由于大范围三维激光扫描易受到采集车的多频率振动噪声的干扰，获取的路面三维形貌精度低。传统滤波和图像处理技术存在无法进行分量分析和过程复杂等缺陷。针对此问题，提出一种基于改进的哈里斯鹰优化（AMHHO）算法的变分模态分解（VMD）算法来对路面分量进行分析，精确剥离多频率振动信息。对车载3D激光相机获取的路面点云数据进行降维得到路面纵剖面信号，用所提AMHHO-VMD算法进行分解，对分解得到的本征模态函数（IMF）进行傅里叶变换并结合采集单元振动状态判定多频率振动信息。最后将筛选后的有效分量重构，得到精确的路面三维形貌。实验结果表明：与经验模式分解（EMD）算法和小波包分解算法相比，所提AMHHO-VMD算法能将多频率振动分量从原始路面点云中剥离，获得精确的路面三维形貌。

为了提高矿用液压支架立柱修复表面的硬度与耐磨性, 利用激光熔覆技术在液压支架立柱母材27SiMn钢表面进行了不同激光扫描速度下的单道激光熔覆铁基合金实验, 对比分析不同扫描速度下的单道熔覆层宏观形貌; 随后在不同扫描速度下进行多层累加激光熔覆铁基合金实验, 分析不同扫描速度下27SiMn钢基体和铁基合金熔覆层的微观组织形貌、显微硬度和力学性能; 进行耐磨性能实验, 研究不同滑动速度和载荷对熔覆层耐磨性的影响。结果表明, 熔覆层和基体之间能实现良好的冶金结合, 熔覆层组织中呈现出了具有典型定向凝固特征的柱状晶; 熔覆层的显微硬度、抗拉强度及耐磨性均高于基体。

针对现有目标深度神经网络检测准确度低和实时性差的问题,提出一种面向无人机(UAV)飞控平台的实时道路目标深度神经网络检测方法。该方法结合了YOLOv2和YOLOv3网络的优点,针对YOLOv2检测准确度低、小目标难以检测和YOLOv3实时性差的现状,建立了将残差块引入Darknet-19网络同时采用多尺度特征进行目标检测的道路目标检测模型。提出采用回归(logistic)分类器进行目标类别的预测,以实现对重叠图像的多标签分类。实验结果表明,该方法对UAV飞控平台上分辨率为416 pixel×416 pixel视频图像的检测帧率在20 frames/s以上,平均准确度(mAP)达到82.29%,召回率达到86.7%,基本满足UAV飞控平台道路目标检测对准确性和实时性的要求。

针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。