基于卷积神经网络的左心室超声图像特征点定位

针对传统级联卷积神经网络（CNN）在左心室超声图像中定位准确度较低的问题，提出一种融合更快速区域卷积神经网络（Faster-RCNN）模型提取区域的级联卷积神经网络，实现对超声图像中左心室心内膜和心外膜轮廓特征点的定位。首先，采用两级级联的方式改进传统级联卷积神经网络的网络结构，第一级网络利用一个改进的卷积网络粗略定位左心室心内膜和心外膜联合的特征点，第二级网络使用四个改进的卷积网络分别对心内膜特征点和心外膜特征点进行位置微调，之后定位输出左心室心内膜和心外膜联合的轮廓特征点位置；然后，将改进的级联卷积神经网络与目标区域提取融合，即利用Faster-RCNN模型提取包含左心室的目标区域并将目标区域送入改进的级联卷积神经网络；最后，由粗到细对左心室轮廓特征点进行定位。实验结果表明，与传统级联卷积神经网络相比，所提方法在左心室超声图像上的定位效果更好，更逼近真实值，在均方根误差的评价标准下，特征点定位准确度提升了32.6个百分点。     

复杂条件下综放工作面煤自燃防治技术研究

蒙泰不连沟煤业F6209工作面由于地表裂隙导通工作面,存在地表向采空区持续漏风的问题,工作面在末采回撤期间,由于设备及工艺影响,推采缓慢,导致采空区遗煤大面积氧化,采空区CO和瓦斯浓度持续升高,严重影响工作面的设备回撤及安全封闭,在矿上采用采空区注氮、喷洒阻化剂等常规防灭火方法效果不理想的情况下,加之地表回填工程量大、周期长,治理方法为首先通过漏风及遗煤分布判断采空区发火范围,再在划定区域打设检测钻孔分析,之后通过相邻工作面巷道向采空区打设深部钻孔,通过钻孔向火区大量注入普瑞特防灭火材料覆盖遗煤区域,对氧化遗煤进行隔氧冷却。最终,工作面气体及采空区遗煤氧化得到很好控制,设备全部安全回撤。     

基于Jetson TX2的SAR船只目标检测实现

深度学习技术在SAR (Synthetic Aperture Radar)船只目标检测领域应用越来越广泛.然而,移动平台(机载/星载)有限的资源限制了基于深度学习的SAR船只目标检测技术应用.为了促进深度学习技术在移动平台的应用,本文开展了基于改进YOLOv2的SAR目标检测算法Jetson TX2嵌入式平台实现研究....