建筑物轮廓线是各类应用的数据源，但散乱、不规则激光点云数据给轮廓线提取带来了难度。针对上述问题，提出一种基于多层级最小外包矩形规则建筑物轮廓线提取方法，首先使用迭代区域增长算法对轮廓点进行分组，根据点数最多的一组确定初始最小外包矩形。再对初始最小外包矩形进行多层级分解，使轮廓点与不同层级最小外包矩形重合，最后根据不同层级最小外包矩形生成轮廓线。使用Vaihingen城区中规则建筑物进行实验，实验结果表明：与最小面积方法与最大重叠度方法相比，所提方法能准确确定初始最小外包矩形，且提取效率得到略微提高。提取的轮廓线角点均方根误差为0.71 m，优于其他4种方法。所提方法可快速提取规则建筑物轮廓线，有利于后续三维重建。

表面等离子体共振(SPR)是近年来兴起的一种光学检测技术。 其主要利用光波经全反射后产生的倏逝场与金属相互作用而感知外界介质的折射率变化。 理论上任何介质折射率变化现象的发生都能被SPR技术检测到。 在实际应用中, SPR传感器存在灵敏度不高, 检测信号不强等缺点, 因此对提高SPR传感器检测灵敏度的研究一直备受关注。 氧化石墨烯又被看成是石墨烯的氧化物, 它有着与石墨烯相近似的光电学特性, 但又比石墨烯更容易进行化学修饰, 因此被广泛用作SPR传感芯片的表面镀层来提高灵敏度。 将氧化石墨烯用于修饰SPR芯片以提高灵敏度的报道很多, 但对氧化石墨烯的使用量说法不一, 并且在制备氧化石墨烯修饰传感芯片时需要浸泡很长一段时间, 大大影响了芯片制备效率。 该研究中使用长直链功能化聚乙二醇(polyethylene glycol, PEG)对SPR金芯片表面进行化学改性, 用流动冲刷的方法使氧化石墨烯溶液对芯片进行修饰。 通过对折射率变化响应信号的对比, 最终确定氧化石墨烯最佳使用浓度为0.5 mg·mL-1, 并且将修饰时间降到20 min以内。 研究了不同波长入射光对氧化石墨烯修饰后芯片共振峰的影响, 并对芯片整体性能进行了评估, 得到950 nm入射光波下芯片灵敏度为243.2°·RIU-1, 品质因数(FOM)值为82.2 RIU-1。 这一数值比在原始800 nm入射波长下的同芯片灵敏度提高了33.3%, FOM值提高了36.1%; 是800 nm波长下裸金芯片灵敏度的4倍, FOM值的3.41倍。 该研究所提出快速制备氧化石墨烯修饰SPR传感芯片有着成本低, 制作快等优点, 在生化检测领域有着广阔的应用前景。

采用光纤激光对铜钢异种金属进行激光焊接, 研究接头中典型焊接缺陷的形成机理。结果表明: 铜钢激光焊接头中的主要焊接缺陷是显微偏析、气孔和凝固裂纹。熔池金属凝固过程中的成分偏析是引起显微偏析和凝固裂纹的主要原因。晶界Cu元素偏析削弱晶粒之间结合力, 导致晶粒自身的塑性变形不能完全抵消焊接过程中的热应力, 造成晶界开裂。而气孔的形成主要与激光焊接过程中匙孔的失稳有关, 小孔失稳引起匙孔内壁坍塌, 导致金属蒸气不能顺利溢出熔池表面。提出交变磁场辅助激光焊接方法抑制焊缝中的缺陷, 获得良好的焊缝成形。

采用光纤激光器对2 mm厚GH909合金进行焊接实验，探究了焊缝横截面宏/微观成形、外延生长组织演变和接头典型位置的晶体分布特征。研究结果表明：GH909合金焊缝呈典型的沙漏形，焊缝区晶粒尺寸明显大于母材和热影响区的晶粒尺寸；典型的柱状晶析出在焊缝中部和下部，少量等轴晶在焊缝顶部形成；平面生长的针状晶优先在上部近焊缝区形成，并通过竞争淘汰转变为稳定生长的细长柱状树枝晶，与此同时，中部近缝区发生胞状晶、胞状树枝晶向柱状树枝晶的转变；迁移晶界出现在热影响区，焊缝中靠近熔合线的位置存在外延生长和非外延生长两种生长模式；焊缝中部晶粒呈现为典型的非连续生长特征，晶粒宽度由小变大，但立即被新晶粒代替；焊缝上部晶粒的生长方向一致，呈现聚集特征，连续生长的γ柱状晶最终形成贯穿的巨大晶粒。

安检X光图像违禁品尺度多变、姿态各异，为自动识别带来很大的困难。针对该问题，提出了一种基于金字塔卷积和带状池化的X光目标检测算法。首先，以一阶段无锚框目标检测框架CenterNet为基础，引入金字塔卷积，提出金字塔沙漏网络，丰富Hourglass-104特征提取网络的感受野，增强多尺度特征提取能力。其次，带状池化的引入能够捕捉图像上下文全局信息，防止无关区域的信息干扰，兼顾局部细节信息。最后，在训练过程中将预测目标尺度分支的训练损失替换为交并比（IoU）损失函数，进一步提升尺度预测分支的性能。消融实验结果表明，改进后网络的平均精度（mAP50）由86.6%提升为88.3%，准确率有显著提升。

采用光纤激光对钢/铝异种金属进行激光搭接焊,研究稀土添加层对接头界面过渡区微观组织、元素分布、析出相以及力学性能的影响。结果表明：在激光功率2.0 kW,焊接速度3 m/min,离焦量+2 mm工艺参数下,可以获得宏/微观成形良好的焊接接头。研究还发现,添加层中稀土Y可以有效调控钢/铝界面的冶金反应,促使界面形成Fe23Y6、Al3Y等多种韧性金属化合物。界面层韧性相的析出,一定程度上抑制了钢/铝界面脆性相的生成,有效地改善了接头的力学性能。

针对安检X光图像中违禁品的自动检测一直存在困难,使用不同尺度的特征比例平衡模块、U型网络递归模块和残差边注意力模块构建EM2Det(Enhanced M2Det)模型,进一步提升M2Det模型的检测性能。首先考虑主干网络深层中的高语义信息和浅层中的细节特征信息,借鉴特征金字塔思想设计特征融合增强模块,加强模型对主干网络中不同尺度特征的提取能力;然后设计8个U型网络递归模块,增强其对基本特征不同水平、不同尺度的细节特征提取能力;接着使用CBAM(Convolutional Block Attention Module)构建残差边注意力模块,使其关注有效特征,抑制无用的背景干扰;最后在SIXray_OD数据集上对模型进行验证。实验结果表明,设计的各个模块均有不同程度的提升效果,EM2Det模型的平均精度比M2Det模型提升6.4个百分点。

为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法。在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络。Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成。DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图。为提升对小目标的检测性能,引入特征增强模块(FAB)。对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的。此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性。该算法在SIXray_OD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40 frame·s ^-1。实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求。