不同钉棒内固定方式在腰椎侧路融合中的有限元力学分析

背景:考虑到脊柱固定的稳定性,目前临床在进行侧路椎间融合时大多采用后路双边椎弓根螺钉固定的手术方式,且多数为两期手术完成。侧卧位的后路单侧、侧方椎体钉棒固定的固定方式,也有可能会提供较好的力学稳定性,所带来的手术时间缩短、风险与花费降低等获益考量值得进一步研究。目的:比较4种不同侧路椎间融合内固定方式的生物力学特性。方法:建立正常L3-5有限元模型,在验证其有效性基础上模拟4种不同内固定方式,即后路双侧椎弓根螺钉+侧路融合模型(Model A)、后路单侧椎弓根螺钉+侧路融合模型(Model B)、侧路双侧螺钉+侧路融合模型(Model C)及侧路单侧螺钉+侧路融合模型(Model D)。分别比较各模型在生理活动范围下的稳定性、螺钉内固定和椎间融合器的应力差异。结果与结论:①对所有重构模型,在融合节段(L4-5)的活动范围均显著下降,Model A的活动范围下降更明显;②在模型的屈伸、侧屈和轴向旋转运动状态,侧路置钉的峰值应力与后路置钉的峰值应力的差异分别超过67.74 MPa、80.10 MPa和43.95 MPa;③在不同重建模型内固定应力分布方面,Model A和Model B螺钉的应力分布主要集中在椎弓根螺钉的体部,而Model C和Model D的峰值应力主要集中在螺钉的尾部;④提示Model A能够获得最好的稳定性,并且能够降低cage下沉及移位的风险;而Model B亦能够提供较好的稳定性,在保证稳定和固定的前提下能成为侧路融合的替代选择;⑤此外在选择侧路置钉的内固定时,Model C能获得与Model D相似的效果,但在临床诊疗上面对腰椎后伸不稳定的患者需谨慎选择侧路的单侧内固定,亦应避免过度后伸以降低螺钉松动和疲劳断裂的发生率。

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明:各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数:0.85,提取误差:1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数:0.79,提取误差:9.34%)提取效果最好;在低倒伏区域,均值纹理特征图像的ANN监督模型(OA:91.05%, Kappa系数:0.82,提取误差:8.20%)提取结果较好。本研究将DSM模型、植被指数、纹理特征与多光谱图像进行融合对比,并对多特征融合方法能否高精度有效提取小麦倒伏信息进行了探究,结果表明无人机多光谱遥感结合特征融合技术能有效提取小麦倒伏面积,提取效果优于单特征小麦倒伏图像。本研究结果可为助力小麦倒伏灾情调查数据的精确获取方法提供参考。

二阶逐层特征融合网络的图像超分辨重建

针对一些超分辨网络忽略了对网络各层次特征的复用以及融合的问题,构建了具有较强特征复用和融合能力的二阶逐层特征融合超分辨网络,以获得具有高分辨率、高保真度的重建图像。网络的核心是逐层特征融合模块,该模块通过特征融合操作增强特征的重用。此外,还提出了二阶特征融合机制,该机制在网络的局部和全局层次上采用逐层特征融合方法进行特征融合。实验结果表明该网络的重建图像在线条和轮廓上更清晰,并且在峰值信噪比和结构相似度上也取得了更好的结果。例如当缩放尺度因子为2时,各测试集上的峰值信噪比/结构相似度依次为38.20 dB/0.9612、33.81 dB/0.9195、32.28 dB/0.9010、32.65 dB/0.9324、39.11 dB/0.9779,相比其他模型有一定提升,从客观标准和主观角度证明了二阶逐层特征融合超分辨网络具有一定的优越性。

虹膜与眼周深度特征融合网络模型

虹膜识别的识别率虽然很高,但单模态识别时受环境、欺骗攻击等影响,并且在远距离或移动端、较少约束等场景下,识别率会大大下降。利用位置与虹膜相近并且被研究证明鉴别性很强的眼周生物特征,将虹膜和眼周进行双模态融合识别是较好的思路。为实现精确自适应的融合识别,本文提出新颖的虹膜与眼周深度特征融合网络模型(MultipleFusionNet)。根据特征通道注意力和通道分组注意力的思想,设计自动权值生成网络,通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络(CNN)生成的虹膜与眼周深度特征加权计算,可实现两个模态的深度特征动态精确融合,从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用,该模块可灵活地嵌入在任何CNN主干网络中,轻便且易于实现。在中国科学院公开的远距离虹膜库图像库CASIA-Iris-Distance和近距离光照变化虹膜图像库CASIA-Iris-Lamp上进行了实验验证,多种方法的对比实验和距离度量实验结果显示:本文的特征融合模型准确率最高为99.56%,采用余弦距离度量的等误率(EER)最低为0.002 7,优于单模态方法和相关的特征融合方法;计算复杂度方面,参数量和计算量比单模型的两倍少1.5%,计算量只比基准融合方法高1%,这表明该融合模型计算复杂度低,具有良好的性能。

基于特征强化U⁃Net的地震速度反演方法

基于深度神经网络的地震速度反演方法面临的挑战是:时间域地震数据与空间域模型信息间语义映射的弱对应关系导致多解性;神经网络将地震数据映射到速度模型过程中缺少有效引导,易受噪声干扰,影响反演精度。为此,提出一种基于特征强化U‑Net的地震速度反演方法。首先,通过多炮地震数据特征叠加使输入网络的地震时间序列信号与对应速度模型之间的空间关系更加明确;其次,基于多尺度特征融合的思想设计具有不同尺寸卷积核的模块,以增强网络对有效特征的学习能力;然后,利用注意力门引导网络,增强网络重点关注的特征;最后,结合瓶颈残差和预激活的思想,在网络中加入预激活瓶颈残差,避免梯度消失和网络退化。实验表明,该方法在地震速度反演方面具有更高的精度,并在抗噪声测试中效果较好,具有一定的泛化能力。

CNN-Transformer特征融合多目标跟踪算法

在卷积神经网络(CNN)中,卷积运算能高效地提取目标的局部特征,却难以捕获全局表示;而在视觉Transformer中,注意力机制可以捕获长距离的特征依赖,但会忽略局部特征细节。针对以上问题,提出一种基于CNN-Transformer双分支主干网络进行特征提取和融合的多目标跟踪算法CTMOT(CNN-transformer multi-object tracking)。使用基于CNN和Transformer双分支并行的主干网络分别提取图像的局部和全局特征。使用双向桥接模块(two-way braidge module,TBM)对两种特征进行充分融合。将融合后的特征输入两组并行的解码器进行处理。将解码器输出的检测框和跟踪框进行匹配,完成多目标跟踪任务。在多目标跟踪数据集MOT17、MOT20、KITTI以及UADETRAC上进行评估,CTMOT算法的MOTP和IDs指标在四个数据集上均达到了SOTA效果,MOTA指标分别达到了76.4%、66.3%、92.36%和88.57%,在MOT数据集上与SOTA方法效果相当,在KITTI数据集上达到SOTA效果。由于同时完成目标检测和关联,能够端到端进行目标跟踪,跟踪速度可达35 FPS,表明CTMOT算法在跟踪的实时性和准确性上达到了较好的平衡,具有较大潜力。

基于改进SSD的工件表面缺陷检测

工件的表面缺陷不仅影响外观而且直接影响产品的质量、寿命和性能,因此对工件进行实时表面缺陷检测很有必要。针对当前SSD算法不利于小目标检测易导致误检的情况,提出了一种基于单阶段多层检测器的改进SSD自动检测方法。采用了以ResNet替换SSD中原始的VGGNet的方法,研究了小目标检测的问题;采用了对深层特征进行反卷积且将深层特征与浅层特征融合的方法,研究了语义信息不足易误检的问题。结果表明,该方法较原SSD模型在工件的表面缺陷检测上m AP值提高了约4.6%,从而认为本方法可用于工件表面缺陷的实时自动检测。

铆接铝合金板铆钉失效缺陷检测方法研究

针对车身用铝合金板内部铆钉缺陷特征提取难度大、缺陷类型与程度识别准确率低的问题,提出一种基于高斯卷积深度信念网络与双向长短期记忆网络相结合的铆钉失效缺陷诊断模型与检测方法。首先,面向5种铆钉断裂缺陷设计试件并搭建自动检测系统,通过规划和调整探头姿态有效地降低提离效应对检测信号的影响。其次,设计双网络融合诊断模型提取和学习多维度缺陷特征信息,解决检测曲线中由时序变化特性和空间分布状态表征的缺陷信息提取难题。实验结果表明,与传统卷积网络及单一深度信念网络相比,优化后算法诊断模型的平均准确率为99.85%,相比提升了14.54%,且具有良好的通用性和鲁棒性,可实现铆钉内部缺陷的在线诊断。

面向智能制造仿真实验的产线数字孪生建模

针对智能制造领域人才培养中,实践教学存在的成本高、安全保证难等问题,该研究构建了智能制造仿真实验系统。首先,以智能产线为基础、车间信息化平台为桥梁,融合产线数字孪生技术,构建了面向智能制造仿真实验的数字孪生系统框架;其次,对系统中包含的产线物理实体模型、数据采集及车间信息化平台、数字孪生产线的多维度模型及智能制造仿真实验平台展开了详细阐述;最后设计产线生产调度优化实验,验证了该数字孪生仿真实验系统的有效性。

以ChatGPT为代表的AI技术与高等教育的深度融合

随着人工智能技术飞速发展,以ChatGPT为代表的人工智能技术已经逐渐成为人们关注的焦点。旨在探讨ChatGPT技术与高等教育的深度融合研究,分析其对高等教育的影响和挑战,并提出相应的解决方案。首先,介绍了ChatGPT技术的基本原理和特点,包括其语言生成模型的构建、预训练和优化等;然后,通过分析ChatGPT技术在高等教育中的应用场景,如智能教育、在线教学、个性化推荐等,探讨了其对高等教育的影响和挑战;最后,提出了一些解决方案,比如加强ChatGPT技术与高等教育的深度融合、建立完善的教育监管机制等,以应对ChatGPT技术在高等教育中面临的挑战。

支撑新型配电网数字化规划的图形⁃模型⁃数据融合关键技术

配电网规划领域期盼实现智能规划,其愿景在于实现无人或少人干预的全自动规划。在数字化转型的背景下,新型配电网规划将面临图形多样化、场景碎片化、数据规模化三大挑战。文中从图形-模型-数据融合的角度提出三大关键技术:基于电气图纸识别和拓扑智能分析的图形-模型融合技术、基于知识驱动的负荷/新能源推演分析和智能决策的模型-数据融合技术、基于多模态数据融合和多时空数据联动的图形-数据融合技术,尝试打破理论研究与数字化工程的壁垒。最后,对未来新型配电网数字化规划的发展进行思考和展望,为实现“以机为主,人机协同”的大闭环模式提供借鉴。

基于数据驱动的分布式光伏发电功率预测方法研究进展

从综述的角度,以分布式光伏系统为对象,分析了功率预测技术的发展情况、存在的难点以及主要影响因素,梳理了应用数据驱动方法实现功率准确预测的技术路线。再以空间相关性、历史出力功率以及气象等影响因素为切入点,梳理了光伏系统数据驱动的功率预测研究现状,分析其相应的数据增强、时空图信息以及特征融合的手段,讨论了技术的优缺点。最后给出了功率预测数据驱动方法研究方向和发展建议。

新型棘突间撑开融合装置BacFuse修复腰椎退行性病的生物力学特征

背景:近年来,棘突间撑开融合装置BacFuse应用于腰椎退行性疾病的治疗并取得了良好的临床疗效,但目前其相关的生物力学特征暂无相关报道。目的:探索棘突间撑开融合装置BacFuse在腰椎退行性疾病中应用的生物力学特征。方法:构建山羊离体脊柱模型(L_(1)-L6),模拟手术分为4组,分别为对照组、BacFuse固定组(L_(3/4))、钉棒固定组(L_(3/4))及Topping-off组(L_(3/4)钉棒固定+L_(2/3)BacFuse固定)。搭建山羊腰椎手术模型力学测试系统,采用生物力学机器进行力学加载,模拟腰椎在前屈、后伸、侧屈及旋转时的运动模式(4 Nm的力矩),采用视觉追踪系统进行定位捕捉,并完成力学及光学校准,通过计算得出L_(2/3)、L_(3/4)、L_(4/5)节段的活动度。结果与结论:①相对于对照组,BacFuse组L_(3/4)固定节段在前屈、后伸、侧屈与旋转方向上活动度分别减少27.27%,70%,38.1%及23.08%(P<0.05);钉棒固定组L_(3/4)固定节段在前屈、后伸、侧屈与旋转方向上活动度分别减少72.73%,80%,71.43%及73.08%(P<0.05)。②相对于对照组,BacFuse组邻近节段L_(2/3)在后伸、侧屈及旋转方向上分别增加33.33%,25%及23.81%(P<0.05),前屈活动未见明显变化;钉棒固定组的邻近节段L_(2/3)在前屈、后伸、侧屈与旋转方向上的活动度分别增加50%,44.44%,50%及58.96%(P<0.05);③相对于对照组,BacFuse组邻近节段L_(4/5)在后伸、旋转方向上分别增加27.3%,17.39%(P<0.05),前屈、侧屈活动未见明显变化;钉棒固定组的邻近节段L_(4/5)在前屈、后伸、旋转方向上的活动度分别增加38.89%,22.73%及26.09%(P<0.05),侧屈活动未见明显变化;④与钉棒固定组相比,Topping-off组L_(2/3)椎间活动度在前屈、后伸、侧屈、旋转分别减少37.04%,73.08%,56.67%及38.46%(P<0.05);与钉棒固定组相比,Topping-off组L_(4/5)节段椎间活动度在前屈方向上减少20%(P<0.05),后伸、侧屈及旋转未见明显区别;⑤提示BacFuse能够显著减少置入节段的活动度,提供一定的稳定性;相对于钉棒固定,仍然保留有较多的活动度,可减少对邻近节段的影响,同时可用于钉棒固定的Topping-off技术,显著减少了邻近节段的活动度,降低邻近节段退变的风险。

有限元法分析老年骨质疏松患者L_(3/4)椎板减压椎间融合的力学性能

背景:老年骨质疏松患者同时罹患高位腰椎间盘突出的发病人数逐年增加,行常规后入路椎板减压及椎间融合术后腰椎整体力学强度及邻近椎体的生物力学性能改变尚未明确。有限元分析方法以其无创、可重复性高、结果精确等优势在生物力学领域具有重要价值。目的:基于有限元分析方法,针对老年骨质疏松患者的特定人群,建立L_(3/4)椎板减压椎间融合的有限元模型,评估弯腰动作下骨骼内固定复合体的生物力学情况。方法:利用Mimics 21.0提取脊柱CT的DICOM数据建立腰椎(T_(12)-L_(5))三维骨性结构,导入Geomagic wrap 2017,通过重划网格、删除钉状物、剪切模型、填充空洞、探测并编辑轮廓线、构造曲面片及格栅、拟合曲面等操作建立L_(3/4)全椎板减压模型。利用Solidworks 2017构建椎弓根螺钉、连接杆、椎间融合器,将其组装于L_(3/4)全椎板减压模型,通过拉伸、等距曲面、移动与复制实体等操作建立椎间盘、关节突软骨等结构。应用ANSYS Workbench 17.0进行材料赋值、模拟脊柱韧带、网格划分、施加作用力及限定边界条件,建立完整骨质疏松性L_(3/4)椎板减压及椎间融合脊柱有限元模型。观察弯腰工况下L_(3/4)椎板减压及椎间融合全腰椎有限元模型的应力、应变及位移云图。结果与结论:(1)应力云图方面:T_(12)-L_(1)椎体平均应力值最高,L_(2)下降24%,L_(3)下降55%,L_(4-5)下降约80%;L_(4/5)关节突区域应力集中程度最高,L_(2/3)次之,L_(1/2)及T_(12)/L_(1)程度轻;螺钉与连接杆交界处应力集中明显,螺钉在椎弓根进出口处次之;(2)应变与位移云图方面:L_(4/5)及L_(2/3)关节突的应变程度最高,T_(12)/L_(1)及L_(1/2)的应变程度次之,L_(3/4)节段融合器、椎弓根螺钉及连接杆无任何可见变形;各节段椎间盘均出现较大变形;(3)提示多软件协同操作可顺利构建老年骨质疏松性L_(3/4)椎板减压及椎间融合脊柱有限元模型;老年腰椎术后患者可耐受前屈动作,证实L_(3/4)椎板减压及椎间融合能够维持脊柱形态并保证脊柱稳定性,但是需警惕胸腰椎应力性骨折及邻椎病的发生。

基于动态视觉传感器的无人机目标检测与避障

针对无人机在动态环境中感知动态目标与躲避高速动态障碍物,提出了基于动态视觉传感器的目标检测与避障算法。设计了滤波方法和运动补偿算法,滤除事件流中背景噪声、热点噪声及由相机自身运动产生的冗余事件;设计了一种融合事件图像和RGB图像的动态目标融合检测算法,保证检测的可靠性。根据检测结果对目标运动轨迹进行估计,结合障碍物运动特点和无人机动力学约束改进速度障碍法躲避动态障碍物。大量仿真试验、手持试验及飞行试验验证了所提算法的可行性。

腰椎融合术选择策略及发展趋势

腰椎融合术已经在腰椎退行性病变、畸形、腰椎骨折或脱位等疾病中广泛应用,是消除或缓解症状、维持疗效的重要方法,也是脊柱外科最重要的技术之一。目前,腰椎融合术式种类繁多,根据不同手术入路分为前侧入路、经侧方入路、后侧入路及椎间孔入路等;微创手术包括关节镜辅助、脊柱内窥镜等手术方式;根据不同植骨融合位置又分为椎体外植骨融合和椎体间植骨融合[1]。临床上腰椎融合手术方式的选择方面尚无完全定论。本文回顾、分析不同腰椎融合术的优缺点,结合脊柱微创融合技术等发展趋势展开评论,旨在为临床腰椎融合术的合理实施提供参考,期待未来深入探索、优化手术方法、提高融合效率,降低并发症的新策略,为腰椎疾病患者带来更好的疗效。

基于研制阶段数据融合的舰炮制导弹药测试性评估方法

针对小子样条件下开展测试性评估存在数据冲突的问题,提出一种基于研制阶段数据融合的舰炮制导弹药测试性评估方法。首先,确定研制阶段中舰炮制导弹药测试性信息的来源,并根据其不同特点,利用相应的Beta分布参数折合方法,获得测试性信息Beta分布并构造对应的基本信任分配函数。其次,为解决在数据融合中存在的冲突问题,引入一种基于可信度、不确定度和重要度的数据融合权重确定方法,通过融合多来源的测试性信息得到舰炮制导弹药测试性指标评估结果。实例表明,所提方法能充分利用研制阶段收集的多来源测试性信息,有效利用主观不确定性信息,且减少数据冲突问题,可提高舰炮制导弹药测试性指标评估的可靠性。

融合毫米波与激光雷达的障碍物检测与跟踪方法

在园区环境中,无人车装载单一毫米波雷达或激光雷达传感器进行障碍物检测跟踪时存在探测范围有限、准确率低及稳定性差等问题。为此,提出一种基于毫米波雷达与激光雷达融合的多障碍物检测跟踪方法。利用改进欧氏聚类算法对道路内激光点云目标进行提取,基于信息筛选策略获得毫米波雷达数据中的有效目标;基于目标检测交并比与可靠性分析,对2种目标进行自适应融合,并利用跟踪门与联合概率数据关联(JPDA)算法完成前后帧数据匹配;应用多运动模型交互与无迹卡尔曼滤波实现障碍物跟踪。实车实验表明:相比单一毫米波雷达与激光雷达障碍物检测跟踪,所提方法有更好的准确性与稳定性。

三维成矿预测关键问题

三维成矿预测是当前深部找矿预测和勘查的重要方法和手段,其方法体系和实践应用均已取得大量成果,但同时存在若干关键科学技术问题,导致其进一步发展受到制约。本文从多尺度三维成矿预测方法体系不完善、不确定性分析与优化研究薄弱、三维成矿预测要素挖掘存在瓶颈、缺少针对三维成矿预测的三维深度学习模型和方法等关键问题出发,对目前三维成矿预测领域相关方面的研究进展进行综合分析,并提出针对上述关键问题可能的解决方案和研究方向。预期未来三维成矿预测领域的研究工作将创新发展出多种方法,实现对三维预测信息的深度挖掘;构建形成适用的三维深度学习模型和训练方法,有效增强三维成矿预测结果的预测能力;通过系统性地开展三维成矿预测不确定性研究,进一步优化预测过程和结果,有效提高三维成矿预测方法的可靠性和准确性;形成面向多尺度三维成矿预测的方法体系,更有效地指导矿集区-矿田-勘查区块(矿床)等不同级别的深部矿产资源找矿勘查工作。相关关键问题的解决将进一步深化和完善三维成矿预测理论和方法体系,促进三维成矿预测理论方法的实践应用,显著提升深部找矿预测和勘查工作的效率与水平,助力深部找矿突破。

YOLO网络配电网故障选线方法

针对现有的配电网故障选线困难的问题,提出一种基于YOLO网络的配电网故障选线方法。首先,使用三相电流构建极坐标二维图像,充分提取特征信息;之后,对各线路三相电流的极坐标图像进行像素级融合,并以不同颜色区分,在进一步加强图像特征的同时,降低原始图像的冗余度;最后,使用YOLO神经网络对融合图像进行特征提取,训练得到最优的模型文件,利用该模型实现故障选线。将该方法与现有的故障选线结果进行对比,结果表明,该方法选线准确率可以达到99.95%,选线时间12.9 ms,明显优于其他故障选线方案,且该方案不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网故障选线的准确度和可靠性需求。