基于深度学习的医疗耗材管理系统研究

随着人口老龄化和医疗服务的发展,对医疗机构内部物资管理提出了更高的要求。文中利用深度学习技术,建立了一套基于深度学习的医疗耗材管理系统。该系统包括数据源、数据集市、数据服务等3个层级,划定了系统数据处理流程,能自动识别并处理医院内部的物资,提高了物资管理效率和管理水平。此外,该系统还提出了基于业务往来向前延伸、向后延伸的策略,利用系统整合财务,实现了与供应商、服务商之间的合作关系,促进了整体供应链的优化和医疗服务质量的提升。文中提供了一种改进型医疗机构物资管理和服务质量的方案,是医疗机构管理的有益参考。

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。

智能交通系统中的计算机视觉技术的应用

随着国家科技实力的提高,技术水平飞速提升。交通系统的智能化转变,是信息技术使用的全新途径,其能在一定程度上促进管理工作效率的提升。将智能交通系统与计算机视觉技术结合在一起之后,为国内该方面管控工作的进步、完善打下了良好基础,还使相应人员的工作压力、任务总量大幅降低。基于此,本文重点分析了智能交通系统的概述,以及计算机视觉系统的关键技术,同时,细致阐述了二者结合之后在生活中的具体应用,以供参考。

信号时域和频域采样函数周期性与原信号的关系

本文对信号的时域和频域函数采样后,所对应的频域函数和时域函数与原信号的周期关系进行了详细的探讨。