重力梯度仪在资源勘探、地球物理研究、自主导航等领域有重要的应用价值。原子干涉重力梯度仪是一种新型的高精度测量仪器，小型实用化是其实现广泛应用需要解决的核心问题。本文设计实现了1套可测量水平分量的小型高精度原子重力梯度仪。该仪器采用全石英材料真空腔体与附件框架相结合的技术方案，使得探头部分的体积降低到105 L，采用模块化双面光路结构，使得光学单元的体积降低为36 L，因而具有十分优良的可搬运性能。在实验室条件下，该原子重力梯度仪的测量灵敏度为320 E/Hz，测量分辨率为3.3 E@4800 s (1 E=1×10^-9 s^-2)。

在相机位姿估计任务中, 参考点位置的测量容易受测量仪器或者所处环境影响, 出现一定程度的测量误差, 其中误差较大的点对最终求解精度的影响很大, 被称为野值点。文章针对现有算法抗野值点能力较弱的问题, 提出一种基于测量误差不确定性加权的快速相机位姿估计算法。该算法以经典的正交迭代算法为基础, 引入M估计方法, 对目标函数根据参考点的测量误差赋予相应大小的权值, 最大程度地将野值点的影响排除, 并引入Kronecker积对计算过程进行优化, 减少了迭代过程中的冗余计算, 提高运算速度。仿真实验结果表明, 改进后的算法提升了原算法的抗野值点能力, 且计算速度更快。

针对红外热成像无损检测系统存在温度误差较大和精度较差等问题，提出一种基于无损检测仿真模型的检测方法。选取相同实验环境下激励点处和缺陷中心处等多个表面温度值作为参考量，用来对仿真模型进行修改和校正。首先改变激光激励时间来分析激励点两侧区域的温度变化趋势，揭示缺陷对试件温度场的影响规律；然后对比激励点两侧区域的温度值，分析缺陷的温阻效应；最后采用数据拟合的方法得到激励时间与测温点最大温差值的拟合曲线及函数关系，定量分析激励时间与测温点最大温差值的数量关系。结果表明，基于无损检测仿真模型的检测方法对零件缺陷的检测效果显著，可以解决测温误差较大和精度较差的问题，对零件缺陷具有良好的检测能力。

在星载大气痕量气体差分吸收光谱仪的研制过程中, 需要对其信噪比、光谱分辨率、光谱定标精度等性能指标进行测试, 为此需要设计专用二维转台以实现不同视场在不同角度下的测试。根据光谱仪参数测试要求, 提出转台设计方案, 设计转台结构, 建立三维模型, 并对主要零部件进行选型。转台的方位轴 ±180° 转动, 满足 114° 的主视场测试要求; 俯仰轴 ±20° 翻转, 实现太阳视场需求; 机械定位精度为 ±0.01°。 转台提供两种安装方式, 光谱仪竖立安装进行太阳视场测试, 水平安装进行主视场测试。转台支撑框架在不同的工况下承受载荷的作用, 利用有限元软件对框架结构进行仿真, 分析结果验证了框架设计的合理性。

在 GLNet(Global-Local Network)中，全局分支采用 ResNet(Residual Network)作为主干网络，其侧边输出的特征图分辨率较低，而且表征能力不足，局部分支融合全局分支中未充分学习的特征图，造成分割准确率欠佳。针对上述问题，提出了一种基于 GLNet和 HRNet(High-Resolution Network)的改进网络用于高分辨率遥感影像语义分割。首先，利用 HRNet取代全局分支中原有的 ResNet主干，获取表征能力更强，分辨率更高的特征图。然后，采用多级损失函数对网络进行优化，使输出结果与人工标记更为相似。最后，独立训练局部分支，以消除全局分支中特征图所带来的混淆。在高分辨率遥感影像数据集上，对所提出的改进网络进行训练和测试，实验结果表明，改进网络在全局分支和局部分支上的平均绝对误差(Mean Absolute Error，MAE)分别为 0.0630和 0.0479，在分割准确率和平均绝对误差方面均优于 GLNet。

由于分布式全息孔径成像系统的相干性及振幅扩散函数(ASF)的旁瓣效应,成像分辨率的分析非常困难。将瑞利判据两点间分辨率模型推广为多点间分辨率模型,并根据多点ASF在不同相位分布下的叠加曲线判断观测点与其最邻近点的分辨性能。采用遗传算法将观测点与其最邻近点的谷峰比作为目标函数,通过优化多点间相位分布求得某角间距下的最大谷峰比,当最大谷峰比不大于0.81时,则可以分辨该观测点能与最邻近点。求得任意相位发布下,均满足谷峰比不大于0.81的临界角间距,即可将其视作系统角分辨率。仿真和实验结果表明,该方法能够较准确地分析系统分辨率及等效孔径。

针对周期性纹理背景影响织物缺陷检测效果的问题,提出了一种基于粗糙度测量和颜色距离的织物缺陷检测方法。该方法先将待检测图像由RGB颜色空间转换到HSV颜色空间,并分别对三通道进行同态滤波处理,以提升缺陷与背景之间的对比度;利用粗糙度测量对织物图像进行分类,并将同一类别的织物图像分成大小相同且互不重叠的图像分块,分别估计各个图像分块与其八邻域图像分块的颜色距离,从而实现对缺陷的粗定位;最后对粗定位图像分块进行显著性和二值化处理,有效减少了周期性纹理背景对检测结果的影响。实验结果表明:与近期4种方法相比,本文方法对周期性纹理织物图像表现出了较好的检测效果,检测准确率更高。

针对棉花异性纤维检测准确率不高、实时性较差的问题，以棉花为研究对象，提出了一种基于改进YOLOv3的棉花异性纤维检测方法。引入轻量级MobileNets网络为特征提取网络，结合YOLOv3的多尺度特征融合检测网络，构建改进的MobileNets-YOLOv3模型。提出一种分段式学习率，以增强学习效果。将实际采集到的真实棉花异性纤维图像数据集按4∶1的比例划分为训练集和测试集，并使用对比度增强、水平镜像等6种图像增广方法扩充数据集。对扩充前后的数据集、不同的学习率、改进前后的YOLOv3模型、本文模型与Faster R-CNN和SSD_300模型做了对比试验。实验结果表明，数据集的增广、改进后的分段式学习率均能改善训练模型的过拟合现象，在测试集上的平均正确率(mAP)分别提高了3.6%、5.64%; 改进后的YOLOv3模型对测试集进行检测的平均正确率(mAP)为84.82%，帧速率为66.67 f·s-1，识别精度优于YOLOv3模型，提高了2.03%，帧速率是YOLOv3模型的3倍，总体性能也优于Faster R-CNN和SSD_300模型，能较好地满足棉花异纤检测的精度和实时性要求。