光学元件的损伤在高功率激光系统的终端光学组件中较为普遍且对激光系统的正常运行有重大影响。为提高元件的使用寿命和保证激光光路正常运行，首先要做的是检测和判断出损伤出现的位置、大小、类型。在线检测中终端光学损伤检测装置是一种重要的方法，它能够直接、实时地对元件的损伤情况进行成像并分析，另外还有一种间接获取损伤图像的方式，即用衍射环检测损伤，通过相关公式求出损伤点的大小和位置。针对更小的损伤的检测，深度学习这一工具能够处理大量数据，是目前研究该问题不可或缺的一类方法，它能够减少人工，并提高效率和准确率。修复损伤的主要方式是快速熔融缓解，即二氧化碳激光熔融损伤区，该方法是目前最常见、最有效的修复方式。对损伤问题处理的前提和关键在于精确定位更小的损伤点并分类不同类型的损伤，以便确定后续修复步骤。损伤的检测和修复是光学循环回路策略的重要部分，传统方法有一定的局限性。近些年，受到深度学习在图像处理和目标识别领域的优势的影响，未来会有越来越多深度学习的方法能够被用在与损伤检测相关的研究上。这对高功率激光系统长期稳定运行和正常发展有重要意义和作用。

光谱质量、 样本个体差异、 检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。 采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s^-1运行速度在线获取了“富士”苹果全透射光谱信号。 不同姿态获取的透射光谱强度差异明显, 但曲线走势相近, 均在920 nm波段具有最大的光谱强度, 在850 nm波段存在波谷。 采用移动平均平滑、 标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差, 减小了样本检测姿态引起的光谱差异。 为分析不同检测姿态对苹果整果糖度预测模型的影响, 构建了单一姿态局限模型和多姿态通用模型, 结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性, 而多姿态通用模型预测能力较单一检测姿态相当, 但却对不同的检测姿态具有更强的适用能力。 为进一步提高光谱信号质量, 优化模型预测能力, 采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化, 发现移除中央位点获取的透射光谱信号, 有利于提高苹果整果糖度预测模型精度。 多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性, 有效提升了通用信号强度优化模型的预测能力和稳定性, 当多姿态通用模型中信号强度阈值为5 000时, 模型预测性能最佳, 其预测参数R_p, RMSEP和RPD分别为0.79, 0.84%和1.58。 表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的, 多姿态通用模型的建立, 扩大了模型在不同姿态的预测稳健性, 短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。

地表水资源安全关系到国民健康、 生态环境稳定和经济可持续发展, 具有重要战略意义。 总有机碳(TOC)是一种衡量水体中有机物含量的综合指标, 其在水环境监管和治理中具有重要价值。 传统检测方法通过高温催化氧化测定水样中TOC含量具有耗时较长、 操作复杂的局限性, 紫外-可见光谱技术具有检测速度快、 操作简单的优势, 因而在水质在线检测中具有较好的应用前景。 国内外对地表水中TOC浓度的在线检测目前大多采用与COD浓度间的相关关系进行间接推算得到, 这类方法对水体成分的稳定性要求较高。 相比于常规的间接推算方法, 采用光谱定量分析方法建立TOC与紫外-可见光谱间的分析模型具有更好的鲁棒性和分析精度, 便于实现水质无人值守在线监测。 实验配置了TOC样本溶液, 设计了为期两天的实验, 在4个时间段采集得到样品光谱数据集(分别记为D1, D2, …, D6)。 首先, 通过分组实验将D1作为训练集建立TOC偏最小二乘(PLS)回归模型, 预测同一时间段测试集D2的TOC浓度, 得到平均绝对相对误差(MAPE)不超过0.78%, 表明建立的TOC定量分析模型具有较高的精度。 然后, 为验证PLS建立的TOC模型对仪器状态变化的鲁棒性, 选择不同时间段采集的光谱数据分别作为训练集和测试集, 进行不同仪器状态交叉实验, 4组实验中测试集样品TOC浓度预测值的MAPE分别为3.82%, 3.75%, 3.43%和0.98%。 实验表明, 采用PLS算法建立的TOC紫外-可见光谱定量分析模型具有较好的分析精度和鲁棒性, 分组实验和不同仪器状态交叉实验中预测浓度的MAPE均不超过3.82%, 优于常规的间接推算法。 此外, 建立的光谱定量分析模型不依赖COD与TOC间的推算关系, 因此在水环境变化时较常规推算方法具有更好的适应能力。 最后, PLS算法建模过程简单, 运算速度快, 为浸入式在线检测设备的开发和维护提供了便利。

黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1^st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1^st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。

航空相机的使用环境温度变化范围较大，温度的变化会在相机光学镜头中产生温度梯度，影响相机成像质量。为保证相机光学系统的成像质量，需要对镜头在一定温度范围内进行消热设计。运用ZEMAX光学设计软件对某航空相机光学系统进行了热分析，并根据分析结果运用ANSYS软件实现了多片式、大视场角光学镜头被动式消热光机一体化设计，通过镜头内部补偿环节沿轴向的微位移改变镜间距，实现对光学系统不同温度下像质的补偿。同时，研制消热补偿试验件，采用一种高精度光学非接触式在线直接检测微位移的方法，精度达到±1 μm，完成了消热补偿试验件微位移测试。结果表明：不同温度下的微位移量与分析数据一致，最后通过对采用该消热一体化设计的实际航空镜头在不同温度下的像质检测，验证了该设计的有效性，镜头在各温况下性能良好。

针对皮革表面类缺陷用机器视觉在线检测时，某些缺陷成像质量对照明方向呈现各向异性甚至无法显现而形成检测盲区的问题，研究设计了一套可消除该类检测盲区的在线检测系统。基于缺陷处的散射和信息采集机理得出缺陷特征光强随照明方向的变化规律，并以压印和油墨类缺陷为例进行实验研究，发现2类缺陷特征光强分布均与照明方向相关，缺陷的检测盲区与有效区呈正交态。据此，采用自主设计的侧入式均匀照射离轴面光源，设计出线阵和面阵正交复合的在线检测系统，采用垂直目标面采集信息、45°角暗场正交照明，线阵相机和线光源组成主检测系统，面阵相机和离轴面光源辅检测系统，对随机出现的各向异性缺陷进行上百个样本检测,实验证明，缺陷检测盲区被有效消除，缺陷识别率提升了近22%，检测效率也得到大幅度提高。