2022年河北省血站质控实验室室间质量评价——HeBEQA项目回顾性分析

目的 基于河北省省内各血站形成可比口径的愿望,对省内12家血站开展质控实验室室间质量评价项目,以探讨检测的准确性与可比性,提高检测能力和质量管理水平。方法 参照国家卫生健康委临床检验中心的实验室室间质评活动检测规则,结合质评品样本的说明书操作规范,参评实验室按实验室日常的检测流程进行检测。设置的质量指标项目有血细胞计数(WBC、RBC、Hb、HCT、MCV、MCH、MCHC、PLT 8项)、生化项目(总蛋白含量1项)、凝血项目(纤维蛋白原含量、Ⅷ因子含量2项)。结果 各单位在实验室人员操作、仪器设备维护保养、试剂批间差影响等方面仍存在问题,尤其在生化项目和凝血项目上体现明显。生化项目合格率最低,仅为72.75%。血细胞计数的合格率最高,达98.75%。结论 随着本年度项目的逐步推进,各单位质控实验室的日常血液抽检的质量监测水平得到了提高。但仍需及时发现和总结不足,向高标准实验室看齐,在省内血液质量控制方面达成一致。

基于RBF-SVM的草地高光谱图像分类

高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性。利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400~1000nm)草地图像,采用多元散射校正(multiplicative scatteRcorrection,MSC)进行预处理;特征提取使用主成分分析(principal component analysis,PCA)白化法,选择最佳主成分作为支持向量机(support vectoRmachine,SVM)的输入,结合K折交叉验证法自动进行参数调优。比较不同SVM核函数对应的草地高光谱图像自动分类的识别结果,其中以基于高斯径向基核函数的支持向量机(RBF-SVM)分类结果较优,全局分类准确率(overall accuracy,OA)为98.89%,Kappa系数为0.99,分类时间为0.053098s,且优于梯度迭代决策树(gradient boosting decision tree,GBDT)及K近邻算法(K nearest neighboRalgorithm,KNN)。结果表明高光谱成像结合MSC-PCA白化-SVM(RBF)算法建立的识别模型可高效快速、准确无损地实现草地分类。

O_2-共享图书大学生创业项目研究

基于社会处于快速发展的状态,人们对知识的需要也逐渐扩大,将书籍共享到社会的各个层面便显得格外迫切。通过建立自己的线上图书共享平台并结合线下的图书共享服务,致力将共享理念应用到图书的阅读之中,充分利用社会资源,推动社会文化的发展。

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥感光谱图像,但其整体分辨率略低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光谱成像系统采集可见-近红外光谱(400~1 000 nm)的草地高光谱图像,通过基于方差选择的降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,GaussianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波(SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw)法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度和Kappa系数平均值分别提高2.995%和0.050 25。同等情况下比较GaussianNB模型和SVM模型,在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少,OA值达到99.33%,Kappa系数为0.99,测试时间为0.002 022 s。研究结果表明,基于方差选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高效快速的牧草种类识别。

基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判断,为实现草地牧草自动分类与数字化治理提供了新的途径。本文提出了基于MSRA初始化卷积神经网络的草地牧草高光谱图像自动识别与分类的方法。主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节,首先预处理采用改进的自适应波段选择法进行波段提取,然后将提取后的数据压缩成新图像进行裁剪,最后进入MSRA初始化卷积神经网络提取特征并进行识别分类。本文针对卷积神经网络的鲁棒性、稳定性和识别率等问题创新性的提出了MSRA初始化方法,通过初始化设置参数和权值,使网络的性能得到提升,提高识别准确率。本文对实地采集的蒙古冰草、老麦芒、紫羊毛草、燕麦、黄花杂交苜蓿、光穗冰草6种牧草进行识别分类,为保证实验的可靠性与准确性,对训练集和测试集进行多次划分及多次交叉验证实验。实验结果表明,本文提出的MSRA初始化卷积神经网络相比于SVM、KNN、2D-CNN等方法,对草地牧草高光谱图像的识别准确率较高,达到96.50%。实验结果证明本方法具有良好的分类性能和可行性,为草地牧草的识别分类提供了新思路。

基于G-R分量与K-means的马铃薯病虫害图像分割

针对复杂背景下马铃薯病虫害图像色彩复杂多样的问题,提出了一种基于G-R分量与K-means的图像分割方法。该方法首先提取G-R分量灰度化图像,然后对图像进行中值滤波和形态学变换操作以去除部分背景,最后将处理过后的图像转换到L*a*b*色彩空间并提取ab分量进行K-means聚类分割。本文利用该方法将暗头豆芫菁及芫菁、马铃薯重花叶病毒病及马铃薯黄痿病病斑从原彩色图像中准确提取了出来。该方法能够较为准确、完整地将目标病虫害从彩色图像中提取出来,在马铃薯病虫害治理方面有较好的应用价值。