一种提取脑内深部髓质静脉主干的方法

根据脑内深部髓质静脉低对比度、管径细小、偏水平分布、受干扰严重等特征,提出一种基于海赛矩阵的脑内深部髓质静脉主干提取方法,该方法通过固定尺度海赛矩阵的特征值构造出一种筛选器初步筛选出静脉主干,并从形态学上连接断开的主干、剔除伪主干。用手动分割金标准进行对照实验,实验结果表明本方法与金标准相比达到一个较高的重合度,但是主干末梢与背景融合处没能很好地处理。

砂样图像岩屑自动分割提取方法

通过将砂样图像进行单颗粒分割,识别砂样成分,可显著提高砂样岩性分析的准确性和效率。现有的砂样图像分割方法主要以传统分水岭算法和卷积神经网络为主,但由于对单颗粒岩屑轮廓细节提取不足,误分割率高。本文提出一种以图像融合算法为桥梁,将卷积神经网络和分水岭算法相结合的单颗粒图像分割提取方法。首先利用改进的Mask R-CNN网络快速分割砂样原图,获得其初分割图像;然后,将初分割图像与砂样原图进行融合,再使用改进的分水岭算法对融合结果进行分割;最后,利用砂样原图坐标点匹配方法,将分水岭分割得到的结果图像进行修正,完成单颗粒岩屑图像提取。实验结果表明,本文的单颗粒自动分割提取方法准确率高达96.77%,且模型更轻量和精准,为岩屑图像分割提供了一种可行且有效的方法,可满足有效测算油藏层构造变化、查找潜在沉积物源及储层动态变化的需求。

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法(RANSAC)结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。

基于改进YOLO算法的动物源性食品检测方法

由于动物源性食品图像的特征分布不规则,导致对其检测结果的可靠性难以得到保障,为此提出了一种基于改进YOLO算法的动物源性食品检测方法。通过YOLO V3的主干特征提取网络Darknet-53,分别对动物源性食品图像中存在的可见光和红外光进行特征提取,结合二者对应模态特征的最佳权重参数,进行特征加权融合,计算融合后特征的目标框位置损失、目标置信度损失以及类别损失,确定最终的分类。测试结果表明,设计方法对动物源性食品图像的识别结果稳定,且错误识别数量始终保持在较低水平,不受测试数据集构成的影响。

基于加权二部图匹配的中文段落相似度计算

为了改进传统以向量空间模型(VSM)为代表的基于词频统计的方法在中文段落相似度计算时存在的精度不高问题,在基于加权二部图匹配的思想上提出了一种计算中文段落之间相似度的方法。该方法将相似度计算分为段落和句子两个层次,将句子作为简单段落看待,也使用二部图匹配进行相似度计算。首先利用句子主干词汇提取算法来提取句子的主干词汇,将主干词汇作为二部图的顶点,把主干词汇之间的相似度作为二部图顶点之间的权值系数,进行句子相似度的计算。其次,将句子作为加权二部图的顶点,把句子之间的相似度作为二部图顶点之间的权值系数,进行段落之间的相似度计算。实验结果表明,该方法与VSM相比,由于它能准确识别同义词,自动匹配两个在段落中不同位置的相似词语,因而在准确度上有了很大的提高。

步步深入 直捣黄龙——新材料作文如何挖掘出深意

新材料作文成为近几年全国各地频频出现的题目，开放了写作角度，降低了审题难度。随之要解决的就是如何透彻分析，写出深度。学生要从材料入手解决好三个问题：“是什么”，“为什么”，“怎么做”。抓住现象，分析本质，原因。

改进YOLOX的绝缘子故障实时检测方法

绝缘子作为输电线路中的重要组成部分,对输电线路的正常运行起到关键作用。针对传统检测算法参数多,无法满足绝缘子缺陷检测实时性的问题,提出一种基于改进YOLOX的绝缘子故障实时检测方法。首先将深度可分离卷积与主干特征提取网络相结合,减少网络计算量,以提升检测速度;其次引入简化BiFPN,减少图片输入时计算所产生的特征图冗余和模型参数量,以降低网络复杂度;最后针对缺乏缺陷绝缘子类数据的问题,提出随机处理图片的数据增强方法。采用实验拍摄高清图片与缺陷绝缘子数据集结合,对改进的网络进行验证。结果表明,改进后的算法比原始的YOLOX算法检测速度提升13.8%,并且具有较高的平均检测精度(mAP=99.64%)。

隧道衬砌表观病害检测后处理算法

针对现有隧道衬砌表观病害自动检测结果难以直接使用的情况,提出了一种对自动检测结果再次快速处理的后处理算法。对于剥落、渗漏水等区域形病害,通过合并和删减将相近病害合并为一处,同时删除面积较小病害;对于线形病害,使用Zhang-Suen算法提取病害主干,通过八邻域端点定位算法快速寻找端点,在两条断裂端部分别取数个离散点,依据离散点的坐标拟合出两条裂缝中间缺失部分,从而实现两条断裂的平顺连接。经对5座隧道自动检测数据统计分析,经后处理算法处理后病害数量明显减小,且与实际病害数量相近。这样可大幅减少人工成本,提高处理效率。

基于改进YOLOv5算法的果园水果检测

针对YOLOv5主干特征提取网络能力弱,特征融合能力差等问题,提出了一种改进的YOLOv5目标检测算法。提出了一种双主干特征提取网络,将特征提取网络分成主路和辅路两个支路,提升模型的特征提取能力。同时,修改YOLOv5中的C3模块,进一步提升C3模块的特征提取能力。在特征融合方面,提取一种新型的特征图拼接方式,取代了原有的特征图Concat方式,提升了模型的特融合能力。实验结果表明,改进后的YOLOv5算法,在自己收集的水果数据集上的mAP@0.5达到了85.0%,较改进前的YOLOv5(82.8%)提升了2.2%,且检测速度基本保持不变,能够快速准确地进行果园水果检测。同时进行了相关消融实验,进一步验证了所提出每个改进点的有效性。

基于改进YOLOv3的骑车人识别研究

针对智能网联汽车大发展环境下骑车人在公路上为易受伤群体的问题,将目标识别作为无人驾驶技术中的关键一环,提出使用YOLOv3算法对骑车人识别算法进行研究。YOLOv3的主干特征提取网络为Darknet-53,此种网络结构针对于多种类目标检测适用性强,然而公路骑车人作为单种类目标,Darknet-53网络结构显得冗繁。基于此,提出一种在YOLOv3算法基础上记性改进的算法,通过替换主干特征提取网络为Dark-19简化网络结构,降低网络复杂度,之后优化损失函数,将原来的IoU替换成CIoU,以提高识别精度。通过在TDCB上进行仿真实验,结果表明,改进后的YOLOv3算法平均检测精度和检测速度都有所提高,精度上提高了约3%,检测速度上约提高了0.013 s,此种改进后的算法有助于提高公路骑车人的安全性,对骑车人识别研究有着重要意义。

依据汇流累积量分析的河网分级算法

针对目前河网分级算法不能有效确定主次关系的问题,该文在数字高程模型(DEM)分析的基础上,提出一种基于汇流累积量的河网分级算法。首先,对矢量化的河网添加汇流累积量属性,并在其基础上构建树状结构的河网拓扑关系;然后从流域的出水口开始,逆流而上利用河网主干提取算法对河网逐层遍历提取主干;最后根据每一层级的主干提取结果对河网分级。实验结果表明,本文提出的河网分级算法能够较好地确定河网的主干,反映河网中河段的层次关系,且与分级后的山脊线网络衔接良好。

“有趣的缩句”教学设计

一、谈话导入,了解句子基本形式简单完整的句子,如,我要吃饭,他要喝水,它们的基本形式是:什么(谁)干什么。渐渐地,你们长大了,在学习中也会遇到复杂的句子,这些复杂的句子就像一棵枝繁叶茂的大树,这时我们需要从复杂的句子中提取主干,这就叫缩句。

浅谈英语教学中长短句如何有效拆分理解

长句子的理解和掌握在英语教学中一直是难点,那么,长短句的拆分和转换对于学生理解长句子并进行下一步学习就非常重要。因此,如何有效地进行长短句的拆分理解应该是每一位英语教师高度重视的问题。在这里,我们来探讨关于如何攻克此难题的几个方案。

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.

基于TLS数据的杨树削度方程建立及材积估算

【目的】削度方程可以很好地描述树干直径随树高变化的情况,基于地基激光雷达(terrestrial laser scanner,TLS)的高精度三维点云数据建立准确的削度方程并进行立木材积估算,对活立木尺度的材积估计具有重要意义。【方法】以江苏省黄海海滨国家森林公园杨树人工林为研究对象,获取4块样地的TLS点云数据,通过MATLAB 2020a软件计算点云平坦度和法向量以提取单木主干,采用圆拟合方法进行不同高度处的直径拟合,利用32株样木的数据,选取6种削度模型进行建模,得到杨树树干削度方程最优拟合模型,并进行材积估算。【结果】利用TLS数据提取的胸径能替代实测胸径,其平均误差小于0.90 cm。通过对6种模型的拟合优度检验,Schumacher and Hall模型为该地区杨树削度方程最优拟合模型,模型的决定系数R2=0.984,均方根误差为1.00 cm,相对百分误差为2.79%,平均预估误差为0.271%。利用Schumacher and Hall削度方程最优拟合模型进行活立木材积的估算,经与二元材积方程估计结果进行对比,其相对差异为3.34%,二者在统计上无显著差异。【结论】该方法可以减少地面调查对树木造成的永久性破坏,为人工林的蓄积量调查提供有效的技术支持。