针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题，本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先，所提方法在SIFT算法的基础上，对构建的高斯金字塔进行了优化，通过减少金字塔层数来消除冗余特征点以提高检测效率，并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测，筛选出鲁棒性较强的特征点进行更准确的匹配；其次，采用高斯圆形窗口建立32维降维特征向量，提高算法运行效率；最后，根据匹配特征点对之间的几何一致性对特征点进行提纯，有效减少误匹配。实验结果表明，本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法，相比传统的SIFT算法，匹配精度提高了约10%，算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下，正确匹配率在93%以上。

针对雾霾天气下车牌识别存在的精确度低、漏检等问题，提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后，基于YOLOv5网络设计一种车牌检测网络ACG_YOLOv5s。ACG_YOLOv5s是在YOLOv5s网络的基础上，融入CBAM注意力机制，提高模型的抗干扰能力；引入自适应特征融合网络ASFF，根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值，从而突出重要特征信息；使用Ghost卷积模块替换传统卷积，在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明，改进后的ACG_YOLOv5s网络车牌检测准确率达到99.6%，LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

针对多避雷针系统接闪器布设过于依赖工程经验的问题，基于最小成本原则，以多接闪器的高度和安装位置为优化变量，建立了多避雷针系统接闪器布设的优化模型，提出了基于遗传算法的多避雷针系统接闪器布设优化方法，通过典型设计案例对所提优化设计方法的有效性进行了验证。结果表明：该方法对多接闪器位置和高度优化设计的偏差不大于0.29 m；在该方法获得的接闪器位置和高度最优解条件下，预设的防护对象能够完全处于避雷针系统的保护范围之内，且防护对象与保护范围边界的最小间距不大于0.71 m，能够完全满足工程使用的需求。

在QFN芯片封装缺陷检测中，增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题，本文提出一种基于改进灰狼优化算法（IGWO）的图像多阈值分割方法。首先，改进原始灰狼优化算法非线性因子，平衡算法搜索效率与挖掘能力；其次，引入反向学习策略提高种群整体质量，引入正弦函数、调整头狼权重以改进灰狼更新策略，增强算法多样性与挖掘能力；然后，提出头狼靠拢与种群变异交替进行的位置更新策略，平衡算法收敛性能与跳出局部最优能力；最后，以Kapur熵为适应度函数，求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法，与灰狼优化算法（GWO）、基于翻筋斗觅食策略的灰狼优化算法（DSF-GWO）、基于莱维飞行的樽海鞘群优化算法（LSSA）、改进北方苍鹰算法（INGO）的图像分割方法进行实验对比，结果表明：本文方法在分割用时方面，约为DSF-GWO的1/2，INGO的1/4；在分割精度与稳定性方面，在进行QFN芯片缺陷图像的连续30次分割时，本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

为了解决结构光三维重建中传统立体匹配存在的特征点匹配错误、匹配缺失和匹配重复等问题，本文将SURF算法中高斯滤波改进为自适应中值滤波结合小波变换，并提出了一种基于OKG算法的二次特征匹配方法。该算法首先使用自适应中值滤波结合小波变换算法对图像进行平滑和降噪处理，再进行初步特征点提取和匹配，然后将构建的尺度空间划分成多个网格，在每个网格内使用FAST算法提取尺度空间特征点，使用ORB算子提取左右图像的特征点，用BRIEF描述子对其进行描述，采用K-D树最近邻搜索法限制特征点选取，通过GMS算法剔除误匹配点。最后，将本文SURF-OKG算法与传统特征匹配算法进行对比分析，并对阶梯块进行三维重建来验证本文算法的有效性。实验结果表明：SURF-OKG算法的正确匹配率为92.47%；对阶梯宽度为40 mm，精度为0.02 mm的阶梯块进行三维重建，实验测得阶梯宽度的误差均值为1.312 mm，最大误差值不超过1.72 mm，基本满足结构光三维重建系统的实验要求。

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。