容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法。通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型。首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架。然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型。最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制。实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804。

为了对高度小于100mm的液位进行非接触式测量, 采用液位变化改变平面电容边缘电场参量的方法, 对平面电容传感器的工作原理进行了理论分析, 研究了平面电容传感器的结构参量对其灵敏度、穿透深度的影响, 并对传感器结构参量进行了优化,基于平面电容传感器,设计了非接触式低液位检测系统, 通过对纯净水、洗洁精溶液和墨汁的实验验证, 取得了0mm～100mm范围的液位测量数据。结果表明, 该检测系统工作稳定, 具有线性输出, 重复性误差约为±0.28%, 数据修正前的测量误差小于7.8%。这一结果对非接触式较低液位的检测是有帮助的。

利用单晶炉中特殊结构在硅熔液上的倒影图像目标, 通过图像处理进行高温硅熔体液面变化的非接触式检测。首先比较不同图像分割方法对倒影图像处理的效果, 选取最优图像分割方法处理不同单晶硅液位的倒影图像, 其次采用不同角度、不同尺寸ROI(感兴趣区域)对图像进行分割, 并提取分割后的目标像素面积, 最后利用像素面积变化与对应液位变化之间的比值系数和像素面积变化的标准差相结合的评价函数对图像处理效果进行对比。结果表明, 采用动态局部阈值分割法和大尺寸且垂直于相机视角的ROI对图像进行处理, 使得评价函数值最大, 兼顾了单晶硅液位检测的灵敏度和精密度。

分析了基于科学级互补金属氧化物半导体（sCMOS）图像传感器的微光成像系统的噪声特性，建立了系统噪声模型并进行了系统噪声测试。结果显示，系统噪声的均方根值小于1 e-。建立了系统信噪比模型，计算得到微光成像系统在10-3 lx的夜天光照条件下的信噪比优于1，理论值与实测值之间的误差小于10%。提出了一种自适应的条纹噪声处理方法，有效消除了低照度图像中的行条纹噪声，采用对比度受限的自适应直方图均衡的方法提升了高动态范围图像的对比度。

将数学形态学中的高帽变换算法应用于液位高度的检测之中。利用形态学高帽变换, 并选用大结构元素, 对具有复杂背景的比色皿中的液位图像和分层液位图像进行处理, 实现了液位高度的快速准确检测。实验结果表明, 该方法适用于医学生化分析仪比色皿中样品液位高度的检测, 其原理也可以用于其他工业装置中的液位高度检测。

现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常, 忽略了对轨迹时域异常的检测, 并且检测精确度不高, 针对此类问题, 提出了基于增强聚类的异常轨迹检测算法。首先, 采用基于速度的最小描述长度(VMDL)准则把轨迹简化成有序线段; 然后, 使用改进的线段间的距离定义, 基于DBSCAN算法把线段分为不同的类, 以建模局部正常运动模式; 最后, 采用先检测空间异常性再检测时间异常性的二级检测算法, 检测时空异常轨迹点。在多个测试集上的实验结果表明: 该算法可以检测位置、角度、速度等三种时空异常轨迹点, 相对于其他算法, 明显提高了异常轨迹检测的精确度。

讨论了在复杂背景条件下采用EMCCD实现光子计数成像的处理策略，提出了一种双重阈值滤波方法并通过实验验证了其有效性。根据EMCCD的成像模型，将EMCCD的输出图像表示为光子事件、偏置噪声和伪光子噪声事件的集合。通过采集多幅EMCCD的输出图像，将光子事件检测问题转化为标准的二元假设检测问题。利用贝叶斯判决，可以得到光子事件检测的最佳检测法则，使光子事件的误判代价达到最小，从而检测出光子事件及其空间分布特征。通过实验对比可以发现：提出的方法明显优于普通的累加积分方法，适合生物微光检测等超低照度条件下的成像领域。

基于储罐表面温度反演液位是一种全新的液位识别方法，其识别精度高，应用范围广。建立了储罐的物理模型，利用有限体积法求得筒体的表面温度场，并反演了筒体内的液位和温度。为了验证识别精度，设计了压力容器对比实验。实验表明，在实际允许的测量误差内(σ=2 °C)，模拟识别误差小于1%，实验识别的液位误差在2%左右，利用反演算法能识别筒体内的液体温度，精度也比较高。实验结果验证了该识别方法的有效性，为红外液位检测和温度识别提供了理论和实验依据。

Optical fiber vibration is detected by the coherent optical time domain reflection technique. In addition to the vibration signals, the reflected signals include clutters and noises, which lead to a high false alarm rate. The “cell averaging” constant false alarm rate algorithm has a high computing speed, but its detection performance will be declined in nonhomogeneous environments such as multiple targets. The “order statistics” constant false alarm rate algorithm has a distinct advantage in multiple target environments, but it has a lower computing speed. An intelligent two-level detection algorithm is presented based on “cell averaging” constant false alarm rate and “order statistics” constant false alarm rate which work in serial way, and the detection speed of “cell averaging” constant false alarm rate and performance of “order statistics” constant false alarm rate are conserved, respectively. Through the adaptive selection, the “cell averaging” is applied in homogeneous environments, and the two-level detection algorithm is employed in nonhomogeneous environments. Our Monte Carlo simulation results demonstrate that considering different signal noise ratios, the proposed algorithm gives better detection probability than that of “order statistics”.