为了探究飞秒激光加工SiC/SiC复合材料厚板的孔型特征, 采用光束同心圆填充扫描方式对厚度为4mm的SiC/SiC复合材料进行制孔实验, 分析了飞秒激光加工参数对入口直径、孔深、锥度等孔型特征的影响规律和影响机理。结果表明,脉冲能量、重复频率、线重合度以及扫描速率对小孔入口直径影响较小,但对孔深和锥度影响较大; 上述实验参数与光束扫描面积内的能量密度密切相关, 小孔锥度随能量密度增大而减小, 小孔深度则反之; 当采用最大脉冲能量130μJ、最大重复频率100kHz、最小扫描速率100mm/s、最大线重合度77%以及最小进给量0.1mm时, 小孔锥度达到最小值12.38°; 上层材料对光束的遮挡以及排屑困难导致深孔加工锥度不易控制。该研究可以为今后SiC/SiC超快激光制孔应用提供参考。

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。

当目标尺度发生变化时，传统均值漂移跟踪因窗口尺寸不变导致跟踪目标丢失.为解决该问题，提出一种带宽自适应的均值漂移跟踪算法.该算法在均值漂移框架下提取目标的形状特征，根据目标形状变化自适应的修正核函数带宽，并更新目标模板.实验结果表明，改进算法能很好地适应尺寸变化的目标，能有效提高红外目标的跟踪准确度.