针对无人机航拍图像尺寸过大，且背景环境复杂带来的导地线缺陷检测速度和精度下降的问题，提出了一种基于 LSD 与深度学习的轻量化导地线缺陷检测方法。首先利用LSD 算法提取图像的直线特征，并结合 RANSAC 拟合出一条分割基线；然后根据分割基线对导地线区域进行粗分割，剔除大部分背景干扰，减小送入检测网络的图片尺寸；最后通过对 YOLOv5 的主干网络进行修改，减少网络的计算量，使其更适合在边缘计算设备上部署。实验结果表明，该方法使待检区域大大减小的同时抑制了背景的干扰，使检测精度由原来的67.9% 提高到 71.3%，同时检测速度提升了 12%。本算法具有精度高、速度快、适合在边缘计算设备上部署等优点。

通过对混凝土试件进行试验研究，在应变率为0.000 3 s-1和0.065 s-1的加载条件下进行三点弯曲试验，模拟静态荷载和冲击荷载，评估聚氨酯(PU)涂层在静态荷载和冲击荷载作用下增强混凝土试件力学响应的有效性。结果表明，PU涂层(在混凝土试件的正面或反面)的应用对提高混凝土结构的延性具有积极作用，最大应变和累积应变能随着PU涂层厚度的增加近似线性增加，反面涂覆的方法在静态荷载作用下对混凝土结构的加固效率更高，采用正面涂覆的方法可增强混凝土结构的抗冲击性，通过增加涂层厚度能有效提高加固能力。PU涂层在试件的最终破坏过程中不会脱胶，这意味着材料具有良好的附着力，能有效减弱试件的破碎效应。

在计算机视觉领域, 深度学习一直有着良好的表现。基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力。针对红外图像场景多变, 尺度变化范围大, 可用特征不足等问题, 提出了一种Dende-Yolov5的网络结构, 该网络融合了DenseNet网络和Yolov5的特点, 基于充分利用feature, 保护目标边缘的思想, 将Yolov5s中的Resunit模块替换成了自定义的密集连接型Denseblock模块, 并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验。改进后的Dense-Yolov5网络对各目标检测的召回率, 精度, mAP值均有提升, mAP提高了1.92%, 召回率提高了1.59%, 精度提高了0.99%。检测结果表明, 该网络对于红外目标, 尤其是特征不明显的小目标的识别效果更好, 对于未来**领域的红外目标识别、跟踪具有参考价值。

神经网络已被大量应用于图像去雾领域，并取得了较好的效果。但是一般用于去雾的神经网络的深度较深且结构复杂，不利于其在嵌入式平台上的部署。提出了一种基于基础块堆叠的架构，BP-Net(Block Piled Network)。并分别尝试用残差块与信息蒸馏网络(IDN)的信息蒸馏块作为网络中的基础块。此外，采用感知损失函数进行网络训练。训练结果在SOTS测试集上的平均PSNR与SSIM值分别达到了33.15 dB与0.977 2。此外，在大幅缩减基础块数量后，网络去雾效果也有良好表现。

传统的时间调制型傅里叶变换红外成像光谱仪的激光采样通过采用单个激光探测器探测激光干涉强度变化生成采样脉冲,其采样原理简单易实现。但该方法无法判断动镜移动的方向,也难以实现高频采样。对时间调制型傅里叶变换红外成像光谱仪的采样方案进行了对比分析,并针对快扫描采样方法提出了具体的实施方案。从原理和光路设计上介绍了一种适用于时间调制型傅里叶变换红外成像光谱仪的新的采样方法。该方法在传统引入参考激光的基础上,采用偏振的手段将参考激光分为具有固定相位差的两束光,并利用这两束光实现动镜移动方向的判断,以及干涉图样的4倍过采样。从原理上综合考虑了各个光学元件的偏振特性,并将该方法从基于正入射的平面镜推广到斜入射的中空角锥反射镜,扩大了该方法的适用范围,从原理上论证了该方法的可行性。

红外焦平面阵列器件因为制造材料、工艺的影响, 难免存在坏元问题, 降低了红外图像的质量, 影响检测系统的检测概率和虚警率。描述了坏元的特性, 分析了其产生机理, 利用其特点给出了多帧分析检测坏元的算法。仿真结果表明, 该方法简洁可靠, 易于实现。最后利用中值滤波法将检测到的坏元进行了补偿。

文章介绍了基于单点单路I/O仿真系统的多路数码显示仿真实现的分析与设计。

提出了一种优化设计多波抽运拉曼光纤放大器的方法。在不影响系统性能的前提下采用了合理的简化算法以减少运算时间,能够在给定信号光频宽和抽运个数等参量要求下得到符合增益平坦度性能要求的抽运功率和波长的优化配置结果。