在激光沉积制造过程中,热累积等因素会导致实际成形形貌与理想形貌存在较大偏差,从而阻碍沉积制造的进一步进行。为此,本文提出了基于点云数据的形貌偏差检测与控制方法。采用高速轮廓测量仪扫描沉积体表面,将获得的形貌点云数据与沉积层切片理论数据进行对比,提取出构成偏差区域的点云数据,对偏差点云进行分层切片,然后运用图像边界识别算法提取切片偏差轮廓,确定偏差轮廓区域在原始切片轮廓区域中的准确位置,改变偏差轮廓区域内的填充间距,为其填充成形轨迹,最后生成沉积程序并对偏差区域进行补偿加工。实验结果表明,补偿后获得的成形表面的平面度误差较补偿前减小了65.1%。本文方法能够显著提高零件的成形精度,实现了检测和补偿的自动化,使激光沉积制造可以连续进行。

利用高光谱分析技术实现冬小麦长势的准确、 无损监测具有重要的实践意义。 基于连续两年的氮素运筹试验， 通过获取叶面积指数（LAI）、 地上干生物量（AGDB）、 地上鲜生物量（AGFB）、 植株含水量（PWC）、 叶绿素密度（CHD）和氮素积累量（ANC）六个冬小麦长势指标及冬小麦冠层高光谱， 引入主成分分析法（PCA）构建可表征冬小麦长势的综合长势指标（CGI）， 并结合偏最小二乘回归法（PLSR）构建CGI的高光谱估测模型。 结果表明， 除植株含水量外， 其他长势指标与所构建的CGI都达到极显著水平， 表明利用CGI可以表征各长势指标信息。 对比CGI和其他各长势指标的PLSR模型表现可知， CGI光谱监测模型表现最优（R2=0802， RMSE=1268， RPD=2015）， 也具有较高的预测精度和稳健度（R2=0672， RMSE=1732， RPD=1489）。 表明基于PCA方法所构建的CGI可以表征冬小麦长势， 利用PLSR方法可以实现对冬小麦长势的准确监测， 且监测效果要优于单一的冬小麦长势指标。