基于ADEU-Net分割网络的瞳孔精确分割方法

当前通过图像处理的方法来进行瞳孔分割,导致鲁棒性不高、分割精度低以及运算量大无法满足实时性要求的问题,为此提出一种基于深度学习的人眼瞳孔精确分割方法。该方法采用基于ADEU-Net的快速人眼语义分割网络来获取瞳孔区域,实现对瞳孔的精准分割;该网络创新性地提出膨胀卷积与普通卷积双线并行的方式,在扩大感受野的同时可提升局部精细化能力,并且引入了注意力机制,以充分提取语义特征。实验结果表明,该瞳孔分割方法通过端到端学习,PA相对于U-Net、传统图像处理算法分别提高了5、35个百分点;均交并比MIoU达到94%,明显高于U-Net、传统图像处理算法90%和57%,同时保证了83 frame/s的高分割速度。

深度学习红外成像睑板腺分割处理系统

为了更好地辅助医生对干眼症的诊断,提高眼科医生对睑板腺病情的辨识能力,提出了一种基于Mobile-UNet网络的睑板腺图像分割及增强方法。首先,将Mobile-Net作为U-Net的编码部分进行下采样,提取特征后将其与解码器中的特征融合来指导图像分割。然后,将分割出的睑板腺区域单独进行图像增强以辅助医生进行干眼症病情的判断,避免非病灶区域的干扰。最后,通过对实验采集100个患者、200张睑板腺图像进行语义分割网络的训练和验证,并且使用清晰度评价指标来验证睑板腺增强效果。实验结果表明,该研究提出的方法相似系数稳定在92.71%,图像清晰度指标均优于市面上同类干眼检测仪器。

深度学习屈光检测方法研究

屈光不正是一种非常常见且对视功能发育有严重危害的眼科问题。准确与方便的屈光检测技术,对于及时发现屈光不正问题以及采取相应措施进行干预具有非常重要的意义。目前的屈光筛查设备虽然能较快进行屈光检测,但主要存在两个问题:检测准确度较低,对被测者配合度要求较高。因此,提出一种新的屈光检测方法,此方法使用基于偏心摄影验光原理的光学系统获取人脸面部近红外图像,使用图像处理技术对面部近红外图像进行处理,得到左右瞳孔图像和瞳孔位置信息,使用提出的结合了深度可分离卷积和SE模块的混合数据多输入神经网络模型进行训练与屈光度的计算。与传统偏心摄影验光原理的屈光检测方法相比,此方法有望随着数据集的扩增而达到更高的准确度,并且此方法将瞳孔位置信息作为模型的输入,可以解决传统算法对被测者配合度要求较高的问题。该研究是对屈光检测新方法的一种有益探索,使用此方法有利于屈光筛查更便利地进行,为实现非接触自助式的屈光筛查提供基础。

基于夏克-哈特曼波前检测的无透镜屈光测量系统

为了解决现有电脑验光仪和视力筛查仪体积庞大、价格昂贵的问题,设计并搭建了一套基于哈特曼波前检测原理的小型无透镜屈光测量系统。首先,对测量原理进行了详细介绍;接着,利用Zemax软件对图像采集光路进行模拟,并分析了实际测量屈光度与仪器-人眼距离的函数关系;最后,成功搭建了试验样机,并通过对中国计量科学研究院模拟眼进行屈光测量来验证函数关系的正确性及测量结果的准确性。实验结果表明该系统能有效地对-10~+10 D范围内的模拟眼进行屈光测量,测量结果显示:球镜度重复测量误差最高不超过0.20 D,变异系数不超过3%;柱镜度重复测量误差最高不超过0.25 D,变异系数不超过9%。此外,该系统结构简单且成本低廉。在满足测量结果准确性、稳定性要求的前提下,该系统更适用于需要仪器小型化的场合,具有广阔的应用前景。

高校网球运动员核心力量训练与传统力量训练的比较分析

本研究指在比较核心力量训练与传统力量训练对高校网球运动员运动能力的影响。选取某高校网球队60名运动员为研究对象,随机分为核心力量训练组和传统力量训练组,分别进行为期12周的训练实验。通过专项体能测试、技术评估和运动表现分析等方法,对两组运动员的力量指标、速度素质、技术水平和运动表现进行全面评估。研究结果表明:(1)核心力量训练组在驱干稳定性、身体协调性和爆发力等方面的提升显著高于传统力量训练组(P<0.05):(2)在发球速度和击球精准度测试中,核心力量训练组较传统力量训练组提高了12.3%和8.7%;(3)核心力量训练组的运动损伤发生率较传统力量训练组降低了31.5%;(4)在比赛实战表现评估中,核心力量训练组在移动灵活性和技术稳定性方面表现出明显优势。研究表明,核心力量训练更适合高校网球运动员的专项训练需求,为高校网球运动员的训练方案优化提供了科学依据。