非平面胶体晶体的制备及表征

利用平面和非平面基底,采用垂直沉积法制备了SiO2胶体晶体,采用X射线衍射分析仪(XRD)对颗粒的晶型进行表征,通过扫描电子显微镜(SEM)对粉体的形貌及胶体晶体的结构和排列方式进行测试分析.研究曲面的内径大小及双曲面基底的间距大小对结构的影响规律,对曲面胶体晶体的生长过程进行探讨.结果表明曲面基底有利于胶体晶体结构的有序生长,在适当的双曲面基底间距下,双曲面上所生长的胶体晶体具有更加紧密的结构.     

基于改进YOLOv5的驾驶员分心驾驶检测

针对采用分类方法进行分心驾驶检测存在只能识别有限分心驾驶行为类别以及忽视时间信息的问题,提出了基于改进YOLOv5的驾驶员分心驾驶检测方法。首先,在YOLOv5的基础上引入Ghost模块,采用线性变换代替部分常规卷积进行特征提取以轻量化网络模型,实现快速又准确地检测图像中手机、水杯、驾驶员双眼和头部区域;其次,在获取目标检测结果的基础上,结合头部姿态估计设计逻辑算法并融入YOLOv5中,从认知分心和视觉分心两个角度检测每帧图像中驾驶员是否存在分心驾驶,避免了分类方法受限分心驾驶类别数的问题,再设置适当的时间阈值,从而实现端到端实时的分心驾驶预警;最后,对采集的18名驾驶员的驾驶行为数据集进行对比试验,验证了本文方法的可行性和有效性。     

医学图像深度学习技术:从卷积到图卷积的发展

以卷积神经网络为代表的深度学习技术推动神经网络在医学图像研究领域不断实现新突破。然而,平移不变性等理论假设限制了卷积神经网络在非欧氏空间数据中的表达能力,是医学图像深度学习技术亟待突破的瓶颈。图卷积技术不仅能够解决非欧氏空间数据的拓扑建模难题,还实现了空间特征提取,是深度学习技术全新的研究方向。本文对图卷积网络在医学图像领域的相关理论及其应用进行综述,旨在系统归纳和全面总结医学图像领域最新的图卷积理论、方法和实践,包括图结构视角下医学图像的专业采集、数据结构的剪枝转换以及特征聚类重构方法;图卷积网络的理论溯源,重要的网络架构和发展脉络;图卷积网络的优化方向和衍生出的跳跃连接、inception、图注意力等重要机制;图卷积网络在医学图像分割、疾病检测和图像重建等方面的实践应用。最后,提出了图卷积网络在医学图像分析领域仍亟待突破的瓶颈问题：1）多模态医学图像学习中,异构图的构建与学习任务的优化;2）特征重构和池化过程中,如何通过构图算法设计与神经架构搜索算法结合,以实现最优图结构的可学习过程转换;3）高质量图结构医学标注数据的大规模低成本生成与生成对抗网络的算法设计。随着人工智能技术的不断发展和医学影像规模的不断扩大,以图卷积为代表的深度学习方法必将在医疗辅助诊断领域取得更大的突破。     

四颗螺钉同步装卸力矩可控式气动扳手转换接头设计

为同步装卸圆周上均布的四颗螺钉,防止螺钉装配力矩过载,特设计了四颗螺钉同步装卸力矩可控式气动扳手转换接头,其主要由传动机构、变径装置和力矩过载装置组成,该接头结构简单、力矩可控、操作方便,可提高装配质量和装配效率,降低劳动强度,具有广阔的应用价值和市场前景。