Random lasers are a type of lasers that lack typical resonator structures, offering benefits such as easy integration, low cost, and low spatial coherence. These features make them popular for speckle-free imaging and random number generation. However, due to their high threshold and phase instability, the production of picosecond random lasers has still been a challenge. In this work, we have developed three dyes incorporating polymer optical fibers doped with various scattering nanoparticles to produce short-pulsed random fiber lasers. Notably, stable picosecond random laser emission lasting 600 ps is observed at a low pump energy of 50 µJ, indicating the gain-switching mechanism. Population inversion and gain undergo an abrupt surge as the intensity of the continuously pumped light nears the threshold level. When the intensity of the continuously pumped light reaches a specific value, the number of inversion populations in the “scattering cavity” surpasses the threshold rapidly. Simulation results based on a model that considers power-dependent gain saturation confirmed the above phenomenon. This research helps expand the understanding of the dynamics behind random medium-stimulated emission in random lasers and opens up possibilities for mode locking in these systems.

初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题，本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络（Flue-cured Tobacco Leaf Grade Detection Network，FTGDNet）。首先，FTGDNet采用CSPNet作为特征提取主干网络，采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力；其次，在主干网络末端嵌入显式视觉中心瓶颈模块（Explicit Visual Center Bottleneck module，EVCB）以实现全局特征信息与局部细节特征信息融合；然后，构建多感受野特征自适应融合模块（Multi-Receptive Field Feature Adaptive Fusion module，MRFA_d），利用注意力特征融合机制（Attention Feature Fusion，AFF）将不同感受野特征图进行自适应加权融合，在增强模型局部感受野的同时突出有效通道信息；最后，设计了一种新的定位损失函数（More Complete IoU Loss，MCIoU_Loss），结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题，此外，引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整，加快模型拟合。实验结果表明，FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%，测试精度达到87.4%，且推理时间仅为12.6 ms。相较于多种先进目标检测算法，FTGDNet具有更高的检测精度和更快的检测速度，可为高精度初烤烟叶等级检测提供关键技术支撑。

针对全监督视频实例分割网络训练数据高度依赖精细掩码标注，时间和人工成本过高，导致智能机器无法快速适应新场景的问题，提出一种端到端的掩码生成动态调控弱监督视频实例分割（Weakly Supervised Video Instance Segmentation，WSVIS）网络。为克服初始掩码预测层通道维度突降导致的实例激活特征丢失问题，构建多级特征融合模块，利用特征复用策略预测初始实例特征并融合相对位置信息生成初始预测掩码。然后，提出动态调控机制在通道和空间维度上建立掩码特征依赖关系，强化初始预测掩码与实例感知信息之间的动态交互。最后，网络设计二元颜色相似性生成伪亲和标签取代精细掩码标注，联合边界框与掩码一致性损失实现仅边界框标注的弱监督视频实例分割。实验结果表明，在BoxSet和YT-VIS数据集上，WSVIS网络能达到与全监督网络相近的分割精度和分割效果，同时能够满足实时推理要求，为智能机器快速适应新场景实现实时环境感知和理解提供了理论支撑和算法依据。

在面阵扫描成像激光雷达中，阵列光束照明与棱镜扫描相结合实现了高能量利用率、高分辨率和宽探测视场，但阵列子光束倾斜入射棱镜，破坏了光束传输的旋转对称性，棱镜对子光束偏转能力存在差异，规则光束阵列产生了形状畸变，导致光束指向误差，影响点云位置精度。首先，将阵列光束与棱镜结合的圆锥扫描方式分解为多角度入射多波束并行扫描，通过所有子光束的传输特征来综合表征阵列光束传输特征；然后，采用三维矢量光学方法推导了阵列光束在棱镜中的传输过程，建立了子光束指向变化与棱镜扫描角度的关系；最后，通过对机载激光雷达棱镜扫描成像过程的数值仿真，建立了光束指向变化与点云数据质量的联系。仿真结果表明：阵列光束(3×3)棱镜扫描系统在航高0.5 km时，光束阵列畸变导致平面误差RMS约为5 cm，并随航高呈线性变化；斜率约为0.1 m/km，并随着阵列光束规模和子光束角间距增加点云平面精度随之下降。通过对棱镜扫描过程中光束阵列畸变规律掌握，为后续机载飞行试验数据的校正、阵列光束结合多棱镜扫描系统的设计提供了基础。