对测量激光雷达轴系动摩擦力矩数据波动较大、重复测量精度低等问题开展研究，将基于测试主轴控制系统构建的数据云与GA-BP算法进行融合，提出了激光雷达轴系摩擦力矩检测设备自更新控制算法。以测试主轴的实际转速、理想转速、转速误差和转速误差变化率构建数据云，使用密度及距离信息实现数据的添加和删除，通过GA-BP算法实现在线控制参数的整定。以激光雷达轴系摩擦力矩测量设备测试主轴和被测轴系为研究对象，通过仿真实验证明该方法与使用Z-N-PID算法的控制系统相比，提高了系统抗干扰性。通过激光雷达轴系动摩擦力矩检测设备进行摩擦力矩检测，实验结果表明，所提出的自更新控制算法相比于Z-N-PID算法平均过冲量降低了12.77%，稳定后数据标准差降低了5.00%~40.63%，重复测量误差降低了24.20%~71.66%。

为解决通过法线估计利用角度阈值判断点云轮廓时提取的点云轮廓线不完整和不准确的问题,提出基于改进的三维道格拉斯-普克(3RDP)算法,并对法线估计法进行了优化。首先利用传统的法线估计方法在低阈值下获取轮廓特征候选点,通过3RDP算法对候选点进行抽稀,并对算法进行了改进。然后提出了利用主成分分析选取点集的基面,在主方向中找到原点和终点的方法,用以最小距离选取方式将点集进行排序。最后根据点到基面的距离判断点是否属于轮廓线上的点,同时去除内部点,提取目标物轮廓特征。实验证明了该算法可以很好地剔除法线估计方法中不属于轮廓线上的点,与传统法线估计算法相比,提取出的目标物轮廓线更加完整和准确。

采用深度学习方法对棉花中的异性纤维进行分类识别。首先建立异性纤维数据集,针对异性纤维尺寸和形状多样性的特点,采用基于Faster RCNN的目标识别框架,以RseNet-50代替原始的VGG16作为异性纤维分类模型的特征提取网络,并采用k-means++聚类算法对候选框生成尺寸进行改进;然后对模型进行训练,实现棉花中异性纤维的分类和定位。训练后的模型在验证集上的准确率达到94.24%,精度为98.16%,召回率为95.93%,精确率和召回率的调和平均数(F1分数)为0.970。对比改进前、后模型对异性纤维的识别效果,改进后的模型在小尺寸、大长宽比和密集出现的情况具有更好的识别效果,相对于原始模型,其准确率、精度、召回率和F1分数分别提高了3.21%、0.90%、2.51%和0.017。

针对目前移动机器人对环境地图构建精度低的问题, 分别提出了激光雷达测距、测角的标定方法。通过误差传播定律分析引起激光雷达的测距误差因素, 可知激光雷达测距误差主要是由回波强度和测量距离引起的, 推导出测距误差修正模型。通过分析激光雷达测角误差因素, 针对机械扫描轴与几何旋转中心偏心引起的误差, 提出了一种三角形标定方法, 建立测角误差修正模型。根据激光雷达测距、测角误差修正模型修改移动机器人坐标转换系统。实验结果表明, 测距标定使平面障碍物数据纵坐标差值的标准差提高了30%~60%, 接近物体真实几何特征; 测角标定方法使障碍物数据的重合效果提高了30%, 标定方法提高了移动机器人地图构建的精度。

针对目前激光雷达数据分割算法不能适应环境特征确定连续准确阈值的问题, 提出一种环境特征自适应激光雷达数据分割算法。依据二维激光雷达的数据特点以及室内环境的几何特征, 以激光雷达数据的邻近点拟合虚拟环境线,以虚拟环境线和邻近激光扫描射线的交点作为参考点, 确定自适应阈值, 完成激光雷达数据的预分割。针对用上述方法完成的数据预分割结果中存在的缺陷, 提出数据预分割后伪断点的判断方法, 对算法进行了优化。并将此算法与分段阈值分割算法、线性方程阈值分割算法进行比较和分析。环境特征自适应激光雷达数据分割算法对实验数据的分割成功率达到98%, 具有更强的环境适应能力和更高的分割准确度。

为了实现校园的安全监控，提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪，建立了基于现实的精确摄像机模型，提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法（KCF）实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法，选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明：相比较于传统的卡尔曼滤波跟踪算法，KFC算法的跟踪精度优于传统方法，精度多数情况下能达到90%以上，高于卡尔曼滤波跟踪算法的60%，检测与跟踪效果达到要求。

为了对水处理过程中水质浊度进行实时、准确检测, 设计了基于红外光的散射浊度检测系统, 并提出一种聚类灰色融合的预测模型对水质浊度的变化趋势进行有效预测。利用890 nm波长的红外发光二极管作为发光器件, 光敏二极管作为接收器, 检测装置响应时间短, 零点误差小。采用灰色预测算法和聚类融合的方法对传感器所采集的数据进行处理, 将聚类融合处理后的数据作为灰色预测控制的输入数据, 灰色预测控制的输出数据与融合数据进行对比分析, 确定预测浊度值。通过实际项目进行了数据跟踪和运算, 聚类灰色融合算法的浊度预测输出值和实测值的平均误差值为0.008 7 NTU, 聚类灰色融合算法预测性能优于单一的灰色预测算法, 能够保证水质浊度参数的平稳, 满足了水质的要求。