早期妊娠心电图特征研究与人工智能诊断

目的:研究青年女性早期妊娠心电图的特征性改变,为早期妊娠的女性提供一种新的早期筛查手段,提高早期妊娠的诊断和干预率。方法:152例早期妊娠的青年女性以及100例未妊娠的青年女性,通过医学SPSS软件对比两组人群的心电图差异,同时运用深度学习方法对心电图进行智能诊断,开发诊断软件。结果:早期妊娠女性的心电图出现窦性心动过速、窦性心律不齐、短PR间期、ST段压低、T波低平倒置、电轴左偏、胸导联低电压、逆钟向转位较未妊娠女性具有显著的统计学差异(P < 0.05)。智能诊断软件预测准确率达到90%,精确率100%,召回率83.33%。结论:青年女性早期妊娠心电图均为生理性变异,基于人工智能心电图诊断早期妊娠准确率、精确度均较高。

基于深度学习的微观芯片字符识别系统

针对传统的形态分割和模板匹配文字识别方法存在着识别精度低和不稳定的问题,为工业检测领域的芯片字符识别设计了一套基于深度学习的智能光学字符识别系统。该系统基于可微分二值化网络(detection with differentiable binarization network,DBNet)、方向分类器和卷积网络,3个阶段分别训练深度模型实现文本区域的检测、文本方向分类和字符识别,最后进行串联推理完成微观芯片字符的自动化识别。同时针对显微场景下芯片字符图像易受光照干扰,采用数据增强与扩充、更换网络骨架、更改网络卷积步长,解决了复杂背景下微观芯片字符识别易误检的问题。工业生产线上的实际测试结果表明,该系统的识别准确率达到99.9%,误检率3.4?,速度0.56 s/张,极大地提升了字符识别正确率和效率,降低了误检率。最终的识别结果可以直接在云端远程实时查看,简化了传统工业字符识别流程,有助于工业智能化检测进一步发展和提高。

基于时空信息的自适应数字伪装研究

针对自适应伪装的关键性技术进行研究,以可变视角及动态环境场景为前提,采用图像处理和机器学习的方法,实现伪装目标的自适应隐身。在数码迷彩设计思想的前提下设计了一种多步骤的自适应数字伪装技术,通过从每帧图像上提取环境信息,利用颜色丰富度指标和k均值聚类算法提取主要颜色信息,使用基于贪婪流动场的迭代算法获取随机数码纹理,最后将颜色信息和纹理信息融合作为该帧图像的伪装。实验表明该算法对于伪装目标静止和运动过程有良好的伪装效果。这项研究对于自然探索、娱乐生活、潜伏侦查、国家安防和科学研究具有重大意义。

基于深度学习与图像配准的螺栓松动检测

针对风力发电机长时间发生重复振动可能会引起自身螺栓松动,影响风力发电机的正常运作的问题,提出了一种基于深度学习与图像配准的螺栓松动检测方法,避免了人工干预。对YOLOv5s进行了改进,使用ShuffleNetV2作为Backbone,在不降低准确率的情况下检测速度提升了69.8%,实现了对图像中包含待检测螺栓区域的定位。将待检测图像和模板图像采用基于强度的方法进行配准,并通过特征增强的方式对配准后的灰度图进行处理,从而定位出松动螺栓。实验结果表明,当螺栓发生5°以上旋转时该方法能准确检测出螺栓松动。

基于YOLOv5改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5改进的小目标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始的YOLOv5模型进行对比,结果表明,其平均精确率AP值较原始YOLOv5模型提升约3%。