无人机进行植保作业后, 要实现自主降落, 传统的无人机一般借助于自身的GPS系统进行辅助, 但该系统在小型无人机上进行精确定位时会存在较大误差。针对这一问题, 利用机器视觉系统对无人机定点识别方法展开了研究：设定特定的地标, 通过色值提取滤去该定点以外的其他颜色干扰信息, 展开形状分析排除掉除该定点形状以外的元素, 进行Canny边缘检测识别出地标的轮廓, 建立平面坐标系, 结合边缘检测获得的像素信息测算地标点的具体方位, 并通过试验验证了利用视觉系统可以较好地辅助无人机实现定点降落。

针对多旋翼飞行器的精准定点及稳定悬停控制问题, 采用串级PID控制算法设计位姿控制器对多旋翼的位置和姿态进行控制。对多旋翼进行运动学及动力学分析, 建立数学模型, 并对所建模型进行分析再建立控制分配模型。为了简化控制器设计,将控制器分为位姿控制器和控制分配器两部分进行设计, 改变控制分配器可以实现对不同旋翼的飞行控制, 具有更广的适用性。仿真结果表明,多旋翼无人机具有较快的响应速度, 垂直起飞和平飞两个阶段衔接紧密, 能够准确到达给定目标位置并进行稳定悬停。

针对四旋翼飞行器的轨迹跟踪控制问题，设计了一种互联与阻尼分配无源控制（IDA-PBC）的控制器实现轨迹跟踪控制。首先，采用牛顿—欧拉法对四旋翼飞行器进行数学建模；然后，在IDA-PBC控制器中引入收缩性（Contraction）定理应用于轨迹跟踪；最终，通过计算机仿真验证了所设计的IDA-PBC控制器的有效性、跟踪性能以及鲁棒性能。仿真结果表明，IDA-PBC控制器不仅可以有效地完成四旋翼飞行器的跟踪控制任务，而且通过与PID控制器进行仿真对比发现，IDA-PBC控制器还具有收敛速度快、跟踪误差低、鲁棒性强等优点。四旋翼飞行器的IDA-PBC控制器使系统具有较好的稳态性能与动态性能，满足四旋翼飞行器的跟踪控制要求。

为了达到快速识别和检测油类污染物的目的,以激光诱导荧光技术为基础搭建了荧光光谱检测系统,得到0 #柴油、95 #汽油和普通煤油3种不同油种的荧光光谱,然后从荧光光谱信息中提取特征参量,将标准差、中心距和荧光峰的峰度系数作为敏感特征参量进行聚类分析,最后采用拟合曲线法求得待测样品的质量浓度。实验结果表明,LIF技术结合特征参量提取法和拟合曲线法可用于不同油类污染物的定性和定量检测,为快速识别和检测油类污染物提供了一种新思路。

针对油类污染物成分复杂, 光谱重叠难以识别的问题, 提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。 荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响, 提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理, 原理是单个荧光光谱激发发射矩阵符合双线性, 可用主成分分析(PCA)法来解析。 MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除, 之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。 该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。 利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。 样品数据来源于柴油、 汽油和煤油三种溶质的四氯化碳溶液。 常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、 交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。 PARAFAC基于严格意义上的最小二乘原则, 具有抗噪声强、 模型稳定、 微小预期误差等优点, 可以实现三维数据阵列的最佳拟合, 但该算法收敛速度较慢, 对组分数敏感。 ATLD算法通过提取对角主元和切尾奇异值求解广义逆, 极大提高了收敛速度并降低了对组分数的敏感度, 从而实现三线性分解。 然而, 取对角元时易使ATLD方法对噪声敏感。 SWATLD算法既继承了对组分数不敏感、 收敛速度快等优点, 又降低了噪声水平的影响。 但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。 基于此, 论文根据三线性分解算法迭代过程中损失函数的变化, 对迭代过程进行划分, 提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起, 充分发挥各算法的优点, 实现二阶校正算法的优势互补。 采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析, 并对三种矿物油的回收率进行了计算。 柴油的回收率为97.08%, 汽油的回收率为97.34%, 煤油的回收率为97.25%。 解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠, 且易受到空白荧光和干扰物荧光影响降低了测定准确性。 提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品(EEM-temperature data array)的四维荧光光谱数据阵列, 应用四线性成分模型建立高维荧光光谱定性定量分析的方法。 实验证明在15～25 ℃温度范围内, 矿物油荧光光谱轮廓形状不随温度变化, 而其强度随温度线性变化, 满足四线性要求, 这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。 三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定, 即具有“二阶优势”, 还具有更高的选择性和灵敏性, 可以对高共线性和背景干扰的重叠光谱表现更好的解析能力, 即“三阶优势”。 对0#柴油、 97#汽油和机油为混合油待测组分, 腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验, 得到的三维荧光光谱利用平行因子(PARAFAC)算法和交替惩罚三线性分解(APTLD)算法进行二阶校正分析, 将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵, 并将其利用四维平行因子算法(4-PARAFAC)和交替惩罚四线性分解(APQLD)算法进行三阶校正分析, 比较, 0#柴油、 97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力, 四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测, 较传统的三维荧光光谱分析提高了回收率(recovery rate)和预测均方根误差(root mean square error of prediction, RMSEP), 有利于石油类污染物的有效, 准确, 实时, 绿色环保检测。 同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境, 为油类污染物检测具体情况提供算法选择依据。 引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术, 在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效, 绿色无污染地检测, 实现“数学分离”更有效代替“化学分离”。

针对油类污染物成分复杂、光谱重叠难以识别的问题,提出三维荧光光谱结合组合算法(ACM)。将交替三线性分解(ATLD)、自加权交替三线性分解(SWATLD)与平行因子分析(PARAFAC)算法组合,实现3种算法的优势互补。通过配制以四氯化碳为溶剂的不同质量浓度的柴油、汽油和煤油的混合溶液,利用F-7000荧光光谱仪测量混合溶液的三维荧光光谱,采用空白扣除法与缺损数据修复——主成分分析法进行预处理消除散射干扰,对三维光谱数据矩阵进行分解,并与以上3种算法解析结果进行对比。结果表明,ACM对组分数不敏感,且解析结果更准确,样本中对柴油、汽油和煤油的平均回收率分别为 96.68%、97.83%、97.11%。实现了混合油类物质的定性、定量分析,具有一定的普适性。

为实现对飞秒激光烧蚀的光斑阵列进行准确测量,构建微视觉系统进行图像的采集、处理。由于微视觉系统视场有限,单帧图像无法反映光斑阵列全貌,需对多帧图像进行拼接处理。首先,利用微视觉远心镜头对飞秒激光烧蚀的光斑列阵图像进行采集,获得多幅光斑阵列图像; 其次,运用Harris及RANSAC算子并加入ANMS非极大值抑制,对多幅光斑阵列图像进行配准与拼接,并经实验验证了采用此图像拼接方法能获得较好的光斑阵列整体图像。最后,运用SSIM评价法对拼接后图像与原图像进行对比,证明了拼接效果的准确性,能达到对原图像89.795 435%的还原,对测量大视场微结构图像有重要意义。

采用平行因子分析(PARAFAC)和交替残差三线性(ART)算法,对石油类污染物进行测量与识别,重点对比分析了两种算法对油种鉴别的差异。在实验中,将以CCl4为溶剂的95号汽油、0号柴油与普通煤油溶液作为研究对象,以不同浓度的石油类物质混合液作为实验样本,利用F-7000荧光分光光度计对样本进行检测,以得到各样本的三维荧光数据。测量样本的组分数估计值预设为3时,采用PARAFAC算法得到的柴油、汽油和煤油样品的回收率分别为(95.60±3.60)%、(94.67±3.66)%和(95.49±4.49)%;ART算法无需预设组分数,其测量得到的柴油、汽油和煤油样本的回收率分别为(96.58±2.17)%、 (95.17±9.17)%和(95.90±8.90)%。结果表明:两种算法都可用于三组分石油类污染物的识别与测量,均能得到较高的回收率;ART算法因无需预先设定组分数而更具优势。

为了有效解决单圆特征目标位姿解存在二义性的问题，提出了基于角度约束的目标位姿虚假解的消除方法。在相机标定好的前提下，在水平面上平移相机系统获得两幅或两幅以上具有圆特征的目标物图像，以圆形特征目标物的真实姿态角在相机坐标系下保持不变作为约束，可以有效剔除虚假解。可将该方法应用于末端安装摄像机的工业机器人，操控机器人做已知的平移运动从而有效剔除圆特征目标位姿的虚假解。通过实验验证，圆特征目标姿态角的绝对误差小于0.5°，然后可通过真实姿态选出对应目标的真实位置。该方法简单易行，不需要额外的高昂设备就能精确地定位出物体的真实位姿，成功率可达100％。