有限空间核生化联合采样技术研究

在人员相对集中的室内有限空间进行核生化监测,存在少量监测设备监测大范围区域涉及远端采样问题,需要准确快速地将被测物质输送给监测设备。采用联合采样技术,将有限空间的各区域样气进行抽取、传输,最终输送至监测设备,可实现一套设备监测大面积区域。联合采样技术包括有毒有害气体采样和核、生气溶胶采样两种技术,选用不同的采样流量和传输通道,将被测物质输送给核生化监测设备。联合采样技术为大面积的室内有限空间实时核生化监测提供了低成本、简单易行的解决方案。

一种联合采样的神经网络光场

相比传统的光场绘制技术,神经网络光场(NeRF)方法可使用神经网络拟合场景的光线采样,将隐式编码输入图片的光场,合成新视图.针对NeRF方法训练时间长,绘制视图慢的问题,提出了一种基于联合采样的NeRF方法,通过使粗糙网络和细腻网络共享均匀采样结果的方法,减少了不必要的光线采样,从而加快了网络训练和视图合成的速度.实验结果表明,在取得近似视图合成质量的情况下,与NeRF方法相比,所提方法的训练时间减少了20%,视图合成的效率提高了25%.

基于联合双边滤波器上采样的纹理图像修复合成算法

基于双边滤波器上采样算法提出了一种修复图像纹理的合成方法,以计算的样本纹理作为引导纹理,对低分辨率的待修复纹理图像区域的纹理进行插值运算,实现高分辨率的修复。仿真结果表明,该法提高了待修复纹理图像区域的分辨率。

基于语义分割的芒果表皮缺陷识别

【目的】运用语义分割技术自动识别芒果及其表皮缺陷,实现芒果的质量评估及分选,为芒果质量快速无损检测提供参考。【方法】采集自然环境下的多场景芒果表皮缺陷图像用于模型的训练与测试,将联合上采样金字塔(Joint pyramid upsampling,JPU)结构替换DeepLabV3+中空洞空间卷积池化金字塔(Atrous spatial pyramid pooling,ASPP),将Atrous-ResNet模型替换DeepLabV3+中Xception模型,采用类别像素准确率(Class pixel accuracy,CPA)、平均像素准确率(Mean pixel accuracy,MPA)、平均交并比(Mean intersection over union,MIoU)作为模型的精度评价指标。【结果】采用JPU模块替换ASPP模块,在ResNet网络中运用扩张卷积有利于增大模型的感受野,总体上预测的边界更加平滑,且对细小缺陷的识别更精确;与SegNet、LinkNet算法的对比验证表明,Atrous-ResNet模型具备更高的精度,CPA小幅提升,MPA提升3.79个百分点,MIoU提升4.57个百分点,Atrous-ResNet模型具有更好的识别效果。【结论】基于语义分割的方法应用于芒果表皮缺陷识别是可行的,Atrous-ResNet模型较SegNet以及LinkNet算法比较具有更高的识别精度。

难治性幽门螺杆菌胃炎患者的耐药性及根除治疗的研究

目的探讨感染幽门螺杆菌(Hp)的难治性胃炎患者Hp耐药性及其根除治疗方案。方法 35例难治性胃炎患者在胃镜下对胃窦小弯、胃窦大弯和胃体3个部位进行胃黏膜采样,样本行Hp培养和药敏试验,同时采用PCR法检测CYP2C19基因多态性。基于药敏试验结果和CYP2C19基因代谢型对Hp感染患者行阿莫西林+任一敏感抗生素+铋剂+质子泵抑制剂(PPI)的14d四联疗法治疗,CYP2C19快代谢的患者PPI剂量加倍。比较不同CYP2C19基因代谢型患者Hp感染率、Hp耐药率及Hp根除率。结果完成治疗的难治性胃炎患者33例,多部位联合取样者的Hp阳性率为54.54%,胃窦小弯、胃窦大弯或胃体单部位取样者的Hp阳性率分别为42.42%、33.33%和45.45%。Hp对甲硝唑、左氧氟沙星和克拉霉素的耐药率分别为94.44%、44.44%和27.78%。难治性胃炎Hp感染率在不同CYP2C19基因代谢型者间差异有统计学意义(P<0.05)。难治性胃炎患者Hp根除率为94.44%,且根除率和耐药率在不同CYP2C19基因代谢型者间差异均无统计学意义(均P>0.05)。结论难治性胃炎患者通过病理学方法检测Hp时胃黏膜采样方式应优先选择多部位联合采样,Hp根除治疗方案应基于个体的药敏试验结果和CYP2C19基因代谢型。

基于Kinect人体动态三维重建

从图像中恢复出三维物体表面模型的方法称为3D重构,是计算机图形学研究领域中一个重要的研究方向。准确可靠的三维动态几何重建在影视制作和游戏开发中具有重要作用。不同于静态物体表面三维重建,动态几何三维重建需要研究帧与帧之间准确的对应信息。本文提出的方法基于单个Kinect硬件系统,利用Kinect重建出人体的静态三维模型,结合Kinect识别出的骨架进行人物的动态三维模型重建。

基于边缘特征引导的深度图像超分率重建

针对TOF(Time of Flight)相机深度图像在超分辨重建过程中易出现边缘模糊、纹理映射问题,在联合双边上采样滤波器的基础上提出一种基于深度图像自身边缘特征引导的超分辨重建方法。通过低分辨深度图像的边缘特征引导,将深度图像分为不同的区域,根据滤波区域性质的不同,对联合双边上采样滤波器模型中的颜色相似项进行不同加权。同时为了进一步保持图像边缘,在深度图像边缘部分加入一个结构保持项。最后利用联合双边上采样滤波器模型重建出高分辨深度图像。实验结果表明,该方法不仅提高了TOF深度图像的分辨率,而且很好地保护了深度图像的边缘结构,取得了较好的效果。

联合双边图像插值

传统的图像插值算法及其改进算法都存在边缘模糊、边缘锯齿或局部扭曲变形等问题。提出联合双边图像插值,首先采用传统插值算法对原始图像进行插值,将其结果作为导引图像对原始图像进行联合双边上采样,并给出其核函数方差的自适应确定算法。实验结果表明,与传统插值算法相比,该算法明显改进插值图像质量,与已有的绝大多数非线性改进算法相比还提高了插值速度。