现在大多数基于图卷积的点云语义分割方法忽略了边构建的重要性，不能充分地表示局部区域的特征。基于此，提出一种结合注意力机制的边增强的图卷积网络（AE-GCN）。首先，将邻居点特征加入边中，而不仅仅是中心点与邻居点的特征差异；其次，加入注意力机制保证点云的局部信息得到更充分的利用；最后，采用U-Shape的分割结构，确保网络更好适应点云的语义分割这一任务。在两个公开数据集Toronto_3D和S3DIS上的实验结果表明，与目前的大多数方法相比，AE-GCN取得了具有竞争力的结果：在Toronto_3D数据集的平均交并比为80.3%，总体准确度为97.1%；在S3DIS数据集的平均交并比为68.0%，总体准确度为87.2%。

针对轨道扣件表面结构复杂导致的线结构光照射分布不均匀问题，研究了一种基于改进灰度重心法的光条中心线提取方法，精准重构了轨道扣件点云模型。基于点云模型提取了轨道扣件的结构特征信息，建立了轨道扣件缺陷检测组合分类器模型，实现了轨道扣件的弹条缺失、扣件歪斜、螺母缺失等缺陷检测。研究了基于表面法向量的螺母上平面解析方法，通过螺母松动测量实验实现了轨道扣件的松动检测。搭建了扣件故障诊断实验平台并开展了相关实验研究，实验结果表明，系统扣件故障检出率达到96%，扣件松紧度测量的总体误差低于0.2 mm，扣件故障诊断系统的检测效果和鲁棒性较好，对列车安全运行具有重要的现实意义。

残余灰度场是变形前后数字体图像中对应体素点的灰度之差。在基于有限单元的全局数字体图像相关（DVC）方法中，残余灰度场作为计算区域各体素点匹配质量的目标函数，可直接计算获得，并可用于材料内部损伤演化或裂纹扩展的精细表征。然而，当前广泛使用的基于图像子体块的局部DVC只能获得计算区域内各离散计算点的位移、应变和相关系数信息，无法直接计算区域内各体素点的残余灰度。相较于相关系数和变形信息，残余灰度场可实现逐体素的匹配质量评价，在内部损伤或裂纹扩展的可视化观测和准确定位方面具有显著优势。为能在局部DVC中获得残余灰度场信息，提出一种简单有效的残余灰度场计算方法。该方法基于三维Delaunay四面体剖分算法，并利用有限元框架对局部DVC离散计算结果进行稠密插值，以获取逐体素连续位移场，并将其用于变形体图像校正。模拟和真实实验结果表明，基于局部DVC测量结果后处理计算获得的残余灰度场不仅可以实现精准的损伤定位，还能观测到裂纹形貌以及界面脱黏行为。所提方法弥补了当前局部DVC在精细化匹配质量评价方面的不足，有望拓展该方法在材料和结构内部损伤观测和定位中的应用。

当前，以高密度点云为目标的三维形貌测量正在取代传统离散坐标测量成为几何量测量的新发展方向。除了狭义制造环境，高密度点云提供的多空间分辨率特性在以高铁、飞机、隧道为代表的机械装备、大型工程运行状态监控领域同样显现出广泛的应用前景。但与制造场景中静态条件下的点云形貌测量问题不同，对于处于服役状态的被测量对象，相关测量需求表现出点云需要伴随运动高速连续延展、高分辨率获取等新特点，所形成的延展表面测量新问题对传统测量方法提出了严重挑战。以线阵CCD、CMOS为代表的一维图像传感器可在运动状态下快速连续成像，为三维形貌测量系统提供满足高速、连续、高密度等测量要求的硬件潜力，近年来得到了持续发展和广泛关注。对基于一维图像的延展表面高分辨率形貌测量方法及涉及的参数标定、一维图像匹配、多传感器布局与同步、运动误差补偿等关键技术进行综述，并探讨它们未来可能的发展方向。

提出基于 Lazy Snapping混合模拟退火算法的高压开关柜温度场红外三维图像重建仿真方法, 以提升高压开关柜温度场仿真效果。该方法利用主动式红外图像传感器采集高压开关柜温度场红外图像后, 使用直方图非线性拉伸算法对其实施增强处理; 再使用 Lazy Snapping算法对增强后的高压开关柜温度场红外图像进行分割, 并通过混合遗传模拟退火算法合成二维纹理流场图像; 以该图像为基础, 使用 Image Quiltingh纹理合成算法合成高压开关柜温度场三维图像, 完成高压开关柜温度场红外三维图像重建仿真过程。实验结果表明: 该方法可有效增强高压开关柜温度场红外图像, 其分割红外图像时的交并比数值接近 1.0; 可依据其生成的二维纹理流场图像生成三维图像, 温度场仿真数值最大偏差仅为 0.03℃。

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。

非视域成像技术采用非传统光学技术，利用间接成像的方法对无法直接观测的隐藏物体进行探测。针对目前试验系统复杂且需要场景扫描，导致数据采集过程复杂且需要大量时间的问题，提出基于阵列式APD的透射式非视域成像试验设置，试验设置操作简单且不需要场景扫描，实现快速数据采集。针对非视域成像技术一般只能获取不完全（缺失）角度的数据，使用反投影算法不能得到理想的重建结果的问题，提出利用联合代数迭代（SART）重建算法对非视域成像物体进行三维重建。试验结果表明：SART算法能够在部分角度数据下，更好地去除反投影算法中的伪影和噪点；在最初的第2和第3次迭代后，通过计算，其峰值信噪比PSNR值提高了1.392 8、2.466 3，其结构相似度SSIM值提高了0.119 8、0.231 2，表明该方法能有效提高非视域物体的图像重建精度。

点云是3维图像的一种特殊数据形式, 正逐渐成为3维图像信息处理的研究热点; 点云分割是点云数据处理的重要步骤, 对算法的结果有直接影响; 基于3维图像几何特征的点云分割算法结构简洁、运算结果稳定性强, 且易于调整, 在实际应用中占有主要地位。对最近几年涌现出来的基于几何特征的点云分割方法进行了梳理, 根据每种方法的理论基础和应用特点将算法归纳为基于边缘检测、表面特征和模型拟合的点云分割方法, 分析了各类算法的特点和存在的主要问题, 并进行了算法性能比较, 分析了影响点云分割算法效率的主要因素, 最后对未来的发展趋势进行了展望。