小尺寸零件的表面积小、结构复杂，传统标志点拼接方法需要在零件表面人工粘贴标志点，导致表面的测量数据缺失出现孔洞。基于特征的点云拼接方法要求零件表面具有易区分的几何或距离特征，不适用于包含重复性特征的回转体零件。本文提出一种基于机械拼接的无标志点扫描测量方法，不需要粘贴标志点，不依赖于零件表面特征。首先，采用基于摄影测量的相机标定方法得到相机的高精度内外参数，重建标定板上靶点的高精度三维坐标，接着通过跟踪编码靶点的位置建立转台不同转角对应的旋转矩阵，进而解算出转轴方向向量和轴上定点坐标，实现转轴和相机的同步标定。在完成两个转轴位姿精确标定的基础上，利用转台转角构建旋转拼接矩阵，实现多视角点云粗配准。最后，基于法向迭代最近点算法(Normal Iterative Closest Point, NICP)完成点云的精配准。实验结果表明：使用靶点跟踪法标定后的两转轴夹角误差较传统的标准球拟合法低0.023°，标定后测量标准球的整体平均尺寸误差小于0.012 mm；在小尺寸零件自动化测量时，机械拼接方法在精配准后的点云拼接效果与标志点拼接方法相近，且拼接稳定性更高。机械拼接方法适用于无法粘贴标记点的小尺寸零件三维形貌测量场景。

The design of nonlinear photonic Vogel’s spiral based on quasi-crystal theory was demonstrated. Two main parameters of Vogel’s spiral were arranged to obtain multi-reciprocal circles. Typical structure was fabricated by the near-infrared femtosecond laser poling technique, forming a nonlinear photonic structure, and multiple ring-like nonlinear Raman–Nath second-harmonic generation processes were realized and analyzed in detail. The structure for the cascaded third-harmonic generation process was predicted. The results could help deepen the understanding of Vogel’s spiral and quasi-crystal and pave the way for the combination of quasi-crystal theory with more aperiodic structures.

视频超分辨率（Video-Super Resolution，VSR）旨在将低分辨率视频帧序列重建为高分辨率视频帧序列。相较于图像超分辨率，VSR由于增加了时间维度的信息，因此通常需要依赖邻近帧高度相关信息实现当前帧的重建。如何对齐相邻帧，并获取帧间高度相关信息，是VSR任务关注的重点问题。本文将VSR任务分为去模糊、对齐、重建三个阶段。在去模糊阶段，将当前帧与相邻帧进行预对齐 ，获取与当前帧高度相关的特征信息，通过强化当前帧的细节以便实现初始阶段更多特征信息的提取。在对齐阶段，通过对输入特征进行二次对齐操作，利用相邻帧中高度相关信息进一步强化当前帧中特征信息。在重建阶段，通过聚合原始低分辨率帧以在网络末端提供更多特征信息。本文利用多层感知机（Multi-Layer Perceptron，MLP）代替传统卷积操作构造特征提取模块，同时对生成的特征信息进行二次对齐，以细化图像特征获得更优的视频帧重建效果。实验结果表明，本文提出的算法在多种公开数据集上的视频帧序列重建精度更高的同时，也取得了更少的网络参数量和更连贯的视频序列重建表现。

针对红外图像颜色、纹理等信息不够丰富，导致检测精度相较于可见光图像低；夜间红外行人目标检测模型参数量大、依赖高性能GPU资源，导致检测速度慢等问题，提出一种融合行人目标精细尺度嵌入的多检测层、轻量化实时检测模型。首先为了获取更精确的红外行人位置特征，在原始Yolov4-tiny结构上设计了64×64精细尺度检测层并增加残差结构加深主干网络，以融合红外行人的位置特征；其次针对红外行人目标宽高比相对固定的特点，应用K-means++聚类分析出适用于红外行人检测的先验框预置参数；最后为了减少模型参数，通过通批量归一化层道剪枝实现模型轻量化，同时利用知识蒸馏算法完成TIPRD的微量调控。实验结果表明，轻量化红外行人实时检测模型检测速度达到了88.7 帧/s，平均检测精度达到89.2%，模型大小为4 MB，相较于Yolov4-tiny平均检测精度提升了8.6%，模型大小缩小了19.5 MB，相较于Yolov4缩小了264 MB。在Jetson Nano移动开发平台部署该模型验证了实际工程应用的有效性，对开发汽车辅助驾驶系统以降低夜间交通事故发生率具有重要意义。

飞机在夜间起降时机场跑道上侵入的异物严重威胁航空运输安全，而暗光背景下依靠人工步行巡查小尺度异物更易留存致命的安全隐患。将智能视觉检测算法引入机场跑道异物入侵领域，针对现有模型倾向关注局部特征而造成检测精度低等问题，设计了一种融合自注意力特征嵌入的CSPTNet夜间机场跑道异物检测算法。为改善卷积神经网络关注局部特征而忽视全局特征的缺陷，将标准瓶颈模块替换为Transformer瓶颈模块，特征图子块扁平化分割后嵌入位置特征编码，有利于图像从像素表示转化为向量表示，在高维向量空间中捕捉像素间关系。采用多头自注意力机制从注意力分支子空间中获取不同分支聚合的特征信息，从而实现全局特征与局部特征信息的融合。针对数据集目标尺度较小导致轮廓边缘模糊以及定位困难等问题，引入CIoU损失函数以实现预测框尺寸和中心位置的修正优化，提高异物目标轮廓的定位精确性。实验结果表明，本文模型的检测速度达到38 frame/s，满足实时检测的要求；平均精度最高为88.1%，应用融合自注意力特征嵌入的Transformer模块相比于标准瓶颈模块提升5.7%，与当前先进的YOLOv5模型相比提升5.2%，从而验证了CSPTNet算法对夜间机场跑道异物检测的有效性和工程实用性。

利用纳秒脉冲电源激励大气压空气中针-水结构气液放电，研究了不同脉冲参数下的放电特性、等离子体特性和活化水中活性粒子浓度的变化规律。结果表明，在一个脉冲周期内放电分为3个阶段，其中发生在脉冲持续时间内和下降沿的两次放电较强，上升沿的放电较弱。当脉冲电压增大时，放电电流、平均功率、发光强度和发射光谱强度均逐渐增大；当频率增大时，放电电流几乎不变，但是功率显著增大，放电发光强度和发射光谱强度均增大。电压上升沿时间的增大则会减弱放电强度，相应的放电发光强度和发射光谱强度均减弱。而电压下降沿的增大则会增强放电，发光强度和发射光谱强度增大。当脉冲电压、频率和下降沿时间增大，H₂O₂， ${\rm{NO}}_2^ - $和 ${\rm{NO}}_3^ - $浓度逐渐增大；而电压上升沿时间增大会导致3种活性粒子浓度逐渐降低。