针对工业生产中印刷电路板(printed circuit board, PCB)缺陷检测精度和实时性不高的问题，本文提出了一种基于LightRT-DETR的PCB缺陷检测算法。首先，设计了一种高效的主干网络EfficientFastGLU-18，该网络通过引入部分卷积(partial convolution, PConv) 和卷积门控线性单元(convolutional gated linear unit, convolutional GLU) 机制来降低ResNet-18架构的计算复杂度和参数量，同时保持较好的特征提取能力。其次，采用级联分组注意力机制替代了RT-DETR中的多头注意力机制，通过特征分割与级联，增强输入特征的多样性，并降低不必要的计算开销。最后，提出了一种高效选择性特征金字塔网络(efficient selective feature pyramid network, ES-FPN)，其主要由特征选择模块和串联RetBlockC3的特征融合模块构成，增强对细微缺陷的检测能力的同时减少计算冗余，从而实现更高效的实时缺陷检测。实验结果表明，本文改进的模型的mAP50达到了98.3%，mAP50-95值较基准模型RT-DETR提高了11.1%，GFLOPs下降了34.7%，Params降低了35.3%，FPS提升了约5.1%。这些优化使得LightRT-DETR模型在移动设备或嵌入式系统中更加适用。

针对无人机航拍图像目标尺度差异大、空间分布不均衡，以及复杂背景下易出现的漏检、误检问题，本文提出一种语义引导与多维特征感知的无人机航拍图像目标检测方法。首先，嵌入自适应多维特征采样单元，通过多路径交互增强局部与全局特征协同融合，提高对多尺度特征的提取能力；其次，构建高效自适应池化层(spatial pyramid adapt pool-fast, SPAPF)池化层，保留特征细节与结构信息，并减少计算冗余，加快推理速度；然后，提出跨空间全局信息整合模块，利用跨空间多头自注意力机制增强对局部密集目标的全局感知能力，改善误检问题；最后，设计语义引导特征融合模块，实现浅层细节与深层语义特征高效融合，并集成一个针对小目标的附加检测头，提升定位和分类精度。在VisDrone2019和VisDrone2021数据集上进行的实验结果表明：本文算法的mAP@0.5达到46.8%和44.7%，较基线模型提升了7.2%和6.5%，优于其他对比算法，显著减少误检、漏检情况。

小目标检测一直是计算机视觉处理中一项极具挑战性的任务，针对传统无人机航拍图像小目标多且密集，而传统检测算法存在漏检、误检的问题，提出一种基于频域感知特征融合的FFC-YOLO (FASFF-FreqFusion-CAA YOLO)目标检测算法。首先，通过增加P2检测层，重新设计了针对小目标检测的Detect-FASFF (four adaptively spatial feature fusion)检测头结构。然后，将传统的特征融合采样方法替换为频率感知特征融合FreqFusion (frequency-aware feature fusion)方法并结合BiFPN (bidirectional feature pyramid network)结构提升了算法处理密集小目标图像的能力。最后，在C2PSA模块中加入CAA (context anchor attention)注意力机制，增强了目标上下文特征信息的关联。在VisDrone2019数据集中，基于FFC-YOLO目标检测算法的mAP@0.5为40%，较传统算法如Fast-RCNN、RetinaNet分别提升了28.4%、18.6%，较YOLO算法如YOLO v8n、v10n、v11n分别提升了8.0%、7.6%、7.8%。在自建小目标数据集tiny-data中，基于FFC-YOLO的3类目标sperson、lperson和wperson的检测结果较YOLOv11n，mAP@0.5、P、R分别提升了9.2%、8.7%、5.9%。实验结果表明，FFC-YOLO小目标检测算法能够更好地应用于无人机航拍图像检测领域。

为克服单模态目标识别定位方法在复杂环境下的固有局限，提出了一种基于CNN-Transformer框架的红外-可见光多模态目标识别定位网络。网络利用分组卷积单元构建CNN分支从局部角度挖掘可见光目标信息，同时以特征聚合的自注意力机制构建Transformer分支从全局角度提取红外目标特征。其次，设计多模态融合结构，以自适应加权策略实现特征互补。最后，引入多尺度特征动态调节机制，从空间与通道角度缓解特征冲突，为增强网络的尺度不变性。实验结果表明：所提网络能够充分挖掘并融合不同模态目标特征，与同类型网络相比，该网络也体现出更高的精确性和鲁棒性。

为实现痕量气体的高灵敏度检测，本文提出了一种基于反谐振空芯光纤的全光纤气体检测系统，采用光纤环形腔衰荡光谱技术对一氧化碳(CO)气体进行测量。通过VPI光学仿真软件和有限元方法搭建该系统的仿真模型，对不同体积浓度梯度的CO气体开展仿真实验。结果表明：通过引入掺铒光纤放大器补偿腔内损耗并进行增益调谐，系统灵敏度较未放大系统提高约16.7倍。针对0%~0.02%体积分数梯度的CO气体，最大平均相对误差为0.4%。该系统的灵敏度为0.795 s，稳定性为 0.82%，对CO气体体积分数的最低检测限为3.0757×10⁻¹¹。此研究对于痕量气体检测的性能优化具有理论指导意义。

矿区道路落石实时精准检测对矿区安全生产意义重大。矿区落石存在目标微小、光照剧烈变化、恶劣天气干扰等挑战，导致传统单模态检测在低能见度下失效，现有双模态融合方法面临网络结构复杂、计算开销大、难以兼顾实时性与小目标检测精度等问题。为此，本文提出新型红外与可见光渐进式融合检测算法，首先设计基于小波变换的WTSterm下采样模块并优化MobileMamba骨干网络结构，以减少微小落石细节特征损失，实现红外与可见光特征高效提取；其次设计MambaFusion 跨模态融合模块，结合 Mamba 全局建模能力与卷积局部细节保留特性，通过动态状态转移和门控机制实现红外与可见光特征高效互补融合；最后结合尺度与位置敏感损失函数 (SLS Loss)以增强模型对微小目标的敏感性并优化定位精度。在自建露天矿落石数据集上的实验显示，该算法将精度、召回率和mAP_0.5分别提升至 0.856、0.715和0.721，推理速度为16 ms，有效提升复杂场景下小目标落石的检测性能与鲁棒性，为矿区道路安全实时检测提供有效方法。

片上集成光子学通过将复杂光学功能高度集成于微纳芯片，为高速、大容量、低损耗的光信息传输与处理提供了革新性平台。作为片上系统的核心单元，波导结构虽能有效实现光信号的片内传输与操控，但如何高效地将导波转化为可传递至远场的自由空间光场，并精准调控该空间光场的光学特性，仍是该领域亟待解决的关键难题。本文从导模辐射机理出发，系统综述了基于该原理的多种片上超表面实现方案，重点探讨了此类片上超表面在辐射光场的多自由度调控(包括导模辐射的振幅、相位、偏振态)，以及面向空间、模式、偏振与频率等多维度的多通道复杂波前独立操控方面的研究进展。最后，总结了该领域当前面临的挑战并对未来发展方向进行了展望。

针对现有对抗性图像隐写方法跨模型泛化能力不足且含密图像质量低的问题，本文提出一种融合被动防御与主动攻击的双策略图像隐写模型。被动防御模块基于生成对抗网络，生成器采用双流U-Net架构同步处理载体图像与其边缘信息，结合SE-Net注意力机制动态分配特征权重，生成更适合信息嵌入的载体图像；主动攻击模块基于神经元归因结果，定位并扰动各类隐写分析模型判别时所依赖的共同关键特征，针对性优化嵌入方案，从而引导各类隐写分析模型做出错误判断。通过动态调整损失权重系数，驱动两个模块性能递进，最终实现全局优化。实验结果表明，生成的含密图像平均PSNR达到40.89 dB，平均SSIM为0.9783，相比于CR-AIS、Natias检测准确率ACC分别降低了3.69%、1.91%，实现了跨模型泛化能力与图像质量的协同提升。

针对复杂背景下锻件表面缺陷形态多样、尺度多变及检测精度与效率难以兼顾等问题，本文提出一种基于RT-DETR架构改进的自适应多尺度融合的上下文检测模型 (MCF-RTDETR)。首先，采集重型卡车转向节生产流水线中的磁粉探测图像，构建锻件表面裂纹缺陷数据集。其次，在骨干网络中引入多向梯度融合卷积 (MGFConv)，通过多方向卷积自适应增强细长裂纹及微小缺陷的方向感知与边缘提取能力；同时，在颈部网络中嵌入上下文感知递归特征金字塔 (CARFPN)，根据局部上下文语义强度为不同尺度特征分配动态权重，实现对尺度变化与背景复杂性的自适应融合。最后，采用Focaler-MPDIoU边界框回归损失函数，对样本难度与几何比例进行自适应调节，提高长条状缺陷的定位精度与边界拟合能力。实验结果表明，MCF-RTDETR相较基准模型mAP提升2.3%，计算复杂度由58.3 G降低至33.5 G，推理速度达到137.2 f/s；在GC10-DET数据集上mAP提升了2.8%，验证了其检测精度与泛化性能。

本文针对传统锁相放大器硬件扩展性不足、软件灵活性有限的问题，提出一种基于LabVIEW FPGA架构的可编程锁相放大系统。采用LabVIEW图形化编程实现任意波形生成、相敏检波以及低通滤波等功能，将待测信号传输进FPGA后，与本地振荡信号混频得到解调信号，完成数字锁相放大的基本功能。调用上位机通信UDP的IP核完成四线握手，通过FPGA千兆以太网通信，软硬件协同设计，实现调制参数的动态优化及实时监测。将该数字锁相放大器结合TDLAS技术开展痕量氧气的探测，使用中心波长为760.59 nm激光器对0.02%~15.00%浓度范围内的氧气进行二次谐波信号的实时探测与标定实验，验证了系统的可行性和实用性。氧气浓度和二次谐波信号的拟合相关系数R²高达0.999，计算分析得到该系统的氧气检测极限为2.8×10⁻⁵。该设计能够在多参数连续可调、高实时性要求的光谱分析场景中展现出显著优势，对微弱信号检测技术的应用发展具有推动作用。

针对不同底纹背景颜色的印制电路板 (printed circuit board, PCB)微小缺陷检测样本少、效率低、检测算法参数量大和精度低的问题，本文基于YOLOv8n框架提出了一种轻量化检测模型PCB-YOLO。首先，对原始的多种颜色背景的大幅面PCB数据集进行数据预处理，通过灰度变换和切片操作得到适合YOLOv8输入尺寸的PCB数据和降低颜色背景干扰影响，防止PCB的微小缺陷在缩放的过程中丢失；其次，考虑到PCB存在小目标缺陷的占比较大问题，通过结合SimAM注意力机制和合并切片操作，设计Conv_SWS (SimAM with slicing)模块，替代传统的下采样方式，保留小目标的关键信息，从而增强PCB中微小目标缺陷的特征提取并提高检测准确性；然后，对YOLOv8中原有的C2f模块进行改造，引入部分卷积 (PConv)对关键特征通道进行综合计算，设计FBC2f模块，用于增强特征提取能力并减少模型参数量；最后，采用基于Wasserstein距离的度量标准NWD (normalized Wasserstein distance)与标准IoU (intersection over union)结合改进损失函数来加速模型收敛，进一步提高YOLOv8对微小目标的检测能力。实验结果表明，与原始的YOLOv8n相比，在PCB缺陷检测数据集上的PCB-YOLO模型的参数减少了23.6%，mAP₅₀提高了2.9%，达到95.6%。在工业铝片表面缺陷、PKU-Market-PCB缺陷数据集上的泛化性实验也验证了PCB-YOLO模型的有效性。

全息存储具有高存储密度、长寿命、高速率等优点，是解决大数据时代海量数据存储的有效方法之一。深度学习可用来结合全息存储系统解调复振幅信息。本文聚焦全息存储系统中衍射距离、衍射强度图像、深度学习解码的关联机制，探究不同衍射距离下强度图像对复振幅信息的表征差异及对深度学习模型的影响规律。本研究明确了超采样率与衍射距离的关联规律：超采样率越高，获取特定对比度强度衍射图所需的衍射距离越远。在超采样率20、衍射距离1.4 mm条件下，强度衍射图的复振幅特征与 Unet 特征提取机制高度匹配，可提升相位、振幅特征映射效率，使训练前期误码率快速趋近0，实现复振幅精准解调并提升全息存储保真度。该条件下的匹配规律，可为其他采样率的相关研究提供借鉴。