基于DBAFFNet的低照度图像增强

针对当前低照度图像增强后存在色偏、细节损失和噪声放大的问题，提出了基于双分支自适应特征融合网络的低照度图像增强方法。首先，设计自适应特征融合模块，在深层特征中融合更多细节和颜色信息；其次，构建通道及空间注意力模块，使网络着重于图像细节和颜色的恢复；最后，根据Retinex理论设计Poisson-Retinex损失函数，抑制图像的噪声，从而提高图像的增强效果。在多个数据集上的主观和客观对比结果表明，所提方法不仅能恢复增强图像的颜色和细节，而且能更好地抑制噪声，从而获得良好的增强效果。     

一种基于二维局部Lagrange插值的曲面重构算法

在拉格朗日插值理论的基础上，给出了一种基于局部二维拉格朗日插值的曲面重构算法，并讨论了重构曲面的连续性，从理论上保证了重构曲面的光滑性，为了更好地评价此算法的性能，选择可用数学表达式表达的曲面作为重构对象，实验结果表明：此算法在保证重构精度的前提下，减少了重构的时间。     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于空间连通性的快速曲面重建算法

为提高用标准移动立体法进行等值面提取的速度,提出了一种改进算法。算法利用体元的空间连通关系,实现只访问和处理那些与等值面相交的体元;采用缓存技术记录已处理过体元的顶点信息,避免了重复计算,从而提高了重建的效率。文中还给出了接近于最佳搜索七一近邻速度的空间分块方法,大大提高了散乱数据点的处理效率。应用实例说明,算法的效果良好。     

变分辨率的曲面重建算法

在研究平均二次误差与曲面曲率关系的基础上,提出了变分辨率的曲面重建算法。该算法首先在给定的平均二次误差门限下,自适应于曲面曲率大小,将最小立方体包围盒按八叉树结构分割成许多大小不同的立方体,并在立方体内部用Marching cubes（MC）算法进行等值面提取;然后用垂直投影法对大小不同且又相邻的立方体间产生的缝隙进行拼接,并输出最终的网格模型。算法的主要优点是能自动用较大和较小的三角形分别去逼近曲面的小曲率和大曲率区域,不但能够恢复模型的细节,而且大量减少了三角形数目。应用实例表明,算法效果良好。     

基于粗糙近似空间中的模糊信息表示

粗集理论与模糊集合理论都是研究信息系统中知识不完备、不准确问题，两者都可利用观测数据表达知识，进行推理。针对传统粗集环境下知识表示模型用固定的属性集来描述对象这一局限，提出利用模糊属性模型对知识表达系统进行信息描述，并给出了模糊属性模型下对象及其上下近似空间的模糊表示。     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

三维残缺数据的神经网络修补方法

针对常用的三坐标测量设备在对物体表面采样时造成的局部区域数据残缺问题，提出了一种三维残缺数据的多层感知器神经网络修补方法。该方法首先用矩形框在残缺数据的边界附近获取样本点集，并以其最小二乘拟合平面为基础建立局部坐标系；然后，在此局部坐标系下，将训练后的MLP网络仿真曲面用于残缺区域数据点重采；最后，将重采点集经坐标反变换后去替代原始点云数据中的样本点集。仿真和真实残缺数据的修补实验结果表明，此方法具有较高的修补效率和精度，可获得满意的修补效果。     

基于水平集的钢轨焊缝区域定位方法

针对现有钢轨焊缝错边量测量方法在不同光照环境下适应能力不强、定位精度不高、稳定性不好的问题，提出了基于水平集的钢轨焊缝区域定位方法。首先，采用水平集对预处理后的焊缝图像进行轮廓分割，将焊缝与轨腰、轨头和背景进行分离；其次，采用面积排序和连通域相结合的方法排除轮廓干扰，实现焊缝轮廓的粗定位；再次，采用两次排序法实现焊缝轮廓的精定位；最后，对焊缝轮廓中横坐标采用排序法实现钢轨焊缝区域的自动定位。通过模拟不同的光照环境，对60 kg/m钢轨焊缝区域进行定位实验，验证了该方法具有适应能力强、精度高和稳定性好的优点，可用于焊轨基地焊缝错边量的自动检测。     

基于YOLOv3与分水岭的直升机桨叶欠曝光图像圆形标记点检测

针对现有的直升机桨叶欠曝光图像中圆形标记点检测方法存在自适应能力不强、速度慢、精度不高的问题，提出了基于YOLOv3（you only look once）与分水岭的直升机桨叶欠曝光图像圆形标记点检测方法.首先，将采集的真实桨叶欠曝光图像中的圆形标记点进行标注后，制作成数据集，并训练YOLOv3网络；其次，用训练好的YOLOv3网络检测出圆形标记点区域；再次，改进传统分水岭标记提取方式，采用多线程技术并行在各圆形标记点区域内进行分水岭变换，得到圆形标记点边缘检测结果；最后，采用最小二乘圆拟合和奇异点去除法实现圆形标记点的精确定位.研究者通过对多幅欠曝光桨叶图像中圆形标记点进行检测实验，验证了该方法具有自适应能力强、速度快、精度高的优点，并已将其用于直升机桨叶欠曝光图像圆形标记点的检测.