基于光流场模型的医学图像弹性配准

针对传统医学图像弹性配准方法中存在配准不连续、配准过程复杂,且配准用时较长等问题,提出基于光流场模型的医学图像弹性配准方法。首先通过加权矩阵控制对医学图像梯度进行平滑处理,构建光流场模型;采用该模型确定医学图像目标的具体运动情况;然后计算图像序列中不同像素点光流场,设置医学图像光流场的初始条件和边界条件;最后对医学图像进行几何变化,获取医学图像的目标函数,完成基于光流场模型的医学图像弹性配准。实验结果表明:采用本文方法对医学图像进行弹性配准的效果较为理想,获取的医学图像较为清晰,且配准的工作效率较高。     

关联规则挖掘的一种改进算法

关联规则挖掘是数据挖掘中重要的研究课题，R．Agrawal和R．Srikant于1994年提出的Apriori算法是关联规则挖掘的最有影响的算法，针对Apriori算法中频繁项集产生效率低这个核心问题，本文给出分辨矩阵、分辨向量并提出基于分辨矩阵的改进算法，它能有效提高频繁集的产生效率．     

基于视觉技术的带式输送机跑偏检测方法

为了解决带式输送机传统的跑偏检测装置容易误动作、检修维护工作量大、可靠性差等问题,提出了一种基于视觉技术的带式输送机跑偏检测方法,基于OpenCV库对工业视频进行转换,再利用灰度化、高斯滤波、直方图均衡化等方法进行图像预处理,随后利用Canny边缘检测算法、提取感兴趣区域ROI、Hough变换算法等实现带面边缘检测,最后将检测到的带面边缘直线与标定好的输送机托辊边缘直线进行比较得出带式输送机的运行状态。实验结果表明,该方法能够检测出带式输送机的“无跑偏”、“左跑偏”、“右跑偏”3种运行状态,具有较高的可靠性、稳定性和实时性,为保证带式输送机安全高效运行提供了思路。     

随处可见的文本文件

大家知道,DOS的TYPE命令可用来显示文本文件的内容。可我在教学中发现,由于初学者对文本文件的理解非常模糊(这与他们对ASCⅡ码的概念理解不深有关),便用此命令来显示任何一个文件,此时,轻者显示出来的文件内容面目全非,重者造成死机。为了使初学者对文本文件有明确的认识,正确使用它们,下面从文本文件的概念讲起,讲述一些具体应用的例子。     

挂接第二个硬盘以后……

我的机器为金长城奔腾100,8MB内存,硬盘为QUANTUM 520MB,分为两个逻辑盘C和D,C盘装有WIN3.2,D盘装了WIN95及其它应用软件。因工作需要想安装OFFICE97,但硬盘空间不够,只好再挂接第二硬盘。将一已经分成两个逻辑盘的810MB硬盘接上,便启动机器,机器能检测到新挂接的硬盘,自检一切正常,屏幕上出现STARTING WIN-DOWS95……,又出现WIN95的启动画面,随后便出     

基于多传感器融合的移动机器人定位算法研究

针对移动机器人在室外环境下全局位姿定位精度低、定位耗时长的问题,提出一种基于多传感器融合的机器人定位算法。首先构建移动机器人的运动模型,并选用里程计、惯性测量单元IMU和激光雷达作为移动机器人的基础传感器;然后采用自适应蒙特卡罗定位算法对传感器融合位姿进行位姿误差计算,获取移动机器人初始位姿;最后进行激光点云匹配,获取全局地图,并利用基于全局正态分布地图的NDT算法进行初始位姿修正,最终实现全局位姿校正和高精度定位。结果表明,基于多传感器融合的移动机器人定位误差控制在0.04 m范围内,定位时长均值为0.045 s,定位误差较小,定位损耗时间较少。由此说明,本定位算法可提升移动机器人的定位精度和定位效率,可实现移动机器人全局位姿快速、精确定位,提出的定位算法具备一定的有效性。     

ASP.NET下动态产生控件实现多文件随意上传

介绍了在ASP.NET环境下通过浏览器上传多文件的一种方案,该方法利用动态HTML语言(DHTML)结合客户端JavaScript脚本动态产生控件,并用C@语言编写后台代码真正实现了基于Web的无组件多文件上传,对上传文件的个数和类型都没有什么限制,并将上传后的文件名保存到数据库中,本方法具有灵活、简单、易用的特点,是WEB应用中值得借鉴的一种方法.     

基于改进ML-KNN算法的文本分类研究

由于传统ML-KNN算法数据集中每个特征具有相同权重,与事实上的不同特征具有不同权重相违背,故提出对ML-KNN算法的改进,用ML-KNN来构建分类模型进行分类。为验证该算法的分类效果,选取算法常用的衡量标准与其他两种算法比较,结果表明由改进ML-KNN算法构造的模型要优于其他两种算法,能有效表达多领域数据集分类问题,算法效果更好。     

基于深度学习的COVID-19智能诊断系统

本研究旨在探索运用深度学习的方法辅助医生利用胸部X光片进行COVID-19诊断的可行性和准确性。首先利用公开的COVID-QU-Ex Dataset训练集训练一个UNet分割模型,实现肺部ROI区域的自动分割。其次完成对该公共数据集肺部区域的自动提取预处理。再次利用预处理后的三分类影像数据（新冠肺炎、其它肺炎、正常）采用迁移学习的方式训练了一个分类模型MBCA-COVIDNET,该模型以MobileNetV2作为骨干网络,并在其中加入坐标注意力机制（CA）。最后利用训练好的模型和Hugging Face开源软件搭建了一套方便医生使用的COVID-19智能辅助诊断系统。该模型在COVID-QU-Ex Dataset测试集上取得了高达97.98%的准确率,而该模型的参数量和MACs仅有2.23M和0.33G,易于在硬件设备上进行部署。该智能诊断系统能够很好的辅助医生进行基于胸片的COVID-19诊断,提升诊断的准确率以及诊断效率。