混凝土湿喷台车臂架振动模态分析

以国内某公司喷浆台车SPTC25为研究对象,首先利用陀螺仪和加速度传感器在施工现场进行动力学测试,采集到关于臂架在实际施工时的角速度和加速度的时间历程曲线。然后通过数据处理和分析计算,得到臂架在仰俯工况下的振动频率和振幅,分别为1.18 Hz和0.092 m,回转工况下的振动频率和振幅分别为0.98 Hz和0.073 m。其次,对湿喷台车臂架建立了准确的有限元模型,并且进行了模态仿真分析,得到前三阶模态的固有频率和振型。结合隧道施工时的实际操作数据统计,最终得出结论,臂架在施工过程中长时间处于共振状态,使得振幅过大,这是臂架疲劳开裂的主要原因,也为后续湿喷台车臂架的研发和优化提供了新的分析思路。     

基于免疫遗传算法的道路交通标志图像分割

针对道路交通标志图像分割的问题,提出了一种基于免疫遗传算法的实现方法。该算法利用免疫遗传机制,将图像的最佳阈值作为要求的解,设计了适合问题求解的抗体编码方式、克隆算子和免疫选择算子。仿真实验结果表明,所提算法能够有效地求得道路交通标志问题的最佳阈值。通过与传统遗传算法、改进遗传算法进行对比实验,更好地说明了本算法能够对图像分割得到较为满意的结果。     

改进的局部扩展拟合图像分割方法

局部扩展拟合(RSF)模型可以有效解决灰度不均匀的图像分割问题,但传统的局部拓展拟合模型只考虑了图像上一点在其局部拓展区域内与零水平集相交的情况,易导致过分割现象.为此, 提出了一种改进的局部拓展拟合方法,即在RSF模型的基础上考虑图像上每一点在其扩展邻域内与零水平集不相交的情况,并重新定义了此情况下灰度能量的取值,使该点的内部灰度能量与外部灰度能量严格相等.实验结果表明所提方法有效解决了由初始化问题导致的过分割现象.     

基于全卷积网络的左心室射血分数自动检测

提出了一种基于全卷积网络(fully convolutional networks, FCN)的左心室射血分数自动估测的方法.利用全卷积网络对心脏磁共振图像中的左心室进行内轮廓分割,计算心脏左心室在一个心动周期中各时间点的容积,提取左心室舒张末期与收缩末期的容积,最后推导出左心室的射血分数.使用700组图片对全卷积网络进行训练以及440组图片进行测试,并将最后计算结果与美国国立卫生研究院和儿童国家医疗中心提供的射血分数(ejection fraction, EF)金标准进行了对比,计算准确率为89.8%,结果处在合理的误差范围内.     

利用多特征融合的面向对象的高分辨率遥感影像变化检测

针对高分辨率遥感影像变化检测中的一些难点和传统基于像元的变化检测方法的局限性,提出了一种多特征融合的面向对象变化的检测方法。为保证图斑的空间位置对应,首先利用改进的图像分割算法对两幅影像进行联合分割,然后统计图斑的多种特征,依据该特征进行变化向量分析,得到图斑的变化和非变化类型。最后,利用Quick Bird影像验证了该算法的可行性,检测结果明显优于传统基于像素的检测方法。     

基于M-S模型的三种图像分割算法的比较

M-S模型的水平集图像分割方法依赖于图像同质区域的全局信息,因而分割过程时间效率较低。为了提高计算效率,该方法在图像处理领域得到很多改进。本文在简化的M-S模型即C-V模型的基础上,讨论了现有3种改进分割演化算法,即:去掉C-V模型中的正则项;用||??取代狄拉克函数,使得方法具有更好的全局优化性;加入梯度局部项,使之适合处理弱边缘和边缘断裂的图像。最后,通过3个实例进一步验证了各算法的优劣性以及适用性范围。     

基于COLLATE融合多图谱的心脏电影MRI右心室分割

右心室分割对肺动脉高压等疾病的心功能分析具有重要的临床意义.然而，右心室心肌薄、易变且不规则，其传统的医学图像分割方法仍然未能取得突破性进展.本文提出基于COLLATE（Consensus Level，Labeler Accuracy and Truth Estimation）的多图谱分割方法，首先以归一化互信息为相似测度对目标图像和图谱集进行B样条配准以获取粗分割结果；然后利用COLLATE对粗分割结果进行融合；最后采用基于形状约束的区域生长算法修正出现错误的数据.10例临床心脏磁共振短轴电影图像被用于算法验证.本文还将使用基于COLLATE的多图谱分割方法得到的结果与深度学习算法及手动分割进行了比较.结果显示与深度学习算法比较，使用本文算法得到的射血分数（Ejection Fraction，EF）与手动分割更加一致和相关，表明该算法的分割结果有望辅助临床心脏功能诊断.     

基于单位扇环灰度的虹膜定位算法

提出了基于单位扇环灰度的虹膜定位算法。利用投影法分割出一个包含瞳孔的矩形区域,通过最大类间方差法确定该矩形区域的阈值,完成瞳孔的分割。对于虹膜外边界的定位,需要基于瞳孔中心分割出某一方向上的扇形区域,以5个像素作为扇形区域的步长,计算每个扇环的平均灰度值,根据灰度变化情况就可以确定该方向上的虹膜外边界点。其他方向上的边界点也通过此方法确定。对这些边界点进行筛选并进行圆的拟合,最终实现虹膜的定位。实验结果表明,采用该方法所分割的虹膜图像可以获得良好的效果,具有良好的应用和参考价值。     

基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.