动脉粥样硬化引起的易损斑块破裂已经严重危害到人类的健康，而血管内光学相干断层成像（IVOCT）凭借其高分辨率已经成为识别冠脉易损斑块的主要工具，但图像判读费时费力，通常还依赖于医生的经验。目前已有基于传统机器学习的研究实现了对单帧图像的分类，但这些信息不足以辅助医生确定治疗方案，仍然需要医生二次判读。基于Faster R-CNN（R-CNN，区域卷积神经网络），针对IVOCT图像中易损斑块的特点，在数据增强、预测框（BBox）编码、网络结构等方面进行了改进和优化，实现了对易损斑块的自动识别，并选取易损斑块的病变累积角度、纤维帽厚度、巨噬细胞浸润情况、浅表微钙化情况和血管狭窄程度作为指标，对易损斑块的破裂风险进行多方面评估。在公开数据集CCCV2017 IVOCT中进行训练，测试后取得了较好结果，该方法可推广应用于同类图像。

以三氧化钼和硫为原料，采用Ar气保护固相合成法，合成花状二硫化钼。采用XRD、SEM、TEM等手段对样品的结构和形貌进行表征。考察了原料比、反应温度、反应时间、升温速率对样品纯度的影响，制备出纯度较高的二硫化钼。结果表明：当MoO3与S物质的量之比为1∶7.5，反应温度为450 ℃，反应时间为4 h，升温速率为15 ℃/min，可得到纯度为99.4%的花状二硫化钼，该花状结构由厚度为10 nm左右的翘曲片层组成，TEM照片中可见0.62 nm单层二硫化钼结构，具有较大的比表面积，使其在储能、催化等领域有广阔的应用前景。

为实现苹果产地的判别分析，以阿克苏、静宁、灵宝和烟台的红富士苹果为研究对象，在800~1700 nm范围内采集苹果的高光谱数据，分别采用一阶导数（1-Der）、二阶导数（2-Der）、标准正态变换（SNV）、多元散射校正（MSC）、小波变换（WT）、平滑变换（SG）、傅里叶变换（FT）对原始光谱数据进行预处理，建立线性模型偏最小二乘法判别分析（PLSDA）和非线性模型极限学习机（ELM）和支持向量机（SVM）两种。结果显示，采用MSC预处理方法的效果最佳，非线性模型优于线性模型。对MSC预处理之后的光谱数据，分别采用主成分分析（PCA）、连续投影算法（SPA）、竞争性自适应重加权算法（CARS）提取特征波长，再基于特征波长建立苹果产地的ELM和SVM判别分析模型。结果表明，CARS方法提取特征波长的效果最佳，两种机器学习算法的测试集的正确率分别为98.75%和100%，这可为苹果产地的判别分析提供理论参考和实验依据。

推荐信息泛滥严重影响了移动智能终端的用户体验, 而有限计算环境制约了移动推荐信息过滤模型与算法的研究。针对上述问题, 结合用户画像技术与信息过滤方法, 提出了一种基于有限计算环境的移动推荐信息过滤算法。该算法通过用户轨迹信息构建用户画像, 根据用户画像与需求特征, 对外界推荐的各类信息进行过滤, 并最终进行二次推荐。仿真实验证明: 该算法过滤精确度高, 个性化服务能力较强, 其无需额外占用过多的系统计算与存储资源, 性价比较高, 因而适用于移动智能终端的有限计算环境, 具有一定的实用性。

针对传统除锈工艺在桥梁养护中的一些问题,进行了激光智能除锈的工艺及设备研究。为实现智能识别工件表面锈迹及除锈,采用Python及OpenCV视觉库对16Mn钢表面锈迹进行识别,通过一系列图像处理算法识别出生锈区域,得到生锈区域的位置信息、生锈等级、尺寸信息等,随后使用100 W激光除锈系统对识别出的锈迹进行清除,并对除锈后的工件再次进行识别检测。应用机器视觉辅助的激光去除锈蚀系统后,16Mn表面C、O元素的质量分数下降至5%以下。机器视觉辅助下的激光智能除锈可以快速、高效地识别出工件表面的锈蚀,并利用视觉算法和工艺数据库快速匹配相应的加工工艺参数,从而提高了加工效率、降低了人工成本。

针对传统电路板集成方式的局限性,提出基于飞秒激光的覆铜板线路成形技术。采用飞秒激光对覆铜板进行单因素实验和正交实验,结果表明,在激光功率、频率、扫描速度、扫描次数以及离焦量等因素中,扫描次数对刻蚀深度和表面粗糙度的影响最大,激光频率的影响最小;采用优化后的激光参数进行刻蚀,可以将表面铜层完全除去,得到高质量的刻蚀区域而不伤及底层基材。

运动阴影与目标物体粘连, 具有运动一致性, 常常被误检测为运动目标的一部分。运动阴影的存在改变了运动物体的形状, 影响运动目标前景的进一步分析。为了解决这一问题, 提出了一种基于改进萤火虫优化算法的运动阴影去除算法。通过基于种群历史最佳位置影响的改进萤火虫算法(IFA)优化 2-Otsu(二维最大类间差法)距离测度函数的寻优过程, 获得最佳阈值, 并以此进行图像分割, 去除运动阴影, 并同传统 2-Otsu法、粒子群算法(PSO)优化 2-Otsu法、萤火虫算法(FA)优化 2-Otsu法进行比较。实验结果证明, 该方法较其他三种方法分别快 2.69倍, 1.42倍, 1.21倍; 另外, 在区域一致性、阴影检测率和识别率方面均优于其他三种算法, 验证了方法的有效性。

圆对称艾里光是一种特殊的无衍射光束,因其具有突然自聚焦的独特特性,所以备受研究者关注。首先,介绍了圆对称艾里光的基本概念和特性,然后,说明如何获得产生圆对称艾里光的计算全息图和计算全息的实现方式。在实验中获得了光强分布与理论相符,自聚焦效应显著的圆对称艾里光束。相对于常用的傅里叶空间生成的圆对称艾里光,计算全息生成的艾里光具有灵活调控振幅分布的优势。

为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性, 以及基于主流机器学习算法, 寻找面向生产的小麦黑胚病优化识别模型, 利用自行研发的近红外光谱采集平台采集了579～1 099 nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据, 采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm), PCA(principal component analysis)等两种数据降维方法, 结合ELM(extreme learning machine), SVM(support vector machine), RF(random forest)和AdaBoost等四种分类方法, 分别构建SPA-SVM, SPA-ELM, SPA-RF, SPA-AdaBoost, PCA-SVM, PCA-ELM, PCA-RF, PCA-AdaBoost八种小麦黑胚病识别模型; 结果表明小麦黑胚籽粒的识别准确率达到93.3%～98.6%, 识别效果优于前人文献中利用近红外波段的识别效果; 其中SPA-SVM模型具有最高的识别率, PCA-AdaBoost模型具有更好的普适性。 将SPA-SVM模型和PCA-AdaBoost模型作为优选模型, 从生产实际出发, 分别对未感病+轻感病、 中感病+重感病籽粒进行了二分类识别, 对未感病, 轻感病+中感病、 重感病籽粒进行了三分类识别, 以及对未感病、 轻感病、 中感病、 重感病籽粒进行了四分类识别, 并深入分析了识别效果和产生原因。 总体来说, 小麦黑胚粒的识别准确率随分类程度的细化而下降, 二分类的识别模型可直接用于生产, 尽管三分类和四分类的感病粒识别效果较差, 但是对未感病粒的检出率则不受分类程度的影响, 识别率在87.2%以上, 符合生产需求。 综合来看, SPA-SVM模型分类效果优于PCA-AdaBoost模型, 可作为首选识别模型, 该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据。