柴油机碳烟颗粒三维形貌特征的研究

采用微孔均匀沉积冲击器(MOUDI)颗粒采样仪从ZS195单缸发动机尾气中采样,并用软X射线显微成像和软X射线三维重建技术从不同角度观察颗粒的形貌,用Amira获得不同工况、不同粒径级下颗粒的三维形貌和形态学参数,通过比较不同负荷工况和不同粒径级下颗粒的形态学参数,如分形维数、单位体积的表面积等,分析了不同工况和粒径级下这些形态学参数的差别.     

基于密度聚类的光条中心线提取方法

为了解决线结构光3维测量中噪声光斑对提取精度的影响，采用了密度聚类灰度重心提取算法提取激光光条中心线。该方法由中心线预提取以及中心线最终提取两阶段组成，预提取阶段实现对激光与光斑两者中心线的同时提取，最终提取阶段采用基于连通性的密度聚类算法完整保留激光中心线并剔除噪声光斑。在仿真实验阶段，对大小为600pixel×600pixel、含有激光中心线的图像进行了加噪处理，并使用提取结果与真实中心线之间各点的均方根误差以及运行时间作为考察标准进行了实验研究。结果表明，该方法与传统灰度重心法相比，在高亮度各向异性光斑、高亮度小面积光斑、高亮度点噪声图像的均方根误差分别降低了12.59pixel，15.12pixel和83.36pixel，时间复杂度分别提高了0.383s, 0.412s和0.416s。该方法与传统灰度重心法相比具有更高的提取精度、近似的时间复杂度，且对噪声光斑具有较好鲁棒性，可以在噪声光斑图像中完整提取出光条中心线。     

预拉伸对X2A66铝合金蠕变时效力学性能与微结构的影响

通过力学性能测试和显微组织观察,分别研究人工时效、蠕变时效以及预拉伸蠕变时效热处理工艺对X2A66铝锂合金薄板力学性能和组织结构的影响。结果表明:与人工时效相比,蠕变时效过程改变了合金时效析出行为并恶化合金力学性能;但蠕变时效前进行预拉伸处理,能够在稍微降低伸长率的情况下显著提升合金屈服和抗拉强度。     

比较X线和CT在矽肺诊断中的临床价值分析

目的:对比分析CT与X线在矽肺诊断中的临床价值。方法:回顾性分析2011年3月至2013年6月100例经广东省职业病防治院确诊的矽肺患者的X线与CT的影像学表现,比较它们在矽肺诊断过程中的检出率。结果:CT检查的总确诊例数为32(32.0%)例,X线的总确诊例数为32(32.0%)例,两者之间有统计学差异(P0.05),分析矽肺I期、II期、II期两者的检出率,差异无统计学意义(P0.05)。结论:CT检查在矽肺的诊断中更具有优势,矽肺诊断检出率明显高于X线,但为了早期诊断矽肺和确定其进展,为治疗提供合理的参考,在X线的基础上结合CT检查更有利于矽肺的诊断。     

锐声音

<正>建立角膜联盟,搭建信息共享平台,能让紧急的患者及时得到救助,保住光明。——暨南大学眼科教授、成都爱迪眼科名誉院长姚晓明成人渐进验配技术真的没那么复杂;禁忌症(人群)真的没那么多。相比技术更关键的是沟通,如何让消费者更好地接受、更愿意配戴,才是更大的挑战。——天津万里路视光培训学校王冬     

电感耦合等离子体原子发射光谱法测定高铋铅中铜、铁、镍、镉、砷、锑、铋

采用硝酸-酒石酸溶解高铋铅样品,保持10%硝酸介质浓度,对不同浓度范围的元素进行分液,实现了电感耦合等离子体原子发射光谱仪对高铋铅中铜、铁、镍、镉、砷、锑、铋7种元素的同时测定。通过试验,比较了不过滤直接测定以及过滤-滤渣补正两种方式,滤渣中待测元素含量极低,选择不过滤直接测定的方法。进行了干扰元素试验,并界定了最大干扰量。7种元素在一定的质量浓度范围内与其发射强度呈线性关系,测定值的相对标准偏差(n=7)在0.56%~9.78%之间。     

激光焊接裂纹磁光成像频域特征分析

为了研究旋转磁场激励下激光焊接裂纹磁光成像在频域内的特征, 采用对激光焊接裂纹磁光图像进行2维离散傅里叶变换的方法, 进行了理论分析和实验验证, 取得了旋转磁场不同励磁强度下激光焊接裂纹的频谱图数据。结合裂纹磁光图的空域特征, 对所获裂纹频谱图灰度值为255的点进行统计分析。结果表明, 激光焊接裂纹磁光图像的频域特征和空域特征有一定的对应关系; 在一个变化周期内(885帧磁光图), 对应频谱图上会出现先变小再变大、再变小再变大或相反的变化过程, 最终回到初始状态。这一结果验证了旋转磁场下裂纹磁光成像规律的正确性, 对激光焊接缺陷的无损检测是有帮助的。     

X射线荧光光谱分析法在检测铁矿石组分中的应用

在检测铁矿石组分中科学合理的应用X射线荧光光谱分析法,既能大幅度提升检测的灵敏度,又能有效消除非均质效应,从而保证检测结果的精度。基于此,文章结合理论实践,在简要阐述X射线荧光光谱分析法原理和结构组成的基础上,分析了具体的应用过程,希望能够对从事铁矿石检测工作的相关人士提供一定的帮助和参考。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。