现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息...现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement,MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.31%。展开更多
目的 针对某品牌输液泵在临床使用中出现的流速精度不合格问题,分析其故障原因并解决临床使用问题。方法 通过检测5台故障输液泵流速精度,判断其故障原因为输液管路不匹配。选择FRESENIUS KABI VS 10及B.BRAUN Intrafix Primeline两个...目的 针对某品牌输液泵在临床使用中出现的流速精度不合格问题,分析其故障原因并解决临床使用问题。方法 通过检测5台故障输液泵流速精度,判断其故障原因为输液管路不匹配。选择FRESENIUS KABI VS 10及B.BRAUN Intrafix Primeline两个品牌的输液器,分别与30台投入使用的该品牌输液泵进行组合,检测流速精度。对超出允许误差范围的输液泵进行流速校准。结果 30台输液泵中超过±5%的允许误差范围的有5台,流速精度合格率为93.33%。结论 在临床使用中,应首先选择与输液泵匹配的同品牌输液管路,其次选择推荐的相匹配兼容的其他品牌输液管路,并应在新泵投入使用前及使用中进行检测。展开更多
文摘现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement,MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.31%。
文摘目的 针对某品牌输液泵在临床使用中出现的流速精度不合格问题,分析其故障原因并解决临床使用问题。方法 通过检测5台故障输液泵流速精度,判断其故障原因为输液管路不匹配。选择FRESENIUS KABI VS 10及B.BRAUN Intrafix Primeline两个品牌的输液器,分别与30台投入使用的该品牌输液泵进行组合,检测流速精度。对超出允许误差范围的输液泵进行流速校准。结果 30台输液泵中超过±5%的允许误差范围的有5台,流速精度合格率为93.33%。结论 在临床使用中,应首先选择与输液泵匹配的同品牌输液管路,其次选择推荐的相匹配兼容的其他品牌输液管路,并应在新泵投入使用前及使用中进行检测。
