简介：摘要：针对土木工程结构施工现场人员安全帽佩戴情况识别问题，对基于卷积神经网络的施工人人员佩戴安全帽智能判别方法进行了研究，并设计了一套安全帽佩戴智能识别软件系统。卷积神经网络模型主要包括 AlexNet网络和 Faster R-CNN网络。网络模型在 Matlab中进行了训练和验证，训练损失小于 0.2%，验证了该智能判别方法的有效性。

简介：摘要：滚动轴承作为机械系统的关键零部件一旦发生故障将影响整个设备的性能，因此需要对滚动轴承进行实时监测，以便对其故障进行预警。本文提出了一种参数优化的多点最优最小熵解卷积方法对滚动轴承故障诊断，首先以多点峭度为目标函数增强信号中的周期性脉冲，再通过敏感函数确定最优滤波长度确定最优解卷积结果，之后使用Hilbert包络解调处理获得包络信号，最后通过包络谱与滚动轴承故障特征频率对比确定滚动轴承故障情况及故障位置。

简介：摘要目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中，收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张，采用随机数字编号。采用图像查看软件圈出目标创面，由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度，用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后，按224×224像素的尺寸切割得到完整大小的图像块5 637张。采用图片生成器将3种深度烧伤图像块均扩充至10 000张后，将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下，采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型，输入训练集进行训练，利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率，计算精确率、召回率及F1指数；通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图，观察各类烧伤深度分布情况；根据模型对3种烧伤深度识别的敏感度及特异度，绘制出相应受试者工作特征(ROC)曲线，计算ROC曲线下面积。结果(1)经测试集测试，人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1 095/1 301)、81%(1 215/1 499)、82%(1 395/1 700)，召回率分别为73%(1 095/1 500)、81%(1 215/1 500)、93%(1 395/1 500)，F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示，人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少，其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多，而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度，特别是浅Ⅱ度与Ⅲ度烧伤，有望用于临床烧伤深度辅助诊断，提高诊断准确率。

简介：摘要： 齿轮在直升机主减速器、尾减速器等传动装置中发挥着至关重要的作用，齿轮的故障将影响发动机的动力传递，造成直升机飞行性能的下降。多点最优最小熵解卷积是齿轮故障信号增强的有效方法，然而其增强效果受滤波长度的影响很大。本文采用能量指标的方法自适应选取多点最优最小熵解卷积的滤波长度，降低长度选取的随机性以及人工经验的主观性，提升信号增强效果的稳定性。

简介：摘要：直升机的可靠性和安全性对于军事和民用领域都具有重要意义。直升机轴承作为关键组件之一，在飞行中承受着巨大的载荷，其故障可能导致事故风险和经济损失。为了实现对直升机轴承故障的快速、精确诊断，从而提前预警潜在故障，本论文提出了一种基于S变换与卷积神经网络（CNN）的直升机轴承故障诊断方法。通过对振动信号进行采集和预处理，利用S变换进行时频分析，以捕捉轴承故障的瞬态特征。同时，将提取得到的特征输入到卷积神经网络中，通过卷积和池化操作进行特征学习和分类识别。最后，通过实验验证并与其他方法进行对比，评估所提出的方法的性能和有效性。实验结果表明，基于S变换与卷积神经网络的直升机轴承故障诊断方法相较传统方法具备更高的准确性和可靠性。该方法能够有效提取和识别直升机轴承故障的特征，实现故障的早期预测和快速诊断。

简介：摘要

简介：摘要目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型，探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例，其中病毒性脑炎患儿577例，非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks（SE-ResNet）模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks（CBAM-ResNet）、Mobile Networks（MobileNet）、Residual Networks（ResNet）、Shuffle Networks（ShuffleNet）模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上，而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上，CBAM-ResNet具有最高的准确率73.91%，ResNet具有最高的召回率75.45%，但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平，并且取得最好的F1得分和曲线下面积（area under the curve, AUC）值：准确率为70.83%，召回率为72.73%，AUC为0.77，F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的，本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。

简介：摘要目的研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法，并进行验证及初步应用。方法回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例，其中男520例，年龄（58.45±18.13）岁；女186例，年龄（52.23±16.23）岁。均为单侧，左侧402髋、右侧304髋。搭建transformer_unet卷积神经网络并使用Tensorflow 1.15进行网络模型训练，实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统，初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient（DOC）、average surface distance（ASD）、Hausdorff distance（HD）参数对transformer_unet、全卷积网络（fully convolutional networks，FCN）、2D U-Net、和Deeplab v3+的分割精度进行评估，统计分割耗时对上述网络的分割效率进行评估。结果与FCN、2D U-Net和Deeplab v3+学习曲线相比，transformer_unet网络可通过较少的训练量实现更优的训练效果。Transformer_unet的DOC为95%±4%，HD为（3.35±1.03） mm，ASD为（1.38±0.02） mm；FCN分别为94%±4%、（4.83±1.90） mm、（1.42±0.03） mm；2D U-Net分别为93%±5%、（5.27±2.20） mm、（1.46±0.02） mm；Deeplab v3+分别为92%±4%、（6.12±1.84） mm、（1.52±0.03） mm。Transformer_unet各系数均优于其他三种卷积神经网络，差异有统计学意义（P<0.05）。在分割时间方面，transformer_unet分割耗时为（0.031±0.001） s，FCN为（0.038±0.002） s，2D U-Net为（0.042±0.001） s，Deeplab v3+为（0.048±0.002） s。Transformer_unet分割耗时少于其他三种卷积神经网络，差异有统计学意义（P<0.05）。将transformer_unet与全髋关节置换术三维规划系统相结合，可初步完成髋关节翻修手术智能规划系统的构建。结论与FCN、2D U-Net和Deeplab v3+相比，transformer_unet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割，有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。

简介：摘要：新型冠状病毒在2020年为我国人民的生活质量带来了极大的影响，同时也造成了很多家庭的破碎。但是感染新冠病毒尽可能早的发现并采取治疗能够在很大程度上延续患者生存的时间，新型冠状病毒（新冠，SARS-Cov-2）的首次报道与2019年的12月末，此后其快速发展成为全球性质的新型传染疾病。患有新型冠状肺炎的患者虽然总体的死亡率不高，但是其会在很短的时间内发展成为重症患者，造成死亡风险的大大提高。眼前对于早期阶段筛查患者发展情况的方式处于较为起步的阶段，这样的问题会导致生产生活受到进一步的影响，为此本文对基于深度卷积神经网络判断（新冠）肺部感染类疾病的视觉监测方法进行研究，由深度卷积神经网络的相关概念入手，进而展开检验方式内容及检验训练模型的具体论证，同时使用具体效果的验证确保其有效性。

简介：摘要目的构建基于卷积神经网络的甲状腺液基细胞学病理辅助诊断模型。方法收集700例甲状腺液基细胞学涂片，扫描成数字图像，经良、恶性标注后按比例分成训练集和测试集，噪声滤除后提取有效区域分别在10×和40×分割成512×512的小图像块，构建分类模型对训练集深度学习并对测试集自动判读，经数据增强和参数迭代优化，统计辅助诊断模型的准确率、灵敏度、特异度、阳性预测值和阴性预测值等评价指标。结果训练集560例含4 926个细胞团的11 164个图像块，测试集140例含977个细胞团的1 402个图像块，选取YOLO网络构建细胞团检测模型，用ResNet50作为分类模型，经过40轮迭代训练，10×倍率下准确率为90.01%，灵敏度89.31%，特异度92.51%，阳性预测值97.70%，阴性预测值70.82%，曲线下面积高达0.97，平均判读时间不足1 s。40×时虽极为灵敏（98.72%）但特异性较差，提示10×放大倍率下辅助诊断模型更为可靠。结论该辅助诊断模型与病理医师水平基本相当，且诊断效率远远超出。可大大提高阅片一致性和效率，降低漏诊率。未来可继续扩大样本量获取更多病变形态，提高准确率，达到临床应用水平。

简介：摘要：医学的图像配准是目前图像处理领域的一个典型问题和技术难点，为了更好更高效地综合多种信息来辨别不同的组织和病变部位，医生可能需要对同一个部位应用不同的仪器或者不同的成像技术进行扫描成像。匹配同一个病发位的过程称为配准，但最为困难的是，即便我们使用同一设备对同一位置进行成像，其结果也不尽相同，仍需要考虑输出图片的大小等因素。正电子发射型计算机断层显像（Positron Emission Computed Tomography，PET）主要对参与特定代谢途径的组织进行成像，存在的差异与计算机断层扫描显像（Computed Tomography，CT）和核磁共振成像（Magnetic Resonance Imaging，MRI）相比较大。因此在本题中我们采用了灰度值（Gray scale）、噪声处理、拉普拉斯滤波器等方法对图片进行预处理，再根据卷积神经网络（Convolutional Neural Networks, CNN）进行适当修改，最终完成各种模态内及模态间的配准处理。

简介：摘要：中国是一个储煤大国，煤炭开采是国民经济发展的支柱产业，但煤炭资源赋存条件的复杂性和不确定性，以及我国煤炭行业多为井工开采的现状，决定了煤炭开采行业的高危险性。如何有效的对井工煤矿开采作业进行安全管控成为了行业痛点和难点问题。本文从煤矿井下作业标准化和安全风险防控的角度出发，针对井下作业的不安全行为利用图像识别和递归卷积神经网络算法进行研究，该技术能够获取高可靠的目标特征向量来提升对象的识别精度，实现对特定目标鲁棒性、精确性识别和实时预警，杜绝因人的不安全行为导致的安全事故。首先，将井下员工不安全行为进行了分类，分为异常操作和异常位置两类；其次，基于图像识别技术对井下员工的异常操作和异常位置进行了判断，判断的依据是煤矿采掘工作面的图像数据与样本图像的对比及人员站立位置的计算。研究结果表明：本文的方法能够较为准确而快速地对煤矿井下员工不安全行为识别，具有较好的实用价值。

简介：摘要：作为一个复杂的神经网络系统，大脑区域和基因协同有效地存储和传递信息。本文提出将协作相关性抽象为脑区基因网络(BG-CN)，并提出了基于图卷积神经网络的阿尔兹海默症的早期治疗系统，图卷积神经网络(GCN)，用于研究脑区内部和脑区之间的信息传递。该结果可用于阿尔茨海默病(Alzheimer ' s disease, AD)的诊断和病因提取。首先，建立了BG-CN的亲和聚合模型来描述脑区间和脑区内的信息传递。其次，基于亲和聚合模型，设计了具有脑区间卷积和脑区内卷积操作的GCN体系结构。通过在AD神经成像倡议(ADNI)数据集上的充分实验验证，GCN的设计更符合生理机制，提高了可解释性和分类性能。此外，GCN可以识别受损的大脑区域和致病基因，这可能有助于AD的精准医疗和药物设计，并为其他神经系统疾病提供有价值的参考。

简介：摘要目的探讨卷积神经网络单激发（convolutional neural network single-shot, CNN-SS）技术在配合不佳患者颅脑MRI中应用的可行性。材料与方法选取32例因不能有效配合头颅MRI检查，导致常规并行采集（parallel imaging, PI）技术T2-FLAIR序列成像效果不佳的患者，应用CNN-SS技术进行T2-FLAIR补充扫描。并对两种技术方法的图像质量、病灶显示情况进行对比分析。结果CNN-SS组T2-FLAIR序列全颅脑扫描时间为33 s，PI对照组扫描时间为126 s。在图像质量方面，CNN-SS组的图像质量和病变清晰度评分分别为（3.75±0.51）分和（3.68±0.55）分，较PI组（2.41±0.71）分和（2.52±0.96）分显著改善（P均＜0.001）。结论CNN-SS技术可以有效应用于无法有效配合患者的头颅MRI，可显著缩短检查时间，并减少图像伪影提升图像质量，有助于对这类无法配合患者的潜在病变进行及时诊断，有助于患者治疗方案制订，避免漏诊、延误治疗。

简介：摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为 3个等级（每个等级共包含 530幅五通道图像，其中 480幅作为训练集， 50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和 GPS 信息，识别彩色图像模型在验证集的正确率为 84.7%，识别多光谱图像模型在验证集的正确率为 90.5%，模型训练平均时间为 4.5h，五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。

简介：[摘 要] 本文旨在解决面向公路场景的精准单目深度估计问题。由于视觉transformer在建模长程相关性方面表现出色，我们使用Swin Transformer来建模全局上下文以实现准确的深度估计。同时，我们设计了一个卷积神经网络分支来帮助模型捕捉公路图像的局部细节。消融实验验证了卷积神经网络分支捕获局部特征的有效性。在KITTI公路场景图像上的实验结果表明，该方法比现有的最先进的单目深度估计方法具有更好的性能。

简介：摘要目的基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布，并评估其预测精度。方法首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集，并将其划分为训练集(72例)、验证集(8例)、测试集(20例)；然后利用U-Net建立模型，将是否包含宫腔管及插针作为区分因素训练两个模型；最后对20例测试集病例进行预测，并进行对比分析。模型的性能通过、以及平均绝对离差共同评估。结果包含与未包宫腔管与插植针的模型相比，直肠的上升了(16.83±1.82) cGy (P<0.05)，其余ROI的或均相近(均P>0.05)；高危靶区、直肠、乙状结肠、小肠、膀胱平均绝对离差分别上升了(11.96±3.78)、(11.43±0.54)、(24.08±1.65)、(17.04±7.17)、(9.52±4.35) cGy (均P<0.05)；中危靶区的下降了(120.85±29.78) cGy (P<0.05)；6个ROI的平均绝对离差的平均值下降了(7.8±53) cGy (P<0.05)，更接近实际计划。结论利用全卷积网络U-Net可以实现宫颈癌患者BT的三维剂量分布预测；结合宫腔管与插植针作为输入参数，比单一使用ROI结构作为输入能得到更准确的预测结果。

简介：摘要：随着现代智慧城市的建设发展，基于物联网技术、大数据技术、BIM技术的城市住宅污水管防堵塞监测技术正向着数字化、智能化的方向发展，中铁八局集团建筑工程有限公司与成都工贸职业技术学院联合对基于循环卷积神经网络的城市住宅污水管道防堵塞监测技术进行研究，并设计制造了可实际应用于城市住宅污水管防堵塞监测的系统设备。

简介：摘 要：传统故障诊断的信息来源多是结构化的电气参量。本文使用非结构化数据作为参考数据进行故障诊断。并基于混合神经网络模型提取非结构化数据的有效特征信息。由此搭建适用于非结构化文本数据的模型。同时基于此改进提出的模型。通过网络的各项参数更新，选择最优的网络模型。最后通过某地区的实际故障数据进行算例分析，并对比不同Batch size，最后算例结果表示，本文提出的基于文本非结构化数据及循环卷积神经网络的输变电系统故障诊断算法的有效性。

简介：摘要：滚动轴承是航空装备的重要零部件，其可靠性对于航空装备的安全运行至关重要。本研究旨在开发一种有效的方法，用于早期微弱滚动轴承故障特征提取，以提高航空设备的可靠性和性能。为了实现这一目标，我们将经验小波分解（EWT）与最小熵解卷积（MED）相结合，并引入了灰狼优化算法来优化EWT的参数，以提升特征提取效果。经试验验证，本文提出方法能够在滚动轴承早期微弱故障时提取到其故障特征频率，有效指示滚动轴承早期故障。