缺陷分类是钢铁表面缺陷检测的重要内容。在卷积神经网络（CNN）取得良好效果的同时，网络日益增长的参数量耗费了大量计算成本，为缺陷分类任务在个人计算机或低算力设备上的部署带来了巨大的挑战。针对上述问题，提出了一种新颖的轻量级网络模型Mix-Fusion。首先，通过组卷积和通道洗牌两种操作，在保持精度的同时有效降低计算成本；其次，利用一个狭窄的特征映射对组间信息进行融合编码，并将生成的特征与原始网络结合，从而有效解决了“稀疏连接”卷积阻碍组间信息交换的问题；最后，用一种新型的混合卷积（MixConv）替代了传统的深度卷积（DWConv），以进一步提高模型的性能。在NEU-CLS数据集上的实验结果表明，Mix-Fusion网络在缺陷分类任务中的浮点运算次数和分类准确率分别为43.4 MFLOPs和98.61%。相较于ShuffleNetV2和MobileNetV2网络，Mix-Fusion网络不仅降低了模型参数，压缩了模型大小，同时还得到了更好的分类精度。

针对复杂情况下肺实质的分割问题,提出了一种基于Random Walk算法对肺实质自动分割的方法。首先,根据胸部组织解剖学及其计算机断层扫描(CT)图像的影像学特征,在肺实质及其周围组织分别确定目标区域种子点和背景种子点位置;然后,使用Random Walk算法对CT图像进行分割,提取近似肺区域的掩模;接下来,对掩模实施数学形态学运算,来进一步调整目标区域种子点和背景种子点的标定位置,使其适合具体的复杂情况;最后,再次使用Random Walk算法分割图像,得到最终的肺实质分割结果。实验结果显示,该方法与金标准的平均绝对距离为0.44±0.13 mm,重合率(DC)为99.21%±0.38%。与其他分割方法相比,该方法在分割精度上得到了显著提高。结果表明,提出的方法能够解决复杂情况下肺实质分割的问题,确保了分割的完整性、准确性、实时性和鲁棒性,分割结果和时间均可满足临床需求。

针对如何检测数字图像内容是否完整、有无篡改,提高认证图像质量的问题,提出了一种基于二维直方图移位的图像认证算法。首先,在棋盘格结构中利用两种预测差值计算方法构建原始图像的二维直方图,由预先设定的参数选择可嵌入信道,并确定可嵌入信道峰值点的位置,将可嵌入信道移位。然后结合直方图信息嵌入方法将认证信息嵌入到图像分块中。在篡改检测过程中采用分层篡改检测方法,有效提高篡改检测准确度。实验结果显示,该算法不仅可以抵抗噪声攻击,而且当参数设定为2和4时,认证图像的平均峰值信噪比(PSNR)分别为52.37 dB和50.33 dB,进一步提高了图像质量。实结果表明,所提算法安全性高,可实现可逆水印,并准确定位出篡改区域。

针对肺部微小结节难于识别的问题，提出用聚类算法分析肺部感兴趣区域(ROI)的方法。为进一步提高运行速度和识别率，提出全权模糊聚类算法PWFCM，给每个样本及其特征分别赋予权值并引入新的隶属度约束改进收敛性；利用二次聚类策略降低不均衡ROI数据造成的低敏感度。对实际CT影像数据进行测试，实验结果表明：该聚类分析具有高敏感度和低假阳性率，能有效地检测出肺结节。

针对非线性动态系统PID过程控制问题，提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制，在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息，实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制，实验结果验证了模型和算法的有效性。