基于R2UNet和空洞卷积的羊后腿分割目标肌肉区识别

针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题,以羊后腿自动去骨分割工序为研究对象,提出一种基于R2UNet和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的UNet语义分割网络进行改进,以UNet为骨架网络,采用残差循环卷积块替换原始UNet的特征编码模块和解码模块中的卷积块以避免UNet的梯度消失,在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码,实现缝匠肌图像分割模型的构建。一方面,针对缝匠肌这一核心目标肌肉区,采集羊后腿图像构建数据集训练与测试本文模型,以验证该方法的准确性与实时性;另一方面,通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径,并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动,验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明:当交并比为0.8588时,本文方法平均精确度为0.9820,优于R2UNet的(0.8324,0.9775);单样本检测时间平均为82 ms,说明本文方法可快速、准确分割出缝匠肌图像,满足机器人自主分割系统的实时性要求,优于UNet、R2UNet、AttUNet算法。最后,在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验,机器人对5条羊后腿的平均切削时间为7.9 s,平均偏移距离为4.36 mm,最大偏移距离不大于5.9 mm,满足羊后腿去骨分割的精度要求。

基于VGGNet-16迁移学习的男性胸肌发达程度识别模型

VGGNet是由牛津大学计算机视觉组和Google DeepMind公司的研究员共同研发的一例经典CNN模型,在计算机图像识别、分类工作上具有强大的优势。研究采用VGGNet-16迁移学习方式构建胸肌发达程度的识别模型,探索利用计算机深度学习技术识别肌肉发达程度的可行性。结论:基于VGGNet-16预训练模型(ImageNet)对胸肌图像进行迁移学习,模型经过30次迭代学习,最终在测试集上的准确率达到95.2%,损失达到0.0658,能够很好地提取胸肌图像特征,并能够较为准确地识别胸肌发达程度。

肌肉骨骼紧张因素识别法联合快速暴露检查法识别制鞋工人工作相关肌肉骨骼疾患

目的探讨联合应用肌肉骨骼紧张因素识别法和快速暴露检查(QEC)法识别制鞋工人工作相关肌肉骨骼疾患(WMSDs)情况。方法采用简单随机抽样法,以福州市某制鞋厂129名制鞋工人为研究对象,采用肌肉骨骼紧张因素识别法和QEC法识别43个工种研究对象的WMSDs工效学危险因素。结果制鞋厂可能发生于颈、肩和上背部WMSDs风险的工种数量最多(36个),其次为肘、前臂和手(31个),足、膝和臀部最少(3个)。存在"重复或持续性工作时颈部轻微前曲"不良因素的工种最多(31个),其次为"重复性作业"(24个)。小车、检工等工种存在多部位和多危险因素。同时存在3个部位高度及以上工效学负荷的工种有10个,同时存在2个部位高度及以上工效学负荷的工种有21个。结论肌肉骨骼紧张因素识别法和QEC法可用于制鞋工人WMSDs风险的识别和评估。制鞋工人WMSDs发生风险以颈部最为明显,可同时伴有肩、前臂和手多部位发生风险。

An inverse approach to identifying the in vivo material parameters of female pelvic floor muscles using MRI data

Dear Editor,Pelvic floor（PF）dysfunctions comprise of a wide spectrum of interrelated clinical conditions and represent an important health problem.The PF supporting system can be regarded as a loaded structure with a complex geometry that supports the increase of abdominal pressure and maintain normal position of pelvic organs（Figure 1A）.