为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。

针对大型桥梁车辆移动荷载监测场合中车辆的重心估计能力不足和车辆再识别困难等问题，提出一种基于点云灰度图的彩色图像与点云快速融合方法，以提高对车辆的空间定位能力和对目标的辨识能力。首先利用立体标定靶对不同视角相机和点云采集装置的位姿进行标定，获取它们彼此间的相对位置和姿态；然后利用标定的结果对不同视角采集到的点云进行拼接，得到完整的车辆点云；再将完整点云转换至彩色相机坐标系并投影，提取点云灰度图，实现彩色图像与点云灰度图的配准，将其姿态调整至与车辆实体在彩色相机坐标系内的位置和姿态一致。进一步建立彩色像素点与三维点云间的映射关系，并将颜色信息与点云相关联，从而实现彩色图像与点云的融合。利用融合后的彩色点云和相机成像模型，可以得到车辆在彩色相机坐标系中的虚拟图像，为车辆的再识别提供依据。结果显示，相比于采样一致性算法，所提配准算法缩短了约74.1%的耗时。实验表明，所提算法实现数据融合后生成的彩色点云具有较高的还原度，证明了所提算法的可行性，为解决类似的问题提供了新的思路和方法。

针对当前小样本测试性评估方法中, 丰富的先验信息无法得到充分利用, 评估结论置信度低的问题, 提出了一种新的基于Bayes理论的测试性综合评估模型。在求得5类先验Beta分布参数的基础上, 采用K-L信息距离理论计算融合权重, 进而得到混合先验分布。以此混合分布作为最终的验前分布, 结合现场试验数据开展Bayes评估, 并给出实例应用。

针对装备维修性评估时现场数据样本量不足的问题,建立一种基于D-S证据理论的多源数据融合方法,充分利用装备前期各阶段或其他来源的维修性试验数据。首先对传统的Bayes Bootstrap法进行改进,较为精确地拟合离散化的各源维修性试验数据的分布参数,再从数据源中挖掘样本量和分布特征等信息构建证据,采用D-S理论合成证据作为权重,建立维修性多源数据融合模型,最后采用某坦克的维修性试验数据进行实例分析,验证了该融合方法的有效性。

针对大视场范围下运动目标位姿参数测量易受模型累积误差、成像畸变和特征信息不足等因素的影响,提出一种新型视觉测量方法。首先建立适用于视觉测量过程中的高效多源特征数据融合模型,可以解决特征点单一的问题。然后构建基于特征点云信息的双向闭合测量模式,改变传统方法中从图像数据到空间特征信息的单向传递过程,将已确认的空间数据作为控制信息返回至测量处理过程中,可以有效规避测量空间越大导致测量模型累积误差越大的矛盾。最后实验结果表明,所提方法在10 m×8 m×3 m大视场空间内实现目标的姿态测量精度优于±1.5°,位置精度优于2 mm。所得的测量结果验证了双向闭合云控制测量模式获取的目标位姿参数精度高,稳定性强,能够满足实际的工程应用需求。

针对高炉料面检测中多传感器数据难以直接应用的问题, 提出了同时融合高度和温度数据, 结合布料机理对非检测点进行估计来实现料面检测的方法。首先, 对高炉异类传感器得到的多源数据进行时间和空间配准; 然后, 根据高炉高度与温度的机理关系, 提出环域配准融合思想, 用高炉料面温度求出对应的高度; 最后, 结合料面的物理性质, 将理论料形与多源数据进行贝叶斯融合得到高炉料面图像。以某钢铁企业2 500 m3高炉现有检测设备为基础进行了现场实验, 实验结果表明, 与料形估算法相比, 本文检测方法的测量精度提高了5.4%, 料面分辨率提高了0.43。 该方法使得高炉料面形状检测更加精准, 为高炉节能减排操作提供了必要的指导。