为解决工业制造中齿轮缺陷检测难的问题,提出一种基于改进的YOLOv3网络的缺陷检测方法。首先构建齿轮缺陷图像数据集,包括图像采集与扩充和缺陷标注;其次采用密集连接网络(DenseNet)结构代替原有的网络结构,提高特征提取能力;最后增加网络预测尺度,提高对于小尺寸缺陷的检测能力。利用齿轮缺陷图像对该方法进行验证,发现所提方法的平均精确率均值比YOLOv3网络提高了3.87%,对齿轮缺失部分的精确率提高了5.7%。与YOLOv3网络相比,所提方法在齿轮缺陷检测上有一定的先进性和有效性。

种子活力对于农业发展至关重要, 而甜玉米种子普遍存在活力较低且不耐贮藏的问题。 因此, 及时准确地对甜玉米种子活力进行检测尤为重要。 电导率测定法作为一种传统的种子活力检测方法, 存在对种子有一定破坏性、 耗时较长、 重复性不佳等缺点。 针这些问题, 尝试利用可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、 无损且精确的检测方法。 以高温高湿老化的绿色超人甜玉米种子为试验材料, 先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验, 随后对高光谱图像进行黑白板校正、 提取感兴趣区域, 获取光谱反射率数据。 利用多种预处理方法分别为标准正态变量变换(SNV)、 二阶导(SD)、 一阶导(FD)、 和多元散射校正(MSC)建立甜玉米种子电导率的偏最小二乘回归(PLSR)模型, 比较分析并筛选出最适预处理方法。 再通过连续投影算法(SPA)及遗传算法(GA)对MSC预处理后的高光谱波段进行筛选提取, 基于选出的特征波段建立PLSR模型, 并与全波段(Full)PLSR模型进行对比分析, 得到与甜玉米种子电导率相关性最高的高光谱波段组合, 最终确立一种能够预测甜玉米种子电导率的方法体系。 实验结果显示: 不同预处理方法(SNV, FD, SD和MSC)建立的PLSR模型性能有所差异, 其中MSC-PLSR模型的表现最优秀, 其校正决定系数和预测决定系数分别为0.983和0.974, 相应的校正均方根误差和预测均方根误差分别为0.165和0.226。 进一步分析MSC-Full-PLSR, MSC-SPA-PLSR和MSC-GA-PLSR模型, 发现GA能够将全光谱的853个波段压缩至25个有效波段, 所建立的MSC-GA-PLSR模型仍表现优秀, 其校正决定系数和预测决定系数分别为0.976和0.973, 相应的校正均方根误差和预测均方根误差分别为0.194和0.212。 实验结果表明: 基于可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。 该研究为甜玉米种子电导率的快速、 无损且精确的检测提供一定的理论支持。

种子活力是种子质量的一项重要指标, 高活力的种子具有较强的抗逆性、 生长优势及生产潜力。 而种子活力在种子生理成熟时最高, 随后随着贮藏时间的延长而发生着自然不可逆的降低。 因此, 在播种前及时、 准确地对种子活力进行检测和筛选具有重要的实践意义。 针对传统种子活力检测方法存在的操作过程复杂繁琐、 耗时长、 重复性差且对种子有破坏性等缺点, 研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、 无损、 精确的检测方法。 以高温高湿老化后的190粒小麦种子（发芽128粒, 不发芽62粒）作为研究样本, 先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验, 并确保光谱采集试验和标准发芽试验的小麦种子一一对应。 随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。 分别采用一阶导数（FD）、 均值中心化（MC）、 正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理, 结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型, 比较分析, 并筛选出最适预处理方法。 分别利用无信息变量消除算法（UVE）、 竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取, 再分别基于所提取出的特征波段建立PLS-DA定性判别模型, 对比分析, 最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。 结果表明: 不同光谱预处理建立的模型其表现有所差异, 在MC, FD, OSC和MSC中, 采用MC对原始高光谱数据进行预处理, 建立的全波段MC-PLS-DA判别模型, 其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%, 优于原始及其他预处理后建立的全波段PLS-DA判别模型, 其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。 进一步对比3种单特征波段提取方法及其耦合分析建模中, 发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473, 492, 811, 829, 875, 880, 947和969 nm）, 利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果, 其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%, 较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%, 活种子的鉴别正确率分别为93.8%和84.4%, 经过此优秀模型筛选后, 种子批最终发芽率可达到93.1%。 实验结果表明, 基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。 研究工作为小麦种子活力的快速、 精确且无损的检测提供理论支持。

极限学习机(ELM)作为一种单隐层前馈神经网络已成为大数据分析的重要工具。与传统神经网络相比，ELM具有结构简单、学习速度快和推广性较好等优势。但是，ELM 的输出权值是基于最小二乘法估计的，容易夸大离群点和噪声的影响，导致其预测性能的不稳定。提出一种新的稳健的极限学习机——基于最小一乘回归的极限学习机(LAD-ELM)，而且问题被转化为线性规划，能够简单、快速求解其全局最优解。进一步将LAD-ELM 应用于近红外光谱数据建模，构建了基于LAD-ELM 和近红外光谱数据的乌拉尔甘草种子硬实性分析系统。与传统的方法相比，在不同光谱范围的数值实验显示了提出方法的可行性和有效性，为利用近红外光谱和ELM 技术进行种子硬实性研究提供了理论依据和实用方法。

为了提高大视场三维测量精度, 克服传统束调整算法对大视场图像校正不理想(控制点集中在视场中心)的缺点, 提出了基于多约束融合算法的多摄像机三维测量方法, 其基本思想为: 将空间控制点的三维坐标与其对应像素点坐标之间的共线方程作为约束条件, 利用已知的距离、三点共线和四点共面等信息, 建立测量视场中控制点与像点坐标间的约束关系, 从而完成三维坐标测量, 同时实现了系统参数的在线标定。实验中, 通过RMS误差和测距相对精度对测量精度进行了定量分析, 测距相对精度达到了1∶7 000~1∶15 000, 相对传统的束调整算法, 该算法测量精度提高了一个数量级, 是一种可靠的高精度视觉测量方法。

立体匹配中, 低纹理区域容易产生匹配多义性, 导致失配, 为了解决低纹理匹配问题, 通常采用增大聚合窗口或全局优化算法(如: 动态规划算法), 但是此类算法会导致边缘处的视差模糊不清, 因此, 文章提出了一种基于边缘图像的快速立体匹配算法。首先, 对立体图像对进行边缘检测和Sobel滤波; 然后, 基于Sobel滤波后的图像, 先后计算水平聚合代价和垂直聚合代价; 最后, 利用WTA(Winter-Take-All)优化算法得到最终视差图。实验中, 对视差稠密度和准确度进行了定量分析, 左右一致性检验平均达标率超过了88%, 结果表明, 本算法使用边缘提取取代图像分割作为代价聚合向导, 很好地解决了低纹理区域立体匹配问题, 同时大大提高了匹配效率, 获得了准确可靠的视差图, 达到了自主导航系统的要求。

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。 近红外(NIR)光谱分析以其快速、 简便、 非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。 文章基于五种不同的模式识别方法： 局部线性嵌入(LLE)， 小波变换(WT)， 主成分分析(PCA)， 偏最小二乘(PLS)和支持向量机(SVM)， 利用NIR技术建立了玉米种子的模式识别系统， 并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。 首先利用LLE， WT， PCA， PLS进行消噪或降维， 然后运用SVM进行分类识别， 而一模支持向量机(1-norm SVM) 算法直接进行分类识别。 三个不同NIR 光谱范围的数值实验显示： PCA+SVM， LLE+SVM， PLS+SVM识别效果甚佳， 而WT+SVM和1-norm SVM方法也有较高的分类精度。 实验结果表明了本文提出方法的可行性和有效性， 为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。 近红外(NIR)光谱分析以其快速、 简便、 非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。 基于五种不同的模式识别方法: 局部线性嵌入(LLE), 小波变换(WT), 主成分分析(PCA), 偏最小二乘(PLS)和支持向量机(SVM), 利用NIR技术建立了玉米种子的模式识别系统, 并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。 首先利用LLE, WT, PCA, PLS进行消噪或降维, 然后运用SVM进行分类识别, 而一模支持向量机(1-norm SVM)算法直接进行分类识别。 三个不同NIR 光谱范围的数值实验显示: PCA+SVM, LLE+SVM和PLS+SVM 识别效果甚佳, 而WT+SVM和1-norm SVM方法也有较高的分类精度。 实验结果表明了本文提出方法的可行性和有效性, 为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。