基于正则化思想的tilt-Euler法在边缘深度反演中的应用

地质体边缘深度在重、磁位场数据半定量解释中起着至关重要的作用。由于重、磁异常及其各阶导数均满足欧拉齐次方程,tilt-Euler法在边缘深度反演方面备受青睐。然而,当重、磁异常的总水平导数或者总梯度模等于0时,倾斜角的一阶导数无法计算,导致倾斜角不能满足欧拉方程,tilt-Euler法无法使用。为了解决此问题,本文基于正则化思想,对倾斜角的一阶导数进行修改,使得重、磁异常的总水平导数或者总梯度模等于0时,倾斜角的一阶导数依然可以计算,修改后的倾斜角导数依然满足欧拉方程,称改进的方法为rtilt-Euler法;同时利用识别精度更高的归一化总水平导数垂向导数(NVDR-THDR)边缘识别方法对反演结果进行约束,剔除偏离边缘位置的坏点。理论模型试验结果表明,改进后的方法消除了重、磁异常总水平导数或者总梯度模很小或者等于0时,倾斜角导数无法计算以及反演结果不稳定的问题。将该方法应用到澳大利亚奥林匹克坝氧化铁铜金矿床边缘深度反演中,反演结果显示氧化铁铜金矿床边缘深度主要集中在0~100 m和100~200 m这两个深度段内,与沉积物剖面显示的矿床边缘深度0~200 m相符,证明了该方法的有效性。

重磁场二度体边缘深度反演研究进展

地质体边缘深度对重磁位场勘探半定量解释起着至关重要的作用。目前主要的地质体边缘深度反演方法有沃纳(Werner)反褶积法、解析信号振幅法(ASA)、局部波数法(local wave-number)、Tilt-depth法、欧拉(Euler)反褶积法和曲率属性(curvature attributes)反演法。这几类方法都存在解的筛选问题、稳定性问题和适应性问题。本文主要对不同类型数据和模型的适应性问题进行研究,基本原理分析和模型试算结果表明:沃纳反褶积方法和欧拉反褶积方法适用的数据源类型最多,曲率属性适用的数据源类型次之,Tilt-depth最少;沃纳反褶积方法、欧拉反褶积方法和曲率属性方法能够适应较多的模型,Tilt-depth能够适应的模型最少。对于重力数据,垂向一阶导数的解析信号振幅作为数据源适用于所有方法。对于磁力数据,解析信号振幅作为数据源适用于所有方法。同时,建议其他学者在使用这些方法反演二度体边缘深度时,遵循以下原则:反演方法推荐优先使用沃纳反褶积,其次是曲率属性和欧拉反褶积。沃纳反褶积方法和欧拉反褶积方法的重力数据源推荐使用垂向一阶导数的水平导数,磁力数据源推荐使用水平导数。曲率属性方法的重力数据源推荐使用垂向一阶导数的解析信号振幅,磁力数据源推荐使用解析信号振幅。另外,基于以上的研究结论,对边缘深度反演中解的筛选问题、稳定性问题和适应性问题在未来的研究方向中给出了一些建议。

基于深度学习边缘检测和Hough变换的摇床矿物带边界提取和特征表示

摇床是一种应用广泛的重力选矿设备,也是钨、锡矿主要的选矿设备。影响选矿摇床分选指标的因素错综复杂,通过有经验的工人去不断优化调参,即是耗时耗力的,也是不准确的。已经有各种图像处理技术应用到选矿中,大部分在浮选选矿中,效果很好,考虑到选矿摇床排矿区域大和环境更加复杂,传统的阈值分割和边缘提取算子难以准确地检测出我们需要的边缘特征,故采用基于深度学习边缘检测算法和Hough变换的方法,能够从复杂环境下的矿物带图像中提取出矿物精矿带边界线和摇床边界线的特征,解决了摇床自动控制系统中机器视觉识别摇床分选状态问题,对选矿摇床分选过程控制模型的研究具有重要意义。

四种复合树脂嵌体修复牙体缺损边缘微渗漏深度对比探讨

目的探讨四种复合树脂嵌体修复牙体缺损边缘微渗漏深度对比。方法选择40颗新拔除上颌前磨牙作为研究对象,均依照国际嵌体标准制备Ⅱ类洞,随机分为四组,分别使用复合树脂Z350制作嵌体(Z350组,n=10)、复合树脂P60制作嵌体(P60组,n=10)、复合树脂Ceramage制作嵌体(Ceramage组,n=10)、复合树脂Solitaire2制作嵌体(Solitaire2组,n=10),并测量分析四组的染料渗入轴壁深度及龈壁深度。结果四种复合树脂嵌体修复牙体缺损均存有轴壁微渗漏与龈壁微渗漏;Z350组、P60组、Ceramage组、Solitaire2组的轴壁缘微渗漏深度均低于龈壁缘微渗漏深度,P<0.05。结论临床上制作树脂嵌体较理想材料可选择Ceramage聚合瓷嵌体。

重新下降M估计子约束的深度图超分辨率算法

现有的深度图超分辨率增强算法大多借助于同场景彩色图像提供的辅助信息,而不同传感器信号间的结构差异将会引入质量损伤.为此,将图像引导的深度近邻关系视为误差,并利用重新下降M估计子进行误差的测度,从而有效抑制彩色图像和深度图像间结构差异的问题.首先根据相似颜色具有相似深度的假设建立深度近邻约束;其次利用重新下降M估计子度量深度邻域约束,将深度超分辨率增强转换成一个最优化问题;最后通过广义迭代重新加权最小二乘法予以求解.实验结果表明,该算法可有效地保持深度图的对象边缘,定性和定量指标均优于现有的代表性算法.

树脂嵌体与大块充填树脂、传统树脂修复离体牙Ⅱ类洞效果对比

目的 对比树脂嵌体与大块充填树脂、传统树脂修复离体牙Ⅱ类洞效果。方法 选取2023年6—12月镇江市第一人民医院收治的60例牙体缺损患者为研究对象,根据填充材料不同将患者分为树脂嵌体组、大块充填树脂组和传统树脂组,各20例。对比不同填充材料边缘裂隙宽度、边缘微渗漏深度、微渗漏等级。结果 树脂嵌体组的边缘裂隙宽度最小,其次为大块充填树脂组,最大为传统树脂组,差异有统计学意义(F=15.758,P<0.05)。边缘微渗漏深度最小为树脂嵌体组(0.95±0.08)mm,其次为大块充填树脂组的(1.12±0.10)mm,最大为传统树脂组的(1.17±0.11)mm,差异有统计学意义(F=28.00,P<0.05)。树脂嵌体组微渗漏分级低于其余两组,差异有统计学意义(P<0.05)。结论 在离体牙Ⅱ类洞修复中应用树脂嵌体,修复体边缘裂隙宽度、微渗漏深度和等级均低于大块充填树脂、传统树脂,临床效果显著。

面向自由视点视频系统的深度视频传输方法

针对自由视点视频系统中深度视频数据量大、深度编码失真影响虚拟视点绘制图像质量的问题，提出一种深度视频传输方法．该方法包括深度视频预处理和后处理两部分：在深度视频预处理阶段建立绘制无失真模型，并基于该模型对深度图进行高斯平滑及下采样以减少编码比特数；在后处理阶段，对解码和上采样后的深度视频采用自适应边缘重建以恢复深度边缘信息．实验结果表明，文中方法能节省53．87％～73．62％的码率，提高了虚拟视点绘制质量．

基于级联深度卷积神经网络的高性能图像超分辨率重构

为了进一步提高现有图像超分辨率重构方法所得图像的分辨率,提出一种高性能的深度卷积神经网络(HDCN)模型用于重构放大倍数固定的超分辨率图像。通过建立级联HDCN模型解决传统模型重构图像时放大倍数无法按需选择的问题,并在级联过程中引入深度边缘滤波器以减少级联误差,突出边缘信息,从而得到高性能的级联深度卷积神经网络(HCDCN)模型。基于Set5、Set14数据集进行超分辨率图像重构实验,证明了引入深度边缘滤波器的有效性,对比HCDCN方法与其他图像超分辨率重构方法的性能评估结果,展现了HCDCN方法的优越性能。

6G边缘云网融合关键技术研究

随着全球研究的逐渐深入,6G的应用场景及技术发展趋势已渐明晰,其中无线网络架构将随着计算、智能与网络连接的深度融合迎来深刻变革。边缘云网融合成为网络架构演进的重要方向,并进一步推动网络走向自动化、智能化和开放化。首先介绍了6G边缘云网融合的愿景及驱动力,然后从无线网络架构出发,提出了深度边缘节点的参考架构,并进一步阐述了智能内生和跨域智能设计,最后分析了架构革新带来的挑战与建议。

基于深度学习的危险驾驶行为检测模型研究

针对驾驶员常见危险驾驶习惯如驾驶汽车过程中看手机、打电话、进食以及同车内乘客聊天等现象,设计基于深度学习技术的危险驾驶行为检测模型。采用PaddlePaddle框架,将PaddleX深度学习网络模型转化为PaddleHub轻量型深度学习网络模型便于部署和应用;实现对驾驶员:正常安全驾驶、右手发短信/玩手机、右手打电话、左手发短信/玩手机、左手打电话、调试车载多媒体、进食、向后排拿物、整理妆容、同乘客谈话等10种驾驶行为的检测,检测准确率达98%以上。

基于三维机器视觉的工业机器人定位系统设计

为解决工业机器人在复杂自动化生产线上目标精确定位问题,文章搭建了由史陶比尔工业机器人、Kinect视觉传感器和上位机组成硬件平台,设计了基于三维视觉的工业机器人抓取定位系统。通过棋盘标定法对工业机器人抓取系统进行标定,采用深度边缘分割方法采集图像并提取工作面,根据累计概率Hough变换法提取工作面上不同形状目标的中心点,编写上位机处理程序实现图像分割、目标中心点定位及机器人运动控制等功能。实验结果表明该系统能够对规则形状目标实现定位功能,定位精度满足工业机器人的工作需求。

面向边缘部署场景的轻量神经网络修复算法

随着深度学习技术的不断进步,神经网络在各领域得到广泛应用,特别是在边缘计算环境中,例如智能交通和新型电网等典型场景.然而,神经网络的可靠性问题限制了其在真实世界的广泛应用.在复杂的边缘环境中,预训练模型往往因未涵盖所有可能的边缘情况而性能下降.因此,针对部署中的神经网络进行高效修复成为一个关键的研究课题.传统修复方法通常涉及整个模型的重新训练,这在边缘场景中具有诸多局限性.首先,不同地理区域的设备可能面临独特的自然噪声,使得统一模型难以适应所有环境.其次,深度神经网络的大规模参数使得其训练和部署时资源消耗巨大,且更新期间的服务中断将降低系统的可用性.为解决这些问题,本文提出了一种轻量级的补丁式神经网络修复算法.该算法通过引入个性化的补丁来增强神经网络对不同边缘环境中自然噪声和边角案例的鲁棒性.具体的,在故障定位阶段,类比于程序插桩中通过注入代码以检测、改进和分析软件行为,本文提出了神经网络插桩技术.通过将模型探针插桩进神经网络,观测其内部运行情况,实现了对错误样本的故障定位.在故障修复时,通过插入无监督搜索得到的神经网络补丁来纠正原始神经网络的输出.此外,本文提出了故障预测模块以提前预测潜在的错误输出,从而仅在必要时激活补丁.在基于2个数据集、15种噪声以及4个神经网络模型的实验中,与现有修复算法相比,本文方法在修复性能上取得了 6.64%至20.00%的提升.同时,本文方法所需的训练样本量减少了超过90%,而所需更新的参数量最高减少了 91.94%.这种有效且轻量的特性为解决边缘计算环境中神经网络的可靠性问题提供了有效途径.

基于可伸缩备选区域的CVBF算法

采用HEVC对3D视频的深度序列进行压缩编码时,会使深度图的边缘出现伪影,最终导致合成的新视点出现空洞影响视频观看质量。CFBV算法采用备选像素代替深度边缘不可信像素,是目前较为有效且简单的深度边缘滤波算法。为了获得更为准确的深度数据,提出基于可伸缩区域的备选像素提取算法,来提高CVBF算法的鲁棒性。滤波过程中,部分备选像素的值由可信度高的区域求平均获得。实验结果表明,使用改进的滤波方法后,合成虚拟视点的PSNR较采用CVBF算法最高提高了0.12dB.该滤波方法可有效提高压缩编码后的深度序列边界数据的可靠性,进而提高虚拟视点合成质量。