铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似，难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统，利用高密度的点云数据对缺陷进行识别、分类与测量，解决了上述检测难题。通过双目结构光传感器采集点云数据；利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷；在识别和定位缺陷后，通过对局部缺陷区域的点云进行操作，快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%，高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s，适用于大多数激光焊接。

激光冲击强化(LSP)作为一种新型的激光表面处理技术已应用于航空发动机、 机匣等关键部件的强化延寿处理, 确保LSP加工质量的一致性及稳定性对上述航空装备的长寿命服役具有重要意义。 然而, 在高能瞬态LSP过程中, 保护层容易发生烧蚀破损, 极大地限制了LSP的工业应用。 因此, 通过分析激光诱导等离子体光谱信号, 提出了一种基于ReliefF特征权重融合的LSP保护层烧损实时检测方法。 以4 mm厚的7075铝合金为LSP靶材, 以黑胶带为LSP保护层。 首先, 利用长波段范围的Ocean Optics-HR4000光谱仪和高分辨率的Princeton SP2750光谱仪同步采集LSP瞬态过程中产生的等离子体光谱信息; 其次, 根据Princeton SP2750光谱仪采集的高精度光谱信号, 分别选取波长为394.40和396.15 nm的Al Ⅰ谱线以及波长为393.36和396.80 nm的Fe Ⅰ谱线, 提取其峰值强度与Stark展宽特征, 然后结合ReliefF特征重要度筛选出对保护层烧损状态更加敏感的两条Al Ⅰ谱线, 并且定性分析了Al Ⅰ谱线的峰值强度和Stark展宽对保护层烧损状态的敏感程度和瞬态变化规律; 再次, 基于ReliefF算法构造了一种融合多谱线特征信息的特征参数I-FWHM（Intensity-FWHM）, 然后基于特征类间距离, 定量评估了各特征对三类烧损状态的区分能力; 最后, 结合阈值分割法实现了LSP保护层烧损实时检测。 实验结果表明, 峰值强度对于区分正常状态与轻微破损状态的能力很差, 而对于区分轻微破损与完全破损的能力很强; Stark展宽对于区分正常状态与轻微破损状态的能力远优于强度, 而对于区分轻微破损与完全破损的能力相对较弱。 I-FWHM融合了上述单一特征的优点, 能同时较好地区分三类烧损状态, 因此对于LSP过程中保护层烧损状态的实时检测具有更强的抗干扰能力和更高的鲁棒性。

生物气溶胶是指含有细菌、 真菌、 花粉等生物性粒子的气溶胶。 生物气溶胶的传播会造成严重的危害, 对人体健康、 大气环境等有着潜在的影响。 此外, 在**活动中, 生物气溶胶还可作为生物战剂的释放方式。 因此, 对空气中生物气溶胶进行实时检测, 快速识别气溶胶种类, 判断生物气溶胶浓度、 危险程度等, 是降低致病性生物气溶胶暴露, 保护人员及环境安全, 以及防范生物恐怖袭击的重要手段。 基于荧光法的生物气溶胶实时检测系统利用生物粒子含有色氨酸、 酪氨酸、 核黄素等典型荧光基团, 通过激光诱导生物荧光基团产生特定的荧光光谱, 从而完成对生物气溶胶的检测和识别, 具有甄别气溶胶颗粒生物特性的同时, 获取其粒径尺寸及形态等物理特征的技术优势。 简要介绍了生物气溶胶及其实时检测的基本原理, 概述了生物气溶胶实时检测系统在三个方面的研究, 包括荧光激发光源的触发方式、 荧光激发光源类型以及信号采集系统。 最后, 对生物气溶胶实时检测系统的发展方向进行了探讨, 为后续生物气溶胶实时检测系统的研究开发提供了参考。

甲烷是现代化工业生产和社会生活的重要能源之一, 实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题, 本文提出一种融合注意力分支特征的红外图像分割网络(Attention Branch Feature Network, ABFNet)实现甲烷气体泄漏探测。首先, 为增强模型对红外甲烷气体图像的特征提取能力, 设计分支特征融合模块将残差模块 1和残差模块 2的输出特征与残差模块 3以逐像素相加的方法融合, 获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次, 为进一步加快模型的推理速度, 将标准瓶颈单元中的 3×3卷积替换为深度可分离卷积, 大幅度减少参数量达到实时检测甲烷气体泄漏。最后, 将 scSE注意力机制嵌入到分支特征融合模块, 更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明, 本文提出的 ABFNet模型 AP50@95、AP50、AP60定量分割精度分别达到 38.23%、89.63%和 75.33%, 相比于原始 YOLACT模型分割精度, 分别提高 4.66%、3.76%和 7.04%, 推理速度达到 34.99帧/s, 满足实时检测需求。实验结果验证了本文算法对红外甲烷泄漏检测的有效性和工程实用性。

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。

红外数字全息具有实时性强、可在复杂环境检测等优点; 爆破环境的粉尘类气溶胶对可见光有较强的吸收、散射效应, 红外波段处于“大气窗口”波长的红外光受气溶胶影响较小, 该优势与数字全息相结合, 本文提出一种可在高浓度粉尘环境下测量应力场的研究方法。将大小适中的光滑水泥板固定于三维施力架上作为研究对象, 采用红外数字全息方法, 改变环境粉尘浓度, 分别测量光滑水泥板在不同压力作用下的应力场变化, 对比全息图、相位差, 验证了该方法的可行性, 并设置可见光数字全息为对照实验。结果表明, 红外数字全息可在高浓度粉尘环境下测量出应力场的施力点、压力相对大小及应力影响区域, 实现实时、无损、全场检测, 而可见光数字全息在此环境下检测效果不佳甚至无法完成检测, 本文所提方法极大拓展了基于数字全息干涉计量应力检测手段的实用性。

为实现渔业养殖中的精准投喂，在传统检测算法的基础上，提出了一种基于鱼群纹理、形状和密集度特征的轻量级鱼类摄食行为实时检测算法F-YOLO。将YOLOv4算法原来的主干特征提取网络CSPDarkNet53替换为MobileNetV3，以少量检测精度下降的代价极大提升网络的实时检测性能，提升对鱼类小目标检测性能；对网络结构卷积层进行通道剪枝和知识蒸馏处理压缩模型，减少浮点运算次数（FLOPs）和计算量；使用优化K-means聚类结合添加全局非极大值抑制的DIoU损失函数确定锚框，解决鱼体相互遮挡导致锚框缺失问题。实验结果表明，所提F-YOLO算法的模型大小仅为13.7 MB，每张图片平均识别时间达到50 ms，精度达99.13%，FLOPs仅为1.64×10¹⁰，在嵌入式设备中的检测速度可以达33 frame/s，可为实际渔业养殖提供理论指导。