“黑飞”无人机一旦带有炸弹等物品，会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络，具有更小的网络结构和参数，更适合检测小目标，但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题；针对此问题，提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先，建立无人机图像数据集；其次，设计一种新的注意力机制模块SMSE嵌入到特征提取网络中，增强对复杂背景下无人机目标的关注度；然后，在主干网络中融入RFB结构，扩大特征层的感受野，丰富特征信息以增强特征提取的鲁棒性；然后，改进网络中的特征融合机制，通过新增小目标检测层，增加对小尺度目标的检测精度；然后，改变损失函数提高模型的收敛速度，减少损失以增强模型的鲁棒性；最后，引入可变形卷积(Deformable convolution, DCN)，更好的根据目标本身形状进行特征提取，提升了检测精度。在PASCAL VOC公共数据集上进行对比实验，结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny，平均精度(map@0.5)提升了6%；在自制无人机数据集上进行实验，结果表明YOLOv7-drone与原算法相比，平均精度(map@0.5)提高了6.1%，并且检测速度为72帧/s；与YOLOv5l、YOLOv7目标检测算法进行对比实验，结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%，验证了文中算法的可行性。

为了解决“猫眼”目标在夜晚环境下难识别的问题，提出了一种基于归一化中心矩的轮廓匹配“猫眼”目标识别方法。首先利用中值滤波对图像进行去噪，采用固定阈值分割完成了对图像的分割，使得“猫眼”目标与部分背景分离，使用Roberts边缘检测提取出了所有物体的边缘，最后采取了基于归一化中心矩的轮廓匹配算法，该算法不受平移和放缩的影响，提取出了图像中的所有圆形目标，并利用面积判别识别了真实目标，对识别出的目标绘制最小外接圆，利用圆心坐标对其定位。通过对不同光照强度下的“猫眼”图像进行实验与对比，验证了该方法的可行性，并通过目标识别评价指标验证了该方法的有效性。实验结果表明，该方法的全局准确率可达92.1%，可以在夜晚环境不同光照强度下成功地对“猫眼”目标进行识别。

反无人机系统是识别和打击“黑飞”无人机的有效手段，图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多，识别准确率不够高的问题，提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先，运用自制设备采集了多种无人机在不同背景下的图片，建立数据样本；其次，设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络，运用设计的网络对小样本进行识别，并进行对比，然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验；最后，将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明，提出的TL-CA4-DenseNet-121网络识别效果优于其他网络，识别的平均准确率为97.93%，F1-Score为0.9826，网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。

为了解决光电编码器误差检测精度低、光机结构复杂、检测周期长等问题，利用自准直仪与多面棱体的光学小角度测量原理及转角互逆双轴转台的连续误差检测方法，建立了光学连续闭环光电编码器误差检测系统；采用多体系统理论与相对位姿矩阵变换方法，建立了双轴转台全误差模型，分析了固定误差和可变误差对系统的影响；利用标定自准直仪与23面棱体对检测系统进行了校准，并利用高精度光电编码器与系统进行了精度对比验证。结果表明：检测系统的双轴回转精度满足数值仿真计算要求，系统精度可达0.38″，测量不确定度为0.2″（k=2），系统检测精度与实际编码器出厂时标定的准确度基本一致，验证了光学连续闭环光电编码器误差检测系统实现高精度和全圆周连续误差检测的可行性。

随着道路上汽车的增多，汽车制动系统的可靠性受到越来越多的关注，基于机器视觉的汽车制动主缸补偿孔参数检测精度，是决定汽车安全性和停车可靠性的关键技术，补偿孔作为汽车制动主缸的重要组成部分，可以起到调节汽车制动主缸储液罐与压力室中制动液的重要作用，其尺寸精度和加工质量受到严格的控制，因此如何准确的获取补偿孔的图像是补偿孔参数检测的首要问题。通过将飞机钻铆孔法线找正的方法引入到图像获取中，将四点微平面法线检测方法与图像处理相结合，实现高效高精度的法线找正。实验表明，本文算法法线找正精度高于0.05°，优于传统检测精度的0.5°，检测时间小于1 s。本文提出的算法在满足精度要求的情况下，算法简单，实时性高，同时具有较好的鲁棒性，满足制动主缸生产工业现场对于检测速度和精度的要求。

在国产化、技术自主化的大型飞机项目上，对孔位精度的标准正逐步升高，钻头的垂直度又是这一标准中最受关注的条件。机器人自动钻铆系统工作时，所产生的装配误差、磕碰、偏移等状况，不仅降低了制造及检测的准确度，还影响了整个结构件的疲劳性能。针对这一问题，提出了基于多激光传感器装配的自适应自由曲面法线检测技术，搭建了以该方法进行姿态找正的数学模型，并研究了检测装置的标定方法及流程。同时，着重讨论了在自适应方法检测时，利用电子经纬仪等装置进行误差补偿的相关技术。该方法的验证实验结果显示，多组实验数据均达到了法向精度＜±0.5°的关键技术指标要求，找正后的法线平均偏差值为0.0667°。该方法能有效补偿在制孔工作中所产生的相关误差，进一步提高机器人的定位精度及法线方向检测精度。

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题，提出了反无人机系统。识别无人机是反无人机系统实现的关键之一，为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片，设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别，同时也运用支持向量机识别无人机和鸟的图片，进行了对比实验。实验结果表明，设计的卷积神经网络在MNIST数据集上识别准确率为91.3%，识别无人机准确率为95.9%，支持向量机识别准确率为88.4%。对比实验表明，提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机，可用于反无人机系统识别无人机，给同类研究提供了借鉴。