自动数字显微镜的关键技术之一就是自动对焦，为了提升对焦的速度，越来越多的深度学习方法被引入用于单帧图像的焦点预测。然而几乎所有的网络模型都过分信任其输出的结果，面对未知的样本即使输出错误的结果也不会给出任何警示。利用贝叶斯卷积神经网络的实现，可从单张图像中完成离焦距离的预测，并获得焦点预测结果的不确定性估计，此外提出通过设置不确定度阈值实现对焦点预测结果的筛选。在一个大型开源数据集上进行了测试，利用不确定性估计评估预测结果的有效性。结果表明，对比同类型样本，所提出的网络模型在未知样本上能够输出更高的不确定度，建立的筛选机制能有效减小模型在未知样本上的预测误差。在公共数据集上的两个样品的最终误差范围为 0.37±0.46 μm和 0.83±1.17μm，优于筛选前的 0.40±0.66μm和 1.08±1.78μm。

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题, 提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法, 前者引入混合高斯分布作为先验, 通过对参数梯度进行无偏蒙特卡罗估计以优化BNN, 后者引入一种离散化的高斯先验分布以正确地定义KL散度, 进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN, 证明了改变分布组合可以获得更好的预测效果。

实木地板的表面缺陷直接影响其力学性能和产品等级, 表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。 针对视觉方法检测实木地板表面缺陷识别率低的问题, 提出了一种基于近红外光谱分析技术的检测方法。 首先, 分别采集规格为200 mm×100 mm×20 mm的表面带有活节、 死节以及无缺陷的实木地板的光谱数据各60份, 其中30份作为训练样本, 30份作为测试样本； 其次, 使用高斯滤波(GSF)、 分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理, 降低光谱噪声、 消除光谱的散射影响； 然后, 利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型； 最后, 使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。 实验使用含有活节、 死节以及无缺陷的实木地板样本对模型进行训练和测试, 结果表明: 通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、 死节和无缺陷三类实木地板, 识别率分别为9220%, 9447%和9557%。 证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关, 并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。

图像小波系数先验模型在图像处理中得到广泛的应用。已有小波系数的建模方法在模型选择、模型参数估计和非高斯噪声图像恢复等方面存在一定限制。利用全贝叶斯神经网络(FBNN)模型对图像小波系数的统计特性进行建模,利用现代粒子采样技术进行估计获得该模型的参数。对单尺度和父子尺度小波系数先验模型的仿真实验表明,基于全贝叶斯神经网络的小波先验模型建模准确,较好地描述了小波系数统计特性,把由此方法获得的单尺度和父子尺度小波系数先验粒子应用于图像去噪处理,仿真结果证实去噪处理后的图像质量在客观指标和主观视觉上都有显著的提高。