针对常规工业气体泄漏检测装置需泄漏扩散到一定范围并与传感器接触时才能响应的不足，提出一种融合结构重参数化变换的红外非接触式检测网络模型GRNet。GRNet模型采用Mosaic-Gamma变换的预处理方法增加泄漏样本数量并提高图像对比度以增强模型的鲁棒性；通过K-means聚类分析出适用于气体泄漏红外检测的候选框以预置模型参数；优化定位损失函数以提高模型对泄漏区域的定位准确性；采用改进后的轻量化网络RepVGG模块重构特征提取网络增强模型的特征提取能力，以实现轻量化并提高检测精度。实验结果表明，GRNet模型对氨气泄漏的平均检测精度达到94.90%，单张图像平均检测时间达到3.40 ms。采用伪色彩映射实现泄漏浓度的视觉感知效果，采用PyQt5将GRNet模型进行封装实现气体泄漏红外检测系统界面的可视化并在Jetson Nano B01嵌入式实验平台部署该模型，验证了实际工程应用的可行性和有效性，为开发气体泄漏非接触探测装置以保障涉气企业的安全生产和稳定运行提供一种有效的检测算法。

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳(SOC)含量估测, 然而该技术的使用受土壤粗糙度的影响, 对样本的前处理要求较高, 导致模型的实用性受限。 针对这一问题, 以美国爱荷华州农田土壤为研究对象, 使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱, 采用去包络线(CR)、 吸光度变换(AB)、 S-G平滑(SG)、 标准正态变换(SNV)、 多元散射校正(MSC)5种光谱预处理手段, 利用偏最小二乘回归(PLSR)和支持向量回归(SVR)算法构建并对比土壤SOC光谱估算模型, 探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。 实验结果表明, 使用成像光谱数据能够实现高粗糙度样本的SOC含量估算, 而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量; 基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R²能够达到0.739以及最优SVR估算模型R²为0.712, 而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R²仅仅分别为0.344和0.311。 基于AB, SG, SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型, 而SVR模型性能正好相反。 而对于非成像光谱数据来说, 土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。 对于这两种光谱数据和两个估算模型而言, 不同的光谱预处理方法提高模型估算精度的能力不同。 土壤样本研磨前后, 基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。 成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性, 从而提高模型估算精度; 能够克服土壤粗糙度的影响; 为野外大尺度估测SOC含量提供了新的手段。

毫米波图像被广泛应用于人体安检的违禁物品检测，但是现阶段不同的预处理方法对毫米波图像目标检测的准确度有着较大的影响。通过空间滤波、空间滤波加最大值聚类和空间滤波加最小值聚类的方法对数据进行预处理，比对不同方法目标检测的准确度。实验结果表明，以上3种方法均能有效提高目标检测的定位准确度，其中空间滤波为最佳预处理方法，准确率能达到92.3％，相较于未经预处理原始数据的准确度提高了约4％。因此基于空间位置的滤波方法比基于反射强度的聚类滤波方法能更有效地提高毫米波图像检测的准确度，为提升主动式毫米波全息图像目标检测准确度的任务提供了一种参考依据。