糖尿病性视网膜图像的深度学习分类方法

目的 糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病,因此,对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题,为此,提出一种基于卷积神经网络和分类器的视网膜病理图像自动分类系统。方法 首先,结合现有的视网膜图像的特点,对图像进行去噪、数据扩增、归一化等预处理操作;其次,在AlexNet网络的基础上,在网络的每一个卷积层和全连接层前引入一个批归一化层,得到一个网络层次更复杂的深度卷积神经网络BNnet。BNnet网络用于视网膜图像的特征提取网络,对其训练时采用迁移学习的策略利用ILSVRC2012数据集对BNnet网络进行预训练,再将训练得到的模型迁移到视网膜图像上再学习,提取用于视网膜分类的深度特征;最后,将提取的特征输入一个由全连接层组成的深度分类器将视网膜图像分为正常的视网膜图像、轻微病变的视网膜图像、中度病变的视网膜图像等5类。结果 实验结果表明,本文方法的分类准确率可达0.93,优于传统的直接训练方法,且具有较好的鲁棒性和泛化性。结论 本文提出的视网膜病理图像分类框架有效地避免了人工特征提取和图像分类的局限性,同时也解决了样本数据不足而导致的过拟合问题。     

基于自控算法的均压回收对高炉产量的影响

本文介绍了通过自动化措施削弱,高炉冶炼中因增加均压煤气回收工序对高炉产量的影响。本改造通过自动化程序算法节约均压回收流程总耗时后,再变更阀门的驱动方式,从而把由此套环保设备的增设对高炉产量的影响一降再降。     

均压煤气回收控制算法升级改造实践

为实现钢铁企业的环保、节能、高质、高效生产,在高炉冶炼中增设了余压回收系统,使高炉环保指标有所提高,但同时也导致了高炉产量的降低。针对此问题,通过优化自动化程序和改变常规阀门动作的先后顺序,对高炉均压煤气回收控制系统进行改造,使增设的环保设备对高炉产量造成的影响大大降低,优化了高炉产量与环保事业的冲突关系,保证了高炉的有效运行时间。     

以自动化程序方式预防高炉串罐堆罐事故发生

介绍了高炉冶炼上料阶段中发生串罐、堆罐事故的原因,详细阐述了高炉串罐堆罐事故预警系统及具体实施过程。通过程序判断将高炉炉顶上罐堆料和下罐串罐事故阻止在萌芽状态,确保高炉安全、稳定运行。