为了实时检测乘客的异常行为，提出一种基于YOLOv5s算法的轻量化自动扶梯乘客异常行为实时检测算法YOLO-STE。首先在主干网络中引入轻量化ShuffleNetV2网络，以减少主干网络的参数量和计算量；其次在骨干网络的最后一层引入基于Transformer编码的C3TR模块，以更好地提取丰富的全局信息和融合不同尺度的特征；最后在YOLOv5s的特征融合网络中嵌入SE（Squeeze-and-excitation）注意力机制，以更好地关注主要信息，从而提高模型精度。自建数据集并进行实验，实验结果表明，相比于原YOLOv5s，改进算法的全类平均精度值（mAP）高出1.9百分点，达到了96.1%，模型大小减少了70.8%。并且在Jetson Nano硬件上部署测试所得，改进后的算法前传耗时比原YOLOv5s模型缩短了39.9%。通过对比改进前后的算法，后者能更好地实现对自动扶梯乘客异常行为的实时检测，从而可以更好地保障乘客乘梯安全。

裂缝是路面最主要的病害之一，及时、有效地检测和评估裂缝对路面养护至关重要。为实现路面裂缝图像快速、准确的语义分割，提出一种基于DeepLabv3+模型的路面裂缝检测方法。为减小模型参数量、提高推理速度，采用MobileNetv3作为模型的主干特征提取网络，且在空洞空间金字塔池化模块中使用Ghost卷积代替普通卷积，使模型更加轻量化。为避免替换主干网络降低模型精度：首先，在空洞空间金字塔池化模块中使用条形池化模块代替全局平均池化，有效捕获裂缝结构的上下文信息，避免无关区域噪声的干扰；其次，引入轻量级通道注意力机制efficient channel attention（ECA）模块，增强特征的表达能力，并设计浅层特征融合结构丰富图像的细节信息，优化模型对裂缝的识别效果；最后，构造混合损失函数解决裂缝数据集类别不平衡而导致检测精度较低的问题，利用迁移学习的训练方式提高模型的泛化能力。实验结果表明：所提路面裂缝检测模型参数仅为14.53 MB，比原模型参数量减少93.04%，平均帧率达到47.18，满足实时检测的要求；在精度方面，该模型裂缝检测结果的交并比和F1值分别为57.21%和72.76%，优于经典的DeepLabv3+、PSPNet、U-Net模型和先进的FPBHN、ACNet等模型。所提方法可大幅减小模型参数量，在保证路面裂缝检测精度的同时满足实时性，为基于语义分割的路面裂缝在线检测奠定基础。

为解决行人检测任务中低能见度场景下单模态图像漏检率高和现有双模态图像融合检测速度低等问题，提出了一种基于双模态图像关联式融合的轻量级行人检测网络。网络模型基于YOLOv7-Tiny设计，主干网络嵌入关联式融合模块RAMFusion用以提取和聚合双模态图像互补特征；将特征提取部分的1×1卷积替换为带有空间感知能力的坐标卷积；引入Soft-NMS改善结群行人漏检问题；嵌入注意力机制模块来提升模型检测精度。在公开的红外与可见光行人数据集LLVIP上的消融实验表明：与其他融合方法相比，所提方法行人漏检率降低、检测速度显著提高；与YOLOv7-Tiny相比，改进后的模型检测精度提高了2.4%，每秒检测帧数达到124 frame/s，能够满足低能见度行人实时检测需求。

针对现有激光软钎焊流水线上焊点缺陷检测设备成本高和传统算法检测速度慢的问题，提出了一种能部署在激光软钎焊设备上的改进YOLOv5s焊点缺陷检测算法。通过引入GhostNetV2卷积方式对骨干网络进行轻量化改进，减少了原网络模型的参数量，提高了网络模型的检测速度；同时引入全维动态卷积模块，提升了网络模型的特征提取能力，提高了网络模型的检测精度。实验结果表明：对YOLOv5s模型进行改进后，其网络参数量较原模型下降了23.89%；模型在自制的激光软钎焊焊点缺陷数据集和验证集上的均值平均精度达到了95.0%，相比原模型提高了1个百分点；实验平台上检测速度较原模型提高了12.62 frame/s。最后，在激光软钎焊设备上部署了所提算法，设备基本能够检测出相应的焊点缺陷，并且运行速度达到42.2 frame/s，基本达到了激光软钎焊实时焊点缺陷检测的应用需求。

针对当前光学智能遥感卫星有限存储能力对全球控制信息的轻量化需求，提出一种面向光学遥感卫星星上定位精度优化的轻量化矢量控制库技术。首先，在地面提取完整道路网，通过道路细化、节点提取以及拓扑关系构建等处理，生成星上轻量化矢量控制库并上注卫星；其次，星上在轨提取道路结构，并利用随机游走避免道路缺失的影响，生成随机游走矢量结构；然后，引入隐马尔科夫模型，搜索对应矢量，并设计分层匹配策略以精化匹配结果，实现星上轻量化矢量控制库与随机游走矢量结构的匹配；最后，利用不同类型卫星影像进行随机游走矢量结构提取、星上矢量匹配以及定位性能分析。结果表明，所提光学遥感卫星的星上轻量化矢量控制库能够有效改善非量测光学遥感卫星定位精度，验证了其在光学智能遥感卫星中的可行性。

荧光粉沉淀是影响白光LED发光质量和光学一致性的关键因素。为了实现荧光粉沉淀的快速、无损检测，提出一种基于光学相干层析（OCT）技术的荧光粉沉淀检测方法。使用OCT系统对白光LED进行成像，比较白光LED的OCT与切片图像，分析了荧光粉的数量分布和沉淀物形态。根据荧光粉数量与面积分数的关系以及荧光粉沉淀过程中荧光粉数量分布的变化特点，设计了从OCT图像中提取荧光粉面积分数的算法，分析了荧光粉面积分数与荧光粉沉淀程度的变化关系。实验结果表明，OCT技术可以准确检测白光LED的荧光粉沉淀物形态，荧光粉在OCT图像中的面积分数可以量化荧光粉沉淀程度。该方法可以满足白光LED荧光粉沉淀的检测要求，并可用于白光LED的质量检测和封装工艺研究。

卷积神经网络已在图像超分辨率领域得到广泛应用，Transformer近年来在该类图像处理任务中的扩展更是具有里程碑的意义，然而这些大型网络具有过多的参数量和计算量，其在部署和应用上存在很大局限性。考虑到上述发展现状，提出一种基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建网络，该网络引入了以交错组卷积为主的特征提取模块，对Transformer的多头自注意力机制进行优化，设计了一种稀疏全局注意力机制以增强特征学习能力，并提出了一种多尺度特征重构模块来提高重建效果。实验结果表明：相比其他几种基于深度神经网络的方法，所提方法的PSNR、SSIM、参数量、计算量等性能指标都表现较好。而与基于Transfomer的方法相比，所提方法在PSNR、SSIM指标上平均提高0.03、0.0002，在参数量、计算量、运行时间上平均降低2.66×10⁶、130×10⁹、930 ms。