为了在保证结构简单的前提下, 实现衍射光栅精密测量系统的大量程、高精度、多维度测量, 设计了能够同时测量位移和角度的五维自由度衍射光栅精密测量系统。基于利特罗对称式光路结构, 采用高刻线密度的一维衍射光栅以及外差干涉原理实现了沿光栅矢量方向和光栅法线方向的二维位移测量; 通过引入高精度的位置灵敏探测器, 结合±1级衍射光与光栅之间的角度变化关系实现了对光栅俯仰、偏摆和滚转三个维度的角度误差测量。实验结果表明: 该衍射光栅精密测量系统能够实现分辨力优于4 nm的二维位移测量以及分辨力优于1″的三维角度测量, 其位移测量范围只受限于光栅的尺寸, 量程大大增加。该衍射光栅精密测量系统在精密测量领域有重要意义。

提出全自主的微型飞行器,使用板载传感器实现三维的同时定位与稠密重构。在ORB-SLAM系统的基础上,基于扩展卡尔曼滤波器实现了视觉-惯导的传感器融合,提高了系统的稳健性和精度以满足微型飞行器自主飞行的要求。由于ORB-SLAM系统创建的稀疏的特征地图不能用于微型飞行器的避障和导航,使用双目摄像机提出了改进的构建地图的方法,由稀疏特征点地图扩展为稠密的八叉树地图。通过EuRoC数据集进行评估,可以验证本文算法较基于关键帧的视觉-惯导算法平均精度提升了1倍。将本文算法应用于所搭建的四旋翼自主飞行平台,仅依靠板载传感器和处理器,实现了全自主飞行与稠密地图构建,验证了本文算法的有效性和稳健性。

介绍了基于同心结构的Offner成像光谱仪光学系统的工作原理、结构特点及优势，综述了Offner型成像光谱仪在国内外的研究进展。较详细地介绍了国内外目前常用的三种消像差方式，即通过改变光学元件装调结构实现消像差，基于单光栅像差理论的解析方法进行消像差以及通过设计凸面全息光栅来提高光谱图像的分辨率。文中总结了Offner成像光谱仪存在的关键问题及发展趋势，强调该系统需要解决的问题的是消除系统像差，提高系统光谱分辨率、空间分辨率和对弱信号的探测能力，其发展方向为更高的分辨率和探测能力以及系统的小型化和轻量化。基于对Offner成像光谱仪的研究，文中提出了一种从凸面全息光栅与光谱仪一体化设计的角度进行消像差的思路。

应用高光谱成像技术, 结合峰值比判别法和偏最小二乘判别法, 探讨快速无损诊断正常、 缺素和黄龙病柑桔叶片的可行性。 在37428～1 01689 nm可见近红外光谱范围内, 采集了正常、 缺素和黄龙病柑桔叶片的高光谱数据。 以主叶脉为轴线, 两侧各选一个长约60像素、 宽约30像素的椭圆形感兴趣区域。 提取两个感兴趣区域的平均反射率光谱, 经相关分析, 筛选出50279和37428 nm一对特征波长, 建立了正常叶片的峰值比判别模型, 模型误判率为17%, 但该模型无法区分缺素和黄龙病叶片。 采用二阶导数结合平滑光谱预处理方法, 处理反射率光谱, 建立了缺素和黄龙病叶片偏最小二乘判别模型。 采用留一法交互验证确定最佳主成分因子数为17, 建模相关系数为096, 建模标准差为013, 模型对两类叶片分类正确率都达到了100%。 在此基础上, 提出了峰值比判别模型和偏最小二乘判别模型相结合的不同类别叶片二步快速诊断法。 采用未参与建模的正常、 缺素和黄龙病叶片各10片, 评价模型的分类能力, 模型分类正确率达到了967%。 实验结果表明: 应用高光谱成像技术, 结合由峰值比判别模型和偏最小二乘判别模型构成的二步判别法, 快速识别正常、 缺素和黄龙病柑桔叶片是可行的。

介绍了基于几何莫尔条纹原理和衍射干涉原理的两种光栅精密位移测量系统及各自的特点。综述了国内外对光栅干涉式精密位移测量系统的研究进展，总结了系统存在的关键问题及发展趋势。光栅干涉式精密位移测量系统的优点是对环境要求小，测量分辨率和精度较高，结构紧凑，成本低。该系统需要解决的问题包括提高光栅以及光学元器件制造和安装精度; 寻求一种更高精度的检测手段对光栅位移测量系统进行标定等。光栅干涉式精密位移测量系统的发展方向为更高测量分辨率和精度，大量程、多维度测量以及尺寸小巧。该系统在现代工业加工精密制造领域将具有更广阔的应用前景。

为了提高二维工作台的定位精度, 提出了一种在线检测二维工作台x轴测量镜面形的方法。无需y轴测量镜, 利用三路激光干涉仪检测工作台x轴测量镜的二次微分信息, 对所得数据进行二次积分得到工作台测量镜的精确面形。分析了零点误差对工作台测量镜面形误差检测的影响, 并提出了相应的校正方案。对所提出的方法进行了理论推导和实验验证, 结果表明, 所提方法的检测重复精度优于2.6521 nm, 验证了该方法对工作台测量镜面形误差检测的正确性, 并且可对工作台x轴测量镜的面形误差进行实时补偿。

柚类种质和品种资源繁多, 现有的柚类品种鉴别方法检测时间长, 费用高。 旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。 试验选用4个具有代表性的柚类品种, 利用高光谱成像技术, 采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。 高光谱图像标定后, 提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。 利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。 采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后, 分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长, 并将其作为最小二乘支持向量机(LS-SVM)的输入变量, 建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。 结果显示, 基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%, 对预测集样本的识别正确率均为95.83%。 基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。 表明, 利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别, 叶片下表面光谱信息鉴别效果优于叶片上表面。 该研究为柚类的品种快速鉴别提供了一种新方法。