。RPO 传感器套件允许 MEV 从 50+km 处跟踪客户车辆，并在精确对接事件期间保持厘米级的相对位置。根据客户要求，MEV 和下一代车辆可以使用其传感能力从近距离对客户车辆进行多光谱检查，并通过激光雷达收集高密度 3D 检查扫描。但对这种能力最直观的展示来自 MEV-1 对接后发布的首批从 GEO 上方拍摄的在 GEO 带中处于活跃运行状态的航天器商业图像。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。