西甜瓜(西瓜和甜瓜)味甘多汁, 营养丰富, 其内部品质的检测对其生产和流通具有重要意义。 西甜瓜内部品质的传统检测方法检测时间长, 成本高且为有损检测, 不能满足现代生产的需要。 随着光谱分析技术的快速发展, 应用近红外光谱分析和高光谱成像进行西甜瓜内部品质的无损检测已成为研究热点。 为跟踪国内外最新研究进展并分析研究现状, 介绍了近红外光谱分析和高光谱成像的技术特点和系统组成, 归纳了光谱信息预处理、 变量筛选、 模型建立和模型评价等光谱信息解析方法, 综述了近红外光谱分析和高光谱成像在西甜瓜内部品质(可溶性固形物含量、 坚实度、 总酸含量、 成熟度、 水分等)无损检测中的应用, 并从技术难点和实际应用两方面讨论了光谱分析技术在西甜瓜内部品质无损检测中的发展趋势, 指出利用深度学习进行光谱信息解析、 建立多特征信息融合的综合评价模型、 开发基于人工智能与移动终端深度融合的快速无损检测系统等将成为新的研究方向。

水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。

针对现有的鞋楦定制技术没有完善的足楦匹配算法及衡量指标等问题, 提出了基于模糊层次分析法(FAHP)的足楦匹配算法, 通过计算鞋楦数据库中的鞋楦与足部的匹配值来决定技术路径。首先, 提取8个足楦特征参数作为FAHP的准则来衡量足楦匹配情况, 采用三角模糊数计算足楦特征参数的匹配值; 根据各特征参数对成鞋舒适性的影响以及变形设计难易程度建立成对比较阵。然后, 通过求解最大特征值的特征向量得到各参数对足楦匹配度值的权重。最后, 计算出足楦匹配度值并选择技术路径。给出了足楦匹配度值计算实例, 求解得到其值为0.69。结合阈值0.50、鞋楦定制标准0.80, 说明该鞋楦与足部不完全匹配, 但可作为变形修改设计的基础母楦。该方法可将基于鞋楦数据库的鞋楦定制与直接基于足部3D形貌的无实体楦造型等方法结合到一个系统中, 提高量足制鞋的效率, 降低定制成本。

为实现无实体楦基础的数字化量足制鞋, 提出了基于非均匀有理B样条(NURBS)特征曲线自适应变形的个性化鞋楦定制系统, 将足部NURBS特征曲线依据一定的舒适度规则变形成相应的鞋楦特征曲线来实现鞋楦定制。该系统采用切平面法获取足部的特征点、特征曲线和特征尺寸, 重建出足部NURBS特征曲线。建立了足楦舒适度匹配规则, 并根据变形方式及次序不同将特征曲线分为四种类型。以特征点、特征结点和特征尺寸作为约束, 结合足楦舒适度规律驱动足部特征曲线自适应变形, 生成相应的鞋楦特征曲线。最后, 构建出鞋楦特征框架, 通过特征曲线增添操作和曲面细分造型完成定制鞋楦的设计。给出了男士皮鞋鞋楦的设计实例和定制结果, 定制时间在480 s内, 定制的鞋楦美观大方。该系统具有实用性, 且定制鞋楦的再设计利用率显著提高。

针对图像内的细窄线宽, 提出了一种基于Zernike正交矩的亚像素图像线宽检测算法。该算法具有明确的几何模型, 通过计算图像的2阶和4阶Zernike正交矩, 推导出了亚像素线宽表达式。根据数字图像的离散性, 给出了计算正交矩所需的模板系数, 并分析了由离散性造成的原理误差。将所提出的亚像素线宽检测技术应用于安瓿内异物粒径的标定实验, 结果表明: 该算法可有效地测量弱小目标在图像中的亚像素线宽值, 从而得到了异物粒径大小与亚像素线宽之间的标定曲线。

为了精确提取粗糙金属表面的光条中心，提出了一种基于光切法的光刀条纹中心提取方法。从图像形态学角度出发，分析了图像的噪声来源，利用图像增强处理将噪声转化成颗粒状形态，并保持有效光条的连续条纹状特征。然后，通过对图像连通区域面积计数，分割噪声和有效光条信息，将得到的二值化光条图像作为掩模板，与原图像相乘来复原光条图像的灰度信息。最后，应用灰度重心法对已去噪的光条灰度图像进行中心提取。实验结果表明，提出的方法可使提取的光条中心全部落在光条位置区域。对噪声较多的直线条纹区域进行的中心提取显示，此方法的平均误差为0.337 5个像素。

为了在光切法三维形貌测量中快速准确提取光条的中心位置，保证测量精度，研究了一种光条中心的亚像素提取方法。将图像的灰度视为关于坐标的二维函数，在CCD拍摄的激光光条图像中求取灰度的偏导数和梯度，图像中每一点的梯度代表此点的灰度变化方向，将此方向简化为光条上的点的法线方向。对梯度的大小设定阈值并结合该点的灰度信息，提取图像灰度变化最激烈的部分，即光条饱和带的像素位置。对光条饱和带的每个像素，按照不重复计算的原则在梯度方向上和规定邻域内求灰度中心，得到精确到亚像素级的光条中心位置。此方法将光条曲线的法线方向简化为灰度的梯度方向，省去了求海赛矩阵以确定法向的步骤。实验证明，同等条件下，该方法的计算耗时为常规亚像素提取方法的10%。利用该算法进行实际测量，在200 mm×200 mm测量范围下，误差(3σ)为0.057 mm，满足了测量对精确性和实时性的要求。

采用光切扫描法提出了一种基于规则化点云数据的鞋楦定制算法。将规则化点云拟合为NURBS曲线后,在划分的各特征段内分别根据脚型对标准鞋楦进行整体缩放实现局部修改;然后,用基于能量优化原则同时修改控制点和权因子的方法,对标准鞋楦进行自适应修改来实现鞋楦的数字化定制。利用该算法对特定脚型进行自动化鞋楦定制,由脚型扫描至生成定制鞋楦模型的时间在120 s之内。根据此算法完成的定制鞋楦能够满足鞋楦美观性和舒适性的需求,并且缩短了常规手工定制鞋楦的时间。

为满足运动鞋制造业中个性化的需求, 建立了基于光切法进行三维形貌测量的鞋楦定制专家系统。提出了参数化的标准鞋楦模型数据库,采用最小二乘拟合逼近方法将鞋楦点云数据表示为NURBS曲线从而建立该数据库。提出了根据脚型特征端点对脚型分段的方法。以制鞋经验公式与国家标准为依据,在足印点轮廓区规定出初始分段,然后以产生式的表达规则建立分段鞋楦舒适度经验知识库。将标准鞋楦模型数据库、经验知识库结合推理机制,建立起运动鞋楦定制的专家系统概念,并利用该概念建立起针对运动鞋楦的专家系统,对特定脚型进行了运动鞋楦的定制,此类专家系统可推广至各类鞋楦。

提出了基于棋盘光栅Ronchi检验法的微变表面形貌测量方法,可同时测量被测表面形貌两个正交方向的斜率,因而可通过一幅变形棋盘光栅图重构被测表面形貌.使用取微分极值的方法可简单有效地实现变形棋盘光栅图两个正交方向信息的分离和提取.根据所提出的测量方法和数据提取算法建立了微变表面形貌测量系统并对静态和动态表面形貌进行了测量.结果表明,所建立系统的分辨率＜0.1 μm,测量范围＞50 μm,符合有关研究中对微变液面的测量需求.