基于自动化技术的新型电子元器件检修方法研究

针对现代电子元器件微型化,高集成化带来的维修难题,本文提出了一种基于自动化技术的电子元器件检修方法,通过构建多模态协同检测系统,基于知识图谱的智能诊断系统,高精度自动化修复系统和维修质量闭环管理系统,实现"检测-诊断-修复-优化"的全流程自动化.实验表明,该方法在01005封装和BGA封装元器件的维修中,缺陷识别准确率,内层故障诊断准确率,焊接定位误差,焊点拉伸强度,单板维修时间和维修合格率均显著优于传统人工维修方式.

数智赋能胰腺外科:技术创新及临床实践

胰腺外科因其解剖复杂,手术风险高而被视为外科领域的"高地".近年来,三维重建,荧光导航,增强现实(AR),混合现实(MR)与人工智能(AI)等数智化技术的引入,为胰腺外科的精准,安全与智能化发展提供了新的解决方案.本文系统梳理了数智化技术在胰腺外科"术前规划-术中导航-术后监测"全流程中的创新应用与临床实践.术前,通过基于深度学习的nnU-Net框架实现胰周血管与胆胰管的高精度三维重建,辅助个体化手术规划;术中,结合吲哚菁绿荧光成像,AR/MR及多模态影像融合技术,实现血管,胆管与肿瘤边界的实时可视化与动态定位,提高解剖识别精度与操作安全性;术后,AI结合可穿戴设备与多模态数据监测,推动并发症风险的智能预测与早期干预.数智化技术的系统性融合正重塑胰腺外科诊疗范式,助力实现从经验驱动到数据驱动,从术者依赖到智能决策的转变.未来,随着算法优化与循证证据积累,数智赋能将持续推动胰腺外科向个体化,精准化,智能化迈进.

基于手部特征的多模态生物识别算法研究与系统实现

生物特征识别是利用人体独特的生理与行为特征来进行自动身份鉴别的技术,可在门禁,考勤,政务等安全系统以及数字终端接入,网络资源访问的身份认证上广泛应用.多模态生物特征识别可利用多种生物特征的合理组合或融合,相对单模态特征在抗噪性,大库性能衰减程度,普适性,抗假冒攻击,大数据识别时间效率等方面得到性能上的改善,近年来受到广泛重视并成为研究热点.本文提出的手部特征包括2D指形,指节纹,掌纹特征,在单一模态生物特征研究的基础上,主要为改善大数据库搜索识别的时间性能,采用基于"与"规则的决策级多模态融合方案,设计了一种由粗到细,由快到慢排列的层次匹配器,从而实现了既具有较高识别精确度,又具备较理想的大库检索时间性能的多模态生物识别系统,并进行了实验评估.最后对嵌入式掌纹鉴别系统进行了初步探索与尝试.文章的主要内容如下:1.设计并实现了一种基于网络摄像头的联机手部图像采集系统并提出了一种鲁棒的手部图像预处理方法介绍了本文的手部图像采集设备的硬件架构与原理,该设备有不易受环境影响,与计算机接口简单,低成本,用户舒适度高等优点.给出了一种鲁棒的掌纹ROI(Region Of Interest)和手指ROI提取方法.预处理采用了Meanshift滤波和Ostu二值化方法,掌纹的有效区域提取除了利用手指边缘信息,还提出了一种新的基于掌指关节(即手指枢轴)掌纹ROI分割方法,一定程度消除了平移和旋转的影响.2.提出了一种基于2D指形的个人身份识别算法该算法用2D指形轮廓作为独特的个人身份属性进行身份认证,提出了一种新颖的指形特征构造方法,这种特征区分性强,鲁棒性好,维度低,有良好的类内聚集度和类间离散度.基于2D指形的个人身份验证方法提取的特征数据量小,匹配时间短,而且也能取得较高的识别精度,适用于在大的手掌库中进行初始匹配,筛选出最相似的库本进入下一层匹配.3.基于指节纹的身份识别算法研究提出了一种基于梯度图二值化垂直投影及小波消噪的指节纹特征提取方法,将手指指节纹从二维图像降维为一维向量,匹配则使用向量之间的相似度度量实现.这种基于指节纹的个人身份验证方法提取的特征数据量小,匹配时间短,而且也能取得较高的识别精度,适用于在大的手掌库中进行中高层粗匹配,筛选出最相似的库本进入下一层进行精细匹配.4.基于主纹线及双树复小波掌纹识别算法研究首先对掌纹图像提取主线特征,采用模糊化方式生成概率分布模板,同时用双向匹配度距离实现识别;其次对掌纹图像分块后采用双树复小波提取纹理特征,并用Canberra距离来衡量纹理距离.由于主线特征反映了掌纹的显著特征,同时双树复小波具有近似移不变和多方向选择的优点,可以有效区分掌纹纹理,两者可以互为补偿.实验表明,这种采用主线和双树复小波纹理分级识别的方法,具有较低的时间复杂度以及较好的伸缩性,可以显著地提高掌纹识别率.5.平移,旋转,尺度不变掌纹识别算法研究提出了一种对大范围平移,旋转甚至尺度变化的图像也能给出正确识别的掌纹识别算法,首次把SIFT(Scale Invariant Feature Transform)算法应用于掌纹识别领域;对于低分辨率掌纹图像,则给出了一种用KLT(Kanade-Lucas-Tomasi)角点检测提取关键点,并以局部区域描述子构造特征向量,该向量已去除方向性,并归一化,因此具有旋转,平移,亮度不变等优点.实验结果证明了该算法的有效性.这种算法可以用低成本的数字摄像头采集掌纹图像,从复杂背景中提取掌纹有效区域并实现掌纹识别,对手掌平移,旋转具有不变性,对手掌距离变化和姿态变化也具有部分不变性,充分体现该算法的鲁棒性.6.基于层次匹配的手部特征决策级融合系统研究与实现给出了一套基于手部特征的多模态生物识别系统实现方案,该方案把手形与指节纹识别的高效性与掌纹识别的高精确性相结合,在现有的多模态生物识别系统的各种信息融合方法中,选择了一种简单易行的"与"规则决策级信息融合方法,用层次匹配的方式,通过与各层次匹配器的阈值调节相结合,实现的生物识别系统与单一模态相比较既提高了识别的精确性,又提高了在大数据库检索的时间性能.从手部图像提取的多重特征可以在大数据库中实现引导性匹配,五个层次的特征包括了前几章介绍的指形特征,指节纹特征,掌纹主纹线,双树复小波变换及旋转平移不变局部区域描述子特征.前几层的粗匹配显著地减少进入下一层精细匹配的样本数,最底层匹配则实现了高精度的验证.7.嵌入式掌纹鉴别系统初步探索与研究设计并实现了一套基于ARM处理器和Windows CE嵌入式操作系统的掌纹鉴别系统方案,该系统可作为独立的功能单元嵌入在安防或门禁系统中,也可以作为智能家居或智能终端设备的一个组成部分实现个人身份的鉴别和认证.实验表明,该基于ARM处理器的掌纹鉴别系统可以实现较高验证精度和辨识精度;与基于PC机的掌纹鉴别系统相比,具有成本低,体积小,重量轻,低功耗,易于移动与操作,易于集成等优点,而且用Windows CE操作系统界面友好,进一步提高了系统的用户亲和力.论文利用人手的生物特征提出了三种生物特征的认证技术:2D指形,指节纹及掌纹,其中掌纹又提出了三种特征表示方法.最后把这五种模态的手部特征在决策级进行了融合,通过优化组合提高了大数据库搜索匹配速度及识别率.最后用嵌入式系统对掌纹鉴别系统实现进行了初步探索与尝试.实验证明了本文工作的有效性与可行性,为今后的手部特征多模念识别进一步发展打下坚实的基础.

智能化化工设备污染源识别与自动预警系统的构建研究

立足于"双碳"背景,化工行业面临着极为严格的排放监管要求.本文基于此,从化工生产环节的污染物排放隐蔽,溯源困难问题出发,构建以多模态数据融合与深度强化学习为基础,整合高精度多光谱成像,分布式声纹监测阵列和过程参数动态分析模块的智能化污染源识别与预警系统,经过实证得知系统能有效解决复杂工况下微量污染物早期识别与定位难题.

面向多模态医学影像的智能辅助诊断方法研究

随着医学影像数据量的急剧增长以及模态的不断更新,医学界对智能化,自动化,高精度的计算机辅助诊断(CAD)技术的需求日益迫切.人工智能(AI)作为信息领域最先进的技术将为精准医疗带来新的希望和理念,而基于人工智能的医学影像辅助诊断是其中最先实现突破和爆发的领域.本文在学习大量国内外最新文献的基础上,根据医生的临床需求,以数字病理和PET/CT为主要实验数据,结合人工智能,数学,图像处理,医学等知识理论,研究面向多模态医学影像智能诊断的新技术和新方法,主要研究成果如下: (1)肝细胞癌数字病理辅助诊断 面向病理图像的肝癌巢定位和肝癌细胞核检测:为了定位整张病理图像的癌巢区域,提出了一种输入协同的并联''same'',''valid''卷积残差神经网络(IC-PSV-RNet)模型.''same''卷积输出与输入相同尺寸的特征图,突出了局部特征,''valid''卷积在特征提取的同时考虑了降采样过程,二者叠加的特征图更能突出感兴趣区域;输入协同策略融合了原始输入的全局信息与卷积块学习的局部特征;借鉴残差学习的思想,将每一个卷积块的输入以恒等映射形式与其输出在特征维上叠加,防止网络性能的退化,并且加强了每一层特征之间的联系.癌巢定位实验结果表明IC-PSV-RNet优于ResNet和DenseNet;此外,根据堆栈稀疏编码器(SSAE)开发了一种域适应的细胞核检测模型,其优点是仅通过一种组织病理图像训练的模型即可准确地检测不同组织病理图像中的细胞核.肝组织病理图像的细胞核检测结果表明基于SSAE的域适应模型可以实现在线学习,并优于其它基于卷积神经网络(CNN),深度置信网络(DBN)的检测方法. 面向病理图像的肝细胞核分割:为了准确地分割癌巢内黏连,重叠的细胞核,提出了一种基于结构卷积极限学习机(SC-ELM)和基于实例的形状模板(CBST)的"由粗到精"的分割框架.在粗分割阶段:SC-ELM为"结构化分类器"提供了一种新理论,通过随机的卷积核来提取和细化图像特征,只需学习输出权重矩阵即可获得与输入相同分辨率的分割结果;在精分割阶段:根据每位患者的粗分割结果建立相应的CBST,然后基于像素分类的思想来估计丢失的细胞核边界.实验结果表明基于SC-ELM的分割Dice均值可以达到0.959. 面向病理图像的肝癌多分类和肝癌细胞核分级:利用端到端的输入协同的并联''same'',''valid''卷积神经网络(IC-PSV-Net)解决病理图像多分类问题,输入协同策略是指将原始输入的灰度信息传递至每一个卷积块的特征图上,对特征衰减加以补偿,有效提高了分类性能.淋巴瘤,乳腺癌,肝癌病理图像数据的多分类实验结果表明IC-PSV-Net优于ResNet,DenseNet等CNN模型;此外,提出了一种联合多全连接卷积神经网络和极限学习机(MFC-CNN-ELM)模型进行单细胞核的分级,MFC特征优化模型的核心是利用不同步长和尺寸的滤波器进一步挖掘有判别力的特征,提升"浅层"CNN的性能.肝细胞核分级结果表明MFC-CNN-ELM的准确率可以达到0.967,优于传统的单全连接层CNN模型. (2)淋巴瘤影像组学辅助诊断 面向CT图像的多器官分割:为了降低淋巴瘤检测的假阳性以及判断淋巴瘤的分期,借鉴U-Net思想,在IC-PSV-Net的基础上添加上采样层,并引入特征连接等机制,开发了一种适用于CT图像多器官分割的端到端模型IC-PSV-SegNet.然后提出了一种轮廓稀疏表达(CSR)模型优化器官的局部边界,其核心是将封闭的轮廓曲线看作一组连续的点,通过最大后验概率模型建立寻找边界特征点模型,引入梯度,速率变化,概率正则项,外观能量函数在吉布斯框架下进行求解,最后通过点分类的思想优化边界.实验结果表明所提方法在肝脏,肾脏,脾脏三种器官的分割Dice系数分别达到0.945,0.935,0.973,优于传统的3DU-Net和3DFCN. 淋巴瘤检测和分割:针对淋巴瘤检测问题,利用IC-PSV-Net识别每个疑似候选集是否属于真正的淋巴瘤,其中输入协同策略将CT的梯度图像传递到每一个卷积块的特征图上,结合PET代谢和CT结构信息提高检测的准确率.然后根据检测结果,提出了一种自适应加权的泛化距离水平集模型(AW-GDRLSE)描绘淋巴瘤的边界,为手术导航或放射治疗提供自动标注.AW-GDRLSE从三个方面改进了传统水平集方法:①引入了泛化的距离正则项在演化过程中保持轮廓的规则形状,另外参数可以控制轮廓的扩散速度;②通过一种环形模板定义局部区域能量函数;③在每一次演化过程中,利用局部区域强度和边界方向信息计算长度和面积能量项的权重.实验结果表明AW-GDRLSE在分割小肿瘤方面优于C-V,DRLSE等模型,平均Dice系数可以达到0.8277.