课程文献中心 更多>>

关键词： 鼻咽癌   视交叉与视神经分割   混合池化策略   深度监督   残差反馈  

摘要： 目的提出并验证一种新的基于多尺度监督与残差反馈的深度学习分割算法(DSRF),以实现对鼻咽癌患者CT图像中小器官-视交叉和视神经的精确分割。方法收集来自SegRap2023、StructSeg2019和HaN-Seg2023公开数据库的212例鼻咽癌患者CT图像及其真实标签。为解决传统卷积神经网络在池化过程中小器官特征丢失的问题,设计一种基于混合池化策略的解码器,利用自适应池化和平均池化技术将高级语义特征逐步细化并融合低级语义特征,使网络学习到更细小的特征信息。采用多尺度深度监督层,在深度监督下学习丰富的多尺度、多层次语义特征,以提高对视交叉和视神经边界的识别能力。针对CT图像中视交叉和视神经对比度低的挑战,设计可使网络多次迭代的残差反馈模块,该模块充分利用模糊边界和易混淆区域的信息,通过监督迭代细化分割结果,并结合每次迭代的损失优化整个分割框架,提高分割精度和边界清晰度。采用消融实验验证各组件的有效性,并与其他方法进行对比实验。结果引入混合池化策略、多尺度深度监督层和残差反馈模块的DSRF算法能有效提升小器官的特征表示,实现视交叉和视神经的准确分割,其平均DSC达到0.837,ASSD低至0.351。消融实验进一步验证DSRF方法中各组成部分的贡献。结论本文提出的基于多尺度监督及残差反馈的深度学习分割算法能有效提升特征表示能力,实现视交叉和视神经准确分割。

关键词： 人工智能   YOLO系列算法   电力行业   目标检测   改进模型   未来趋势  

摘要： 为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。

关键词： 光伏并网逆变器   低电压穿越   相关性分析   雪消融算法   参数辨识  

摘要： 为获得准确的光伏逆变器低电压穿越(low-voltage-ride-through,LVRT)模型参数以满足光伏并网系统安全可靠的要求,提出了基于雪消融算法(snow-ablation-optimizer,SAO)的光伏并网逆变器低电压穿越模型多阶段参数辨识方法。首先,基于光伏发电系统低电压穿越输出曲线特性,建立了光伏低电压穿越控制数学模型并分析故障暂态过程,明确了低电压穿越过程的核心控制参数。其次,针对内环PI控制参数与LVRT的耦合性和相关性问题,提出多阶段辨识策略。最后,依据实际工程参数对光伏逆变器建模,利用雪消融算法对内环控制参数与LVRT参数进行辨识,仿真算例表明了所提辨识方法的有效性。

关键词： 医疗数据分析   岭回归   卷积神经网络   识别预测   数据映射  

摘要： 为了对医疗财务领域产生的海量数据进行识别和趋势预测,文中提出了一种基于改进岭回归的数据识别与预测算法。模型利用具有自注意力机制的卷积神经网络对数据的特征进行提取,并分配相应的权重,然后通过改进的岭回归算法进行风险预测。在岭回归算法中引入核函数,将非线性数据映射到高维空间实现数据的精准回归预测。以6家大型医疗机构的数据集为样本进行实验,结果表明,所提模型算法的预测精确率达95.4%,召回率为94.6%,F1分数为94.8%,高于传统的主流机器学习算法模型,证明了该算法模型的有效性,能够对数据进行风险预测。

关键词： 算法技术   旅游情感   算法偏见   旅游   大数据  

摘要： 作为数字时代的新质生产力,算法已然成为助推社会发展的关键驱动。聚焦风险视角,采用半结构化访谈法,尝试探讨算法应用对旅游情感研究的赋能机制,厘清算法应用于旅游情感研究的风险问题,揭示滋生风险的现实肇因,总结归纳风险治理的可行举措。研究发现,算法应用对旅游情感研究的赋能机制可细分为算法对消费者和生产者供需双方的赋能。算法应用对旅游情感研究的风险表现为隐私泄露、算法偏见、伦理失范、技术失控等问题,其风险成因主要有算法技术局限、数据质量不佳、企业应用失当、监管制度滞后等。为此,需要通过强化隐私保护、消除算法偏见、坚守伦理底线、加强技术管控等综合施策,打通算法应用过程中旅游情感风险治理的堵点、痛点、难点问题。

关键词： 轮胎   YOLOv7模型   损伤检测   注意力机制   损失函数   深度学习技术  

摘要： 提出基于YOLOv7改进模型的轮胎损伤检测模型(简称TD-YOLO模型)。TD-YOLO模型融合了无参数的卷积神经网络注意力机制(SimAM),增强了模型的特征学习能力;改进了损失函数,增强了对鼓包、裂纹、嵌入异物检测的准确性和敏感性;在网络结构输出端引入空间到深度(SPD)模块层构建了新的卷积神经网络(CNN)模块,可以提升小目标损伤检测的准确率;TD-YOLO模型的平均检测精度为0.916,比YOLOv7模型增大了0.069。TD-YOLO模型的综合性能好,其具有较高的推广应用价值。

关键词： double-channel loop iteration   bilateral filtering   image edge gradient   maximum a posteriori probability   image deblurring  

摘要： Photographs taken in daily life often became blurred due to shaking,out-of-focus,changes in depth of field,and movement of photographed *** at this problem,a double-channel cyclic image deblurring method based on edge features was ***,image edge gradient operator was introduced as a threshold based on the rule that the maximum value of the image edge gradient will decrease after the blurring process,making the blurred image be divided into two channels:edge channel and non-edge ***,a double-channel loop iteration network was designed,where the edge gradient was used in the edge channel to sample the main edge structure and bilateral filtering was used in the non-edge channel to extract the detailed texture feature ***,the feature information extracted from two channels was cyclically iterated to obtain a clear image using the deblurring model with maximum a posteriori *** experimental results showed that the image evaluation indexes obtained by the proposed deblurring model were superior to those of other algorithms,and the edge structure and texture details of the image were effectively recovered with better performance.

关键词： 混合果蝇优化算法   芯片图像   边缘特征增强   蛙跳算法  

摘要： 针对芯片图像边缘点定位不精准,图像边缘特征增强不佳的问题,提出了混合果蝇优化算法下芯片图像边缘特征增强方法。使用果蝇优化算法划分图像邻域,使邻域噪声相互抵消,达到降噪的目的。使用蛙跳算法对每个模因组深度搜索,计算果蝇更新位置的最大值,获取边缘检测结果,达到全局寻优的目的。设计混合果蝇优化算法区间搜索流程,提取待增强标定芯片图像边缘特征,从而获取真实图像边缘特征。实验结果表明,所研究方法获取的坐标与实际坐标的最大误差为0.01 cm,获取的图像边缘完整且清晰,具有良好的芯片图像边缘特征增强效果。

关键词： 路径规划优化   A~*算法   DWA算法   复杂环境   动态避障  

摘要： 随着移动机器人在工业自动化与服务领域的广泛应用,如何在复杂环境中实现精准导航与高效路径规划,已成为亟待解决的关键问题。尽管传统A*算法(A-star Search Algorithm, A*)和动态窗口算法(Dynamic Window Approach, DWA)在导航中取得了一定成效,但它们在应对动态环境和实现全局最优路径规划方面仍存在显著局限。文章分析了这2种算法的特点,探讨了两者的优化策略,提出了一种基于A*与DWA算法的协同路径规划策略。实验结果表明,该研究不仅显著提升了路径规划效率,还保持了较高的成功率,为移动机器人在多样化场景中的高效应用提供更加可靠和精准的路径规划方案。

关键词： 水下多目标跟踪   前视声呐图像   轻量化   YOLOv5   Fair MOT  

摘要： 水下声呐图像存在背景噪声严重等问题,导致水下分类器输出大量检测低置信度对象。而现有的水下多目标跟踪框架大多简单排除低置信度目标,导致跟踪轨迹中断。本文提出一种低检测置信度下水下多目标跟踪算法YOLO-Fair MOT;引入多通道随机混合注意力模块,抑制背景噪声的影响;采用深度可分离卷积降低模型复杂性,提升跟踪过程的整体速度;结合低置信度数据匹配算法与广义交并比匹配算法,改善跟踪轨迹的中断问题。实验结果表明,YOLO-Fair MOT算法具有更好的跟踪准确度、跟踪精确度、轨迹保持性以及检测速度。