作物病害类型的快速无损检测对提高作物品质和产量至关重要。 传统的病害分类方法费时费力且不能实时检测。 为此， 利用高光谱进行大豆病害分类。 以健康大豆为对照， 灰斑病和细菌性斑点病两种病害为研究对象， 获取三种类别叶片高光谱数据。 基于高光谱曲线分析病害与健康叶片反射率的变化规律。 采用主成分分析（PCA）和光谱指数（SI）两种单一方法进行病害有效信息提取， 共使用30个SI。 在此基础上， 提出一种PCA与SI相结合的组合方法（PCA-SI）， 通过提取有效主成分（PC）及有效SI， 将有效SI按得分情况分为两组（9SIs和18SIs）， 再分别对应每一个有效PC进行分组， 形成病害光谱有效信息的变量集。 采用三种方法分别进行病害有效信息的提取， 基于提取后的光谱变量， 采用最小二乘支持向量机（LSSVM）和支持向量机（SVM）两种分类器建立病害分类模型。 以原始高光谱为基准， 以病害分类正确率为指标， 评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。 结果表明: 高光谱反射率具有可见光450～700 nm 波段范围病害叶片高于健康叶片而近红外760～1 000 nm波段范围其特征完全相反的规律。 采用单一PCA方法提取出了34个有效PC用于病害分类。 基于PCA-SI组合方法提取出5个有效PC（PC1—PC5）和18个有效SI， 将其进行分组得到10组变量， 共计13组变量作为建模集。 三种方法提取病害有效信息后的光谱变量均比原始高光谱具有更好的病害分类能力， 提出的PCA-SI组合方法具有最优的病害有效信息提取能力， PC1-18SIs和PC4-18SIs为最优建模集， LSSVM分类器具有最优的分类性能。 PC1-18SIs-LSSVM和PC4-18SIs-LSSVM模型为最优病害分类模型， 训练集和预测集的总病害分类正确率分别为100%和98.85%， 与原始高光谱分类模型相比， 总分类能力分别提高了6.47%和21.74%， 模型分类能力较好， 可为病害实时无损分类识别提供参考。

现有的手持式激光扫描仪在使用过程中多使用定位标志点，会遮盖部分数据。针对此问题，基于单应矩阵和霍夫直线提取提出了一种新的线结构光点云数据拼接方法,可以避免在扫描过程中粘贴标志点。实验结果证明，该方法能准确得到目标三维点云数据，拼接误差小于1 mm。

平场改正可以扣除日冕仪成像过程中的不均匀性, 是其数据定标的必要步骤。提出一套基于乳白玻璃测量日冕仪平场的装置和方法, 并开展了相关模拟和实地测量以验证该方法的可行性。首先, 模拟了太阳经乳白玻璃后在日冕仪观测视场内扩散光源的均匀性, 模拟结果表明其均匀度为99.98%, 十分接近理想的均匀面光源。其次, 测量了12 cm地基日冕仪的平场, 测量结果显示该方法可以测量出日冕仪成像的不均匀性, 如探测器的条纹。平场改正后的结果符合日冕和天空背景亮度的径向分布。最后, 为评价利用乳白玻璃测量平场的有效性, 将其和天空平场进行了对比, 二者相关系数为99.94%, 线性拟合斜率为1, 具有极强的相关性。

条纹计数法解调精度受限，而常用的高精度外差调频解调法(如相位生成载波法、线性调频法)，在光源调频过程中伴生有幅度调制并且调制解调系统复杂。提出了一种基于双光纤光路相位解调的法布里珀罗(F-P)位移传感器，原理上省去了光源调频过程，在提高检测精度的同时，成本与条纹计数法相当。与已有报道的双光路结构不同的是，该传感器对两干涉光路之间相位差无严格要求，安装调节简单，降低了传感器的工艺难度。位移测量实验结果表明，该传感器在0～500 μm的测量范围内，线性度为1.1%，误差限值为±3 μm。