为了提高铝合金定量分析的精度, 将激光诱导击穿光谱技术与多变量线性回归、 中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合, 建立铝合金中 Cu元素定量分析模型。 对采集的LIBS光谱进行三阶极小值去背景和小波阈值降噪处理, 从而提高LIBS光谱的信背比。 将处理后数据筛选最佳训练集、 预测集并用多变量线性回归、 中值高斯核支持向量机回归法和标准化偏最小二乘拟合回归等建立定标模型。 选用 Cu Ⅰ 324.80 nm, Cu Ⅰ 327.43 nm两条特征谱线以及323~329 nm范围内的LIBS光谱数据进行定量分析, 对比分析三种LIBS定量分析模型的拟合系数(R²)、 定标均方根误差(RMSEC)、 预测均方根误差(RMSEP)和平均相对误差(ARE)等。 结果表明, 相对于多变量线性回归和中值高斯核支持向量机回归法两种LIBS定量分析模型, 对于铝合金中的Cu元素定量分析, 标准化PLSR模型的精度和准确度都有明显的提高, 并且LIBS定标曲线的R², RMSEC, RMSEP和ARE分别为0.997, 0.014 Wt%, 0.129 Wt%和3.053%。 研究结果表明在提高定标模型精确度与泛化性方面, 标准化PLSR方法更具有优势, 能够有效地减小参数波动和自吸收效应对铝合金定量分析的影响。

由于鱼眼图像存在几何畸变，导致现有的基于鱼眼图像的行人检测算法存在着检测准确率低以及后处理计算复杂度高的问题。针对上述问题，提出了一种使用旋转边界框的行人检测算法。首先，算法采用无锚框网络结构，使用中心热图预测边界框的中心点，在后处理筛选边界框时无需进行非极大值抑制，避免了旋转框之间交并比计算的引入；其次，设计具有角度和尺度自适应的高斯核函数，用于拟合畸变行人的中心分布，大幅减少了背景特征的干扰，并且平衡了具有不同成像大小的行人在边界框回归过程中的差异；最后，设计角度交并比损失，同时结合交并比损失以及旋转框参数的Ln范数损失，并通过指示函数改善角度正则项与交并比损失回归不一致的问题。在公开数据集上对算法进行了验证，实验结果表明，算法的平均mAP为51.33%，取得了目前最佳的检测结果，检测帧率达到49 fps，与带锚框的检测算法相比，提升了139%，综合性能优于现有的基于鱼眼图像的行人检测算法。

红外弱小目标的目标像素少，目标对比度低，成像帧率高，图像数据量大，检测实时性强。针对红外弱小目标检测算法适合于GPU并行计算的特点，对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在检测算法设计、内存访问、调试优化3个方面进行了优化设计。实验结果表明，对640×480像素分辨率的红外视频，并行优化后的目标检测算法能够在10 ms内完成计算，满足实时处理需求。