针对目前深度学习中单阶段目标检测网络结构复杂、训练困难与在移动与嵌入式设备难以部署的问题，提出了一种基于自适应空间特征融合的轻量化目标检测算法。所提算法以YOLOv4为网络基础框架，采用轻量级MobileNet作为特征提取网络，降低网络深度与训练难度，提高检测速度；采用一种自适应空间特征融合（ASFF）方式改进PANet对多尺度特征融合效果差的不足；通过增加网络的输出维度，利用Gaussian算法对新增维度建模并输出预测框位置的不确定性；最后对位置损失函数进行重新定义，提高位置回归的准确性。所提算法以疫情期间口罩佩戴检测机器人为部署载体，对人脸口罩佩戴情况进行了测试，实验结果表明，所提算法的检测精度达到了95.92%，检测速度达到了19 frame/s，相比于原始算法和其他主流检测算法，更适合部署于移动与嵌入设备实现实时检测。

为了利用近红外光谱技术对牛奶中脂肪、蛋白质和乳糖的浓度进行快速检测, 提出了基于直方图规定化和模糊层次分析法的近红外光谱主成分权重重置预处理方法。针对牛奶样品的光谱进行主成分分析, 确定光谱数据中的最佳主成分数, 得到了各主成分的得分和权重。采用直方图规定化的数学统计思想实现二维光谱矩阵的滤波及净化去噪, 利用模糊层次分析方法对有效主成分信息的权重进行重置映射, 滤掉无关的主成分干扰信息, 建立权重重置后的光谱。在此基础上, 对预处理后的光谱数据进行脂肪、蛋白质和乳糖的偏最小二乘回归1（PLS1）建模, 得到脂肪的相关系数为0.980, 预测均方根误差为0.158×10-2 g·mL-1; 蛋白质的相关系数为0.997, 实际预测偏差为0.050×10-2 g·mL-1; 乳糖的相关系数为0.985, 实际预测偏差为0.152×10-2 g·mL-1。由模型预测结果可知, 基于直方图规定化和模糊层次分析法的近红外光谱主成分权重重置预处理方法比常规预处理方法具有更好的滤波和去噪效果, 说明将直方图规定化和模糊层次分析法相结合对牛奶近红外光谱进行预处理具有可行性。

为解决近红外光谱快速检测乳品成分及含量时光谱数据的预处理问题, 提出一种基于直方图分层映射技术的近红外光谱主成分得分重置(SR)预处理方法。以葡萄糖氯化钠水溶液三组分样品中的葡萄糖含量、鲜牛奶样品中的乳糖含量为定量检测目标, 进行散射光谱主成分得分累计贡献率的分层分段规定化映射预处理, 利用偏最小二乘(PLS)回归分析建模手段, 对相应近红外光谱中的糖含量信息进行测试及分析。结果表明, 经过SR预处理后, 牛奶中乳糖含量PLS模型的校正集样品交互验证预测偏差降低23.9%, 实际预测偏差降低27.8%; 验证集实际预测偏差降低16.7%。该SR光谱预处理方法兼顾光谱、参考值及组分相关性等多尺度信息, 以实现光谱信息增强去噪, 能避免有用信息误删, 防止不充分拟合及过拟合。