基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果,需先对图像进行优化检测和识别,提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法.首先,通过对原始医学超声图像进行自动标注,构建医学超声图像灰度分布矩阵,利用分布矩阵完成医学超声图像的多尺度分割;其次,构建医学超声图像多尺度边缘的轮廓模型,提取多尺度图像边缘特征;再次,构建深度...     

基于U-Net改进的青光眼眼底图像诊断算法

青光眼是造成不可逆性失明的主要原因之一,患病早期无明显症状,容易错失最佳治疗时间。因此,青光眼的早期诊断具有重要临床意义。杯盘比是临床上用于青光眼诊断的重要指标之一,大都由医生人工测量和计算,容易受到主观因素影响且费时费力。为解决此问题,提出了一种基于U-Net改进的眼底图像视盘视杯分割算法,采用固定卷积核数提出少量关键特征。实验表明,所提算法不仅保证了高质量的分割效果,并且具有训练时间少、参数量小、加轻量化的特点,改进后算法有助于青光眼早期筛查智能化应用的推广。     

基于深度学习的中文票据文本检测与识别方法

针对票据在识别时出现数据漏检率高、识别精度低的问题,提出文本检测模型ENCRAFT与识别模型DLCNN。在文本检测模型CRAFT的基础上,ENCRAFT修改其原始的特征提取网络的结构,利用未经池化的特征图进行融合,减少了细小特征的丢失,并增大监督特征图的分辨率,以提供更丰富的监督信息,从而提高模型检测率;DLCNN利用深层的卷积网络与浅层的循环网络实现对中文票据的高精度识别。实验结果表明,该方法在多个票据数据上的检测率与识别精度均有明显提升。     

基于点云语义分割算法的下颌角截骨面设计

下颌角截骨手术是近年来较为热门的颅面整形手术.现阶段,下颌角截骨的术前方案设计通常由具有一定年资的医生完成,过程繁琐且耗时较长.为了提高截骨手术术前规划效率,提出一种基于点云语义分割网络的下颌角截骨面设计方法.对颅骨电子计算机断层扫描(CT)数据进行三维重建和表面点采样,将下颌骨三维模型转换为点云数据,然后通过基于Transformer的点云语义分割网络预测下颌骨点云中的截骨区域,最后根据点云分割结果计算出下颌角截骨平面.所提网络主要包括两个部分：一是基于注意力机制的本地特征提取层,用于提取细粒度局部结构信息;二是基于Transformer的非本地特征提取层,用于提取点云的全局上下文信息.在构建的下颌骨语义分割数据集上,将所提算法与其他点云语义分割算法进行比较.结果表明：所提算法能实现最佳的下颌角截骨区域预测,优于目前常见的点云语义分割算法.     

黄土地区某铁路专用线路基动力响应规律

为了研究移动列车荷载下黄土地区某铁路专用线动力响应规律,结合现场测试数据及2.5D有限元计算结果评估了新建货运线路和临近既有线列车运行情况下路基动应力分布规律及影响深度,讨论了沿线办公区环境振动规律.结果表明,轨道系统的过度抽象会导致路基内部动应力幅值和影响范围偏大,道砟-枕木-紧固件系统的实体化建模使得路基内部动应力分布更为合理.路基处于拟静力状态时动力蠕变引发的能量消耗对路基动力响应的影响可以忽略.货运列车低速运行时,车速对路堤内部动应力分布影响微弱,动应力影响深度约为4.2 m.此外,车速越低,轨道不平顺对场地环境振动的影响越明显.改善轨道短波不平顺是控制环境振动的有效措施.     

基于CAD模型虚拟仿真数据的深度学习目标检测

有效的深度学习网络在训练过程中所需数据规模大,而数据的采集与标注极为耗时耗力,限制了深度学习在工业上的应用范围.针对该问题,基于工业生产中常用的CAD模型,结合实际的工业应用背景,设计了一套参数化生成虚拟仿真工件图像数据集的方法,避免工业现场繁琐的平台搭建与数据采集过程.同时,提出一种基于YOLOv3的改进深度学习网络...     

MADDPG算法并行优先经验回放机制

多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算法是深度强化学习方法在多智能体系统(multi-agent system,MAS)领域的重要运用,为提升算法性能,提出基于并行优先经验回放机制的MADDPG算法.分析算法框架及训练方...     

基于经验模态分解的多模型融合售电量预测模型

售电量预测的精度是影响售电公司利润的一个重要因素.传统售电量预测方法难以解决售电量数据序列的趋势性、周期性与随机性等问题.为此,本文提出一种多模型融合的售电量预测方法.首先,采用基于经验模态分解方法将日和月度售电量分解为高、中、低频分量,构建三种独立的基模型,分别对不同频分量进行预测;然后,基于历史数据和同期的外部因素...     

2019年微纳米力学热点回眸

微纳米尺度下材料的力学性能与样品的尺寸和表界面等物理量密切相关,因此纳米材料的力学性能可以在很大范围内进行高效的调节,使得纳米材料能够拥有超轻、超硬、以及高断裂强度和高韧性等卓越的力学性能。从尺度缺陷效应和生长机理、屈曲机理分析和应用、界面力学性能和应用、生物和软物质力学性能、软体机器人、机器学习等方面盘点了微纳米力学2019年取得的研究成果。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。