RNA恒温扩增实时检测痰标本结核分枝杆菌对肺结核的诊断价值

目的:探讨RNA恒温扩增实时检测(SAT)技术检测痰标本结核分枝杆菌(MTB)对肺结核的诊断价值.方法:选择2020年8月至2022年8月本院收治的1190例可疑活动性肺结核患者为研究对象.对患者痰标本行罗氏培养、抗酸染色、SAT检测,以痰培养结果为"金标准",分析SAT检测方法的诊断价值.结果:痰培养结果明确肺结核患者990例,非肺结核患者200例;SAT检测明确肺结核患者570例,非肺结核患者620例;罗氏培养法明确肺结核患者445例,非肺结核患者745例;抗酸染色法明确肺结核患者300例,非肺结核患者890例.与罗氏培养法及抗酸染色法比较,SAT检测对于肺结核诊断灵敏度、准确度、阳性预测值及阴性预测值分别为56.97%(564/990)、63.95%(761/1190)、98.95%(564/570)、31.29%(194/620),均高于罗氏培养法及抗酸染色法,差异均有统计学意义(P<0.05);特异度各检查方法比较,差异无统计学意义(P>0.05).结论:SAT检测痰标本MTB对肺结核诊断具有较高的应用价值,能在较短时间内提供诊断结果,且具有较高的诊断准确度,为临床进一步诊疗提供了可靠的参考依据.

基于SW-YOLO模型的航空发动机叶片损伤实时检测

孔探检测技术是航空发动机叶片损伤检测的主要手段,但目前依赖人工操作,耗时耗力。本文提出了一个孔探视频检测的SW-YOLO模型,该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先,在主干网络加入了空间通道注意力模块(Spatial Channel-Convolutional Block Attention Module,SC-CBAM),有效避免位置信息丢失,提高目标边界回归能力,相较于YOLOv5,其平均精度均值P_(A)@0.5提高了5.4%。其次,在颈部网络对特征金字塔网络(Feature Pyramid Network,FPN)进行了改进,通过融合低层特征,扩大了模型感受野,有利于较小损伤区域的检测,如烧蚀损伤,平均精度提高了8.1%。最后,通过与YOLOv5,Faster R-CNN,SSD模型的对比实验,结果表明SW-YOLO模型的平均精度均值分别提高了7%,6.2%,6.3%,检测速度满足实时检测需求,有利于提高航空发动机孔探检测的自动化和智能化水平。

水力机械空化实时检测技术研究

本文从空化现象的发生机理出发,开发出通过分析水力机械发生空化时辐射出的空化噪声时频特征的变化,判定水力机械空化发生及表征空化发生程度的实时检测技术。该技术已应用在包括贯流式、轴流式、混流式和水泵水轮机等水力机械型式的多个电站,具有安装便捷、安全可靠的特点,可以应用在水力机械优化运行和智慧机组建设等领域。

基于YOLOv7-tiny的轻量级苹果实时检测算法

针对苹果生长所处的自然环境复杂程度高、网络模型过大、难以在移动端部署等问题,提出一种基于YOLOv7-tiny的轻量级苹果实时检测方法。该方法引入CG-Block模块代替原YOLOv7-tiny网络的部分卷积,对原网络的ELAN-tiny结构进行修改,极大地减少网络规模,并提高检测精度;使用Mish激活函数代替原激活函数,增强网络的提取特征能力;采用CARAFE轻量级上采样算子,进一步提升网络的特征融合能力。试验结果表明,改进后的算法与原算法相比,mAP@0.5提高1.9%,准确率提高4.1%,参数量降低45.4%,计算量降低46.2%,模型规模减少43.9%,FPS达到196.1 f/s。改进后的算法在保持良好实时性的同时,提升检测精度,极大地降低网络规模,为网络模型在移动端部署增添可行性。

基于改进YOLOv5s的智能车间工人不安全行为实时检测方法

生产安全是以人为本的智能制造基本要求,为满足智能车间工人不安全行为的实时性检测和边缘端部署需求,提出一种基于轻量化的YOLOv5s的工人不安全行为检测方法。首先,对YOLOv5s特征融合网络以及输出层进行删除;其次,对改进后网络训练得到的模型文件进行结构化剪枝;最后,使用知识蒸馏对剪枝后的网络模型进行微调。实验结果表明,改进后YOLOv5s算法的mAP@0.5高达97.8%,刷新率提升108%,所需算力下降了69.0%。所提出的YOLOv5s-2Detect网络及轻量化设计方案对智能车间工人不安全行为检测具有较高的精度,实时性与鲁棒性能够满足智能车间实际环境中工人不安全行为的检测需求。

基于特征组合优化的工业互联网恶意行为实时检测方法

工业互联网中节点数据具有高维、冗余和海量等特性,传统的恶意行为检测模型无法对工业互联网恶意攻击行为做出快速且准确的判断,提出基于特征组合优化的工业互联网恶意行为实时检测方法.采用改进的相关性快速过滤算法和基于奇异值分解的主成分分析算法对工业互联网恶意行为样本数据进行特征组合优化,基于对称不确定性信息度量指标和近似马尔科夫毯准则进行特征相关性计算、冗余特征识别与排除,通过参数特征维度的不同配置得到若干候选特征组合;利用决策树评估器筛选出准确率最高的候选特征组合;通过奇异值分解的主成分分析进一步进行特征降维,得到低维高信息量的最优特征组合;结合极端梯度提升算法和优化的特征组合对工业互联网恶意行为样本进行分类,基于密西西比州立大学多分类电力系统攻击样本数据对本文方法进行了验证;实验结果表明,特征组合优化检测模型训练时间可缩减57.53%,单个样本的平均检测时间为0.002 ms,可减少23.99%,基于特征组合优化的检测模型的准确率、召回率和F1值较特征优化前分别提升了1.11%、1.25%和1.01%.本文方法的突出优势表现为在提升模型检测效果的同时可明显降低模型检测时间,能更好适应工业互联网的实时性要求.

基于纳米复合材料修饰微针的pH值实时检测电化学生物传感器

为了更好的监控人体生理状态,本文提出了一种基于纳米复合材料修饰微针的生物传感器研制策略。通过精巧设计与高性能纳米功能膜的构建,基于不锈钢针与金丝微针基底研制了两种各具优势的pH值实时检测传感器,实现了对pH值的实时检测。结果表明,生物传感器具有毫伏级输出电压,响应时间在秒级。综上,本文所提出的纳米微针生物传感器具有高灵敏,微创,响应迅速和结构简单的优点,可以有效地实现对pH的实时检测。

“体医结合”之太极拳健身效果实时检测的价值研究

文章以“体医结合”为形式,以太极拳运动为载体,利用综合大学多学科的优势条件,将体育、医学和心理学师资进行跨学科联合参与研究,通过调查问卷和试验仪器的实时检测,以直观图像和量化数据形式展示太极拳运动后对于大学生的健身效果,使他们实时了解太极拳运动对身心健康的影响,从而实现太极拳教学中理论知识与实践的相互结合,更好地弘扬太极拳这项民族传统体育运动。

基于压电振动传感器的骨折愈合状态模拟实时检测系统

为解决传统影像检查无法实时检测骨折愈合状态,以及植入式检测方法手术难度大、可能引起排斥反应的问题,设计了一种基于压电振动传感器的骨折愈合状态模拟实时检测系统。该系统主要包括5个部分:骨折愈合状态模拟、振动模块、振动信号调理模块、单片机控制模块和上位机。通过模拟环境采集骨折愈合状态的振动信号,然后通过单片机控制模块传输至上位机进行处理并实时检测。同时,对比分析朴素贝叶斯、决策树和随机森林集成学习几种不同算法在检测分类效果上的差异。结果表明,使用随机森林集成学习算法进行骨折愈合状态模拟的检测分类,响应时间不超过0.2 s,准确率达98.2%,这不仅保证了系统的实时性,而且提高了系统检测分类的准确性。

RAP级配自动实时检测系统设计及仿真分析

为快速、准确检测沥青路面回收料(reclaimed asphalt pavement, RAP)的级配,提高RAP级配的检测效率并降低人工操作对检测结果的影响,将目前检测RAP性能常用的设备与方法相结合,提出了一种对RAP含水率、RAP的油石比及其级配一体化检测的方法。同时,针对目前RAP检测存在的问题,设计了新型的RAP级配自动检测设备,实现了RAP级配的自动实时检测。首先,根据RAP级配的检测功能要求设计了检测设备的整体结构。其次,建立了检测设备核心关键结构振动筛分部件的仿真模型,采用EDEM离散元仿真软件模拟了筛分全过程;仿真采用控制变量法对振动筛中的集料颗粒在不同筛面倾斜角、振动频率、振动方向角等参数的情况下进行对比分析。最后,以符合标准要求的最优筛分效率为目标对振动筛进行优化设计。结果表明:当振动筛倾斜角为3°、振幅为4 mm、振动频率为16 Hz、振动方向角为63°时,振动筛各层筛网的筛分效率均达到91%以上,能够满足实际需要。证明了RAP级配自动实时检测系统能实现RAP含水率、RAP的油石比、级配的检测,为实现智能再生拌合站的研发提供可能,同时该检测系统也可代替人工作为日常沥青混合料级配监测的新手段。

YOLO人工智能技术在电视台台标实时检测中的应用

对于电视台播出信号中台标内容的实时检测是人工智能技术应用在安全播出领域的有益探索和创新实践。通过使用该技术可以辅助一线值班人员对播出信号中的台标内容进行实时检测,发现异态后第一时间进行告警提示,从而提高技监准确度并降低相关人员监看压力。本文介绍了采用YOLO人工智能技术检测台标的实现原理和技术方案,最后通过在实际应用中进行检验,验证应用的可行性。

基于高次谐波的隧道电缆实时检测系统研究

针对城市隧道电缆长期使用过程中会出现各种故障的问题,设计实时检测隧道电缆运行状态的系统。设备采用定点安装的方式,定时采集所检测隧道电缆的高次谐波,通过小波分析将各次谐波进行分解重组,最终得出各次谐波特征值(谐波含有量)。将处理后的数据输入专家数据库进行对比以判断电缆是否发生故障并得出其健康指数。定时采集得出的数据会被存储,供管理人员查看与了解电缆运行状态以及时排除安全隐患。该系统有助于保障城市用电安全,减少因电缆故障造成的城市断电事件以及安全事故的发生。

水下构筑物施工实时检测关键技术优化及应用

为了实现水下构筑物施工可视化,通过水下声学检测设备的选用、水下云台的研制,采用水下三维可视化技术,对传统的水下构筑物施工检测技术进行优化。结合浙江省岱山县某护岸综合整治工程,将三维声呐和惯导2套系统相融合,获取高分辨率、高定位精度的实时水下构筑物信息,并在仪器控制室终端实时显示水下构筑物及周边水底三维实时影像。工程应用结果表明:应用优化后的水下构筑物施工实时检测技术,可以实现水下施工作业实时可视化,能有效提高构筑物水下施工质量,解决施工人员安全性问题,提高水下构筑物安装布放施工效率。

基于改进YOLOv5的校园课堂实时检测人员研究

YOLOv5能够快速、准确地检测目标,但检测精度和召回率较低,难以适用于复杂场景。基于此,文章提出一种基于改进YOLOv5的校园课堂实时监测人员方法。引入挤压激励(Squeeze and Excitation,SE)注意力机制,采用非最大抑制(Non Maximum Suppression,NMS)改进,优化Mosaic增强数据对YOLOv5改进。实验结果表明,该方法的精准度、召回率、平均精度均值均优于对比模型,能够满足实际场景对校园课堂的检测要求。

高速公路隧道消防实时检测系统的设计研究

随着国内对高速公路的建设力度不断加大,在高速公路隧道建设的需求上也在不断增加。而车辆在高速公路上的运行不是高枕无忧的,为此,保障隧道内车辆和乘员的安全成为一个重要的课题。而消防系统作为隧道内的一项重要的安全设备,在隧道的应急管理、应急处置当中发挥着不可替代的功能。其实时检测功能尤为重要。因此,本文旨在研究隧道消防实时检测系统的设计要点,并评估其设计效益。以便实现更高效的应急响应和应急管理。

大幅宽SAR图像嵌入式舰船实时检测系统设计

针对星载或机载高分辨率合成孔径雷达(synthetic aperture radar,SAR)实时成像后的大幅宽SAR图像舰船实时检测的应用需求,传统的基于FPGA+DSP的嵌入式系统很难同时实现SAR成像处理和基于人工智能技术的大幅宽SAR图像舰船实时检测,为此设计了一种基于3U VPX FPGA+GPU架构的大幅宽SAR图像嵌入式舰船实时检测系统;提出了一种基于YOLOv5s的舰船检测模型,采用基于L2-范数稀疏性惩罚的缩放因子控制法进行轻量化,轻量化舰船检测模型的参数量减小了47.39%,计算量减少了18.67%,平均检测精度为0.968;将轻量化舰船检测模型应用于大幅宽SAR图像嵌入式舰船实时检测系统,并针对典型的10 km×10 km的大幅宽图像应用场景,设计开发基于多线程技术和基于GPU的众核并行计算技术的大幅宽SAR图像嵌入式实时检测系统软件;通过公开的SAR数据集进行功能验证和性能评估,该系统能够满足不同分辨率的大幅宽SAR图像舰船实时检测需求。

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至4尺度预测,并且在网络模型的颈部引入空间金字塔池化(spatial pyramid pooling,SPP)模块,以丰富特征融合信息,增大网络模型的感受野。其次,以煤矿巷道中的行人、电机车、信号灯及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类;对比分析结果表明,K-means++算法具有更好的聚类效果。最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步展示了不同改进措施对网络模型检测性能的影响;并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明:YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均精度均值(mean average precision,mAP)为95.35%,对小目标“碎石”的平均精度(average precision,AP)为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38%和41.66%;改进后算法的平均检测速度达58.7帧/s(frames per second,FPS),模型内存仅为26.3 Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。

基于改进YOLOv7的破壳鸡蛋在线实时检测系统

针对破壳鸡蛋(破口蛋和裂纹蛋)缺陷差异性大,在线检测要求实时,以及人工检测依靠主观经验且检测速度慢、检测精度不高等问题,该研究提出一种基于改进的YOLOv7(You Only Look Once v7)模型的破壳鸡蛋在线实时检测系统。以YOLOv7网络为基础,将YOLOv7网络的损失函数CIoU(complete-IoU)替换为WIoUv2(wise-IoU),在骨干网络(backbone)中嵌入坐标注意力模块(coordinate attention,CA)和添加可变形卷积DCNv2(deformable convnet)模块,同时将YOLOv7网络中的检测头(IDetect)替换为具有隐式知识学习的解耦检测头(IDetect_Decoupled)模块。在PC端的试验结果表明,改进后的模型在测试集上平均精度均值(mean average precision,m AP)为94.0%,单张图片检测时间为13.1 ms,与模型改进之前相比,其mAP提高了2.9个百分点,检测时间仅延长1.0 ms;改进后模型的参数量为3.64×10^(7),较原始模型降低了2.1%。最后通过格式转换并利用ONNXRun time深度学习框架把模型部署至设备端,在ONNXRuntime推理框架下进行在线检测验证。试验结果表明:该算法相较原始YOLOv7误检率降低了3.8个百分点,漏检率不变,并且在线检测平均帧率约为54帧/s,满足在线实时性检测需求。该研究可为破壳鸡蛋在线检测研究提供技术参考。

结合大数据分析与神经网络的互联网异常入侵行为实时检测

为了提升网络实时异常入侵行为检测效率和正确率,提出结合大数据分析与神经网络的互联网异常入侵行为实时检测方法。通过长短期记忆的方法构建入侵行为检测模型,并掌握网络实时异常入侵行为的特征,利用大数据分析技术的数据采集和处理实现网络实时异常入侵行为检测。通过仿真对比测试可知,模型对异常入侵行为检测结果的正确率以及检验效率高,并且耗时少,与其他的模型相比有较高的优越性。

基于GRU-CNN网络的隧道裂缝实时检测算法

隧道裂缝严重损害隧道的使用寿命以及行车安全,而传统人工检测方法无法对长隧道中的大量裂缝进行高效精确识别。提出了一种隧道表面裂缝实时检测算法,该方法创新性地将用于文本学习、信号分析的门控循环单元(GRU)模型应用于图像分类中,用于提升隧道裂缝检测速度并保证检测精度。为提高训练效率,首先对裂缝进行预处理将其转换至频域中提取隧道裂缝的关键信息并矩阵重构为一维向量,再利用一维卷积神经网络提取一维向量的深度特征并输入循环神经网络学习深度特征中的序列依存关系,最终实现对隧道裂缝的检测。测试结果表明该模型不仅能降低模型训练参数量和硬件配置需求,同时该模型在精度上能达到99.0%,检测单张图片速度能达到2.1 s,相较于主流的分类检测模型其准确率保持不变,训练时间和预测速度显著提升。最后针对大尺寸隧道裂缝图像开发了检测框架,可实现对大尺寸图像中裂缝信息的有效提取。