Dil-UNet++:基于UNet++的多尺度融合视网膜血管分割网络模型

视网膜血管的精确分割是眼部疾病临床诊断的关键步骤,针对眼底视网膜血管结构复杂、形态多样、边缘末端细微导致分割难度高的问题,提出了一种基于UNet++新的眼底视网膜血管分割网络模型(Dil-UNet++),该方法在传统的UNet++网络基础上使用多层空洞卷积模块来实现特征提取,使网络获得大小可变的特征提取感受野,获得了更好的特征提取性能;同时在网络跳跃连接部分增加注意力机制模块提高了分割目标相关的通道权重和空间权重;并使用卷积模块代替最大池化模块实现下采样,来避免特征传递时血管细节特征丢失。在分割DRIVE视网膜血管图像数据集上的训练与验证结果表明,该模型在Dice系数、准确度和精确度分别达到87.65%、96.99%和92.82%,证明了该网络模型的有效性,从而为眼底视网膜血管图像分割提供了新的方法。

DouDil-UNet++:基于Dil-UNet++网络的双分支编码器视网膜血管分割网络模型

视网膜血管的精确分割对于辅助医生在临床诊断眼科疾病具有重要意义。针对眼底视网膜血管图像中对比度不足、噪声干扰多、血管细节不明显等问题,在Dil-UNet++网络的基础上进行改进提出了DouDil- UNet++网络对视网膜血管进行准确分割。本文提出的DouDil-UNet++网络采用了双分支编码器U形结构,Dil-UNet++作为主分割网络提取视网膜血管图像的空间细节特征信息,Tr-Net作为辅分割网络用于提取视网膜血管图像的全局语义特征信息;在Tr-Net辅分割网络中使用由五层卷积组成的特征序列化模块与使用边缘多头注意力的Transformer特征提取模块来提取图像的全局特征信息;同时使用特征融合模块对主分割网络与辅分割网络提取的特征信息进行聚合。为了验证网络的分割效果,在DRIVE和STARE视网膜血管数据集上进行了分割实验,在DRIVE数据集上该模型的Dice系数、准确度和精确度分别达到87.93%、96.39%和93.52%;在STARE数据集上该模型的Dice系数、准确度和精确度分别达到88.71%、97.79%和87.08%。结果表明本文提出的网络在分割视网膜血管图像任务中有着良好的性能,有一定的使用价值。

纳米复合材料Fe_(3)O_(4)@RGO@C_(18)对四环素的吸附研究

将制备的Fe_(3)O_(4)磁性粒子外层包裹了一层RGO(石墨烯),又继续在Fe_(3)O_(4)@RGO材料表面修饰了C_(18),从而得到了Fe_(3)O_(4)@RGO@C_(18)纳米材料。对所制备的样品材料进行形貌、结构等的表征,并对水中的四环素进行了吸附实验的研究。通过对Fe_(3)O_(4)@RGO@C_(18)纳米材料的红外线光谱检测,扫描电子显微镜检测,透射电子显微镜,能谱,磁性进行表征,同时用磁性纳米材料吸附水中的四环素,考察了溶液pH、反应温度、震荡时间、初始四环素的浓度等因素对吸附过程的影响。研究结果表明Fe_(3)O_(4)@RGO@C_(18)纳米粒子为具有类三明治结构的核壳结构且分散均匀,复合效果好,粒径很小。当pH为7、温度为25℃、振荡时间为40 min、四环素的质量浓度为80 mg/L时为最佳条件,吸附量为77.56 mg/g。

基于"车联网"的V2R智能路灯控制系统

基于"车联网"的V2R智能路灯控制系统,利用V2R,ZigBee,RFID信息采集,光照传感器ISL29003,ARM控制板模块等,经过相应处理来实现智能路灯的控制.

非合作跳频信号的动态信道化接收方法研究

传统的扫频式接收、模拟信道化接收、多相滤波信道化接收等方法在非合作通信中难以实现对宽带高速跳频信号跳频集的准确接收,且在信噪比较低时易产生漏检和误检。在现有信道化接收技术的基础上,设计了一种基于自相关累积量门限更新的非均匀动态信道化的接收方法,在没有任何先验信息的情况下实现了对跳频信号频率集的接收重构。最后,理论分析和计算机仿真表明,与其他算法相比,该方法在低信噪比下仍具有良好的盲检测接收性能,且降低了硬件资源的需求。

手势识别装置的设计与实现

手势识别已成为人机交互技术的关键之一。笔者基于传感芯片FDC2214设计制作了手势识别装置和STM32F103C8T6微控制器控制系统,能够通过JC22-V05串口显示器显示测试结果。考虑到手势的大小,对'石头''剪刀''布'和'1''2''3''4''5'手势进行了识别实验,结果表明本算法可行。