XiaoMi-AI文件搜索系统
World File Search System边缘检测
皮带洒水检测方法在复杂工作下...
摘要 - 皮带输送机被广泛用于跨冶金，采矿和其他行业的材料运输。他们的长时间操作不可避免地会导致皮带偏差和溢出等问题。目前，皮带偏差主要是由于矿石的分布不均匀，这也导致溢出。如果这些问题未迅速解决，它们可能会破坏生产并构成许多安全风险。矿石运输过程通常以浓烟和复杂的环境为特征，使手动检查时间耗时，劳动力密集并且可能存在危险。本文介绍了一种基于机器视觉的皮带洒水检测方法，以实现复杂的工作条件。它增强并处理由摄像机收集的皮带的灰度图像，以消除烟雾干扰并突出皮带和矿石的特征。边缘检测和霍夫变换用于查明皮带的边缘，确定皮带和矿石内部的分布。GWO-SVM（灰狼优化器支持矢量机）模型，以实时预测皮带的运行状态，以确定任何异常以确保安全生产。实验比较表明，GWO-SVM模型动态选择“ C”和“ G”的最佳参数，从而得出准确的分类和检测结果。它的特征是高精度，强大的实时性能和出色的稳定性，有效地节省了成本和保护生产安全。
使用像素级伽马校正增强图像质量
复合材料是材料科学和工程中最重要的材料，包含两种或两种以上的材料。在材料工程中，扫描电子显微镜 (SEM) 技术是一种测量材料粒度的方法。一种替代 SEM 的新程序被称为人工智能 (AI)。人工智能 (AI) 是一门跨学科科学和计算机科学的分支，涉及解决需要人类智能和能力的问题。计算机视觉是人工智能的一个子领域，它使用一些算法通过使用计算机（称为图像处理）来检测图像的细节。检测粒子并测量 SEM 扫描的材料尺寸是一项重要任务，有助于描述其特征，传统上，尺寸是通过在 SEM 图像中添加网格或在任意粒子中绘制对角线来手动计算的。本文提出了一种基于人工智能 (AI) 的新模型，使用计算机视觉来分析所有粒子的尺寸。该模型用于检测复合材料（如石墨烯薄片）中添加剂的粒度，并根据扫描电子显微镜 (SEM) 上固定的参考尺寸测量它们的尺寸。该模型基于开源计算机视觉（OpenCV）库，利用多层 Canny 边缘检测、Sobel 滤波器、亮度和对比度算法，使用 Python 3。结果以非常低的处理时间 = 0.2 毫秒实现了非常满意的指示。
使用仪表板
摘要 - 坑洼是道路基础上的一个常见问题，可能导致事故，车辆损坏和交通拥堵。近年来，随着车辆仪表板的可用性越来越多，人们对使用它们自动检测和报告道路上的坑洼越来越兴趣。本文提出了使用仪表板摄像机检测孔洞检测方法的方法，该方法涉及捕获道路的录像并使用计算机视觉技术对其进行处理。所提出的方法结合了图像处理算法和机器学习技术的组合来检测和对视频流进行分类。算法首先从视频中提取框架，并应用预处理步骤来增强图像的对比度。然后，它使用边缘检测和纹理分析技术来识别可能包含坑洼的区域。使用深度学习模型将这些区域进一步处理，以将其分类为坑洼或非坑洼。实验结果表明，所提出的方法可以以高精度和召回率实时准确地检测坑洼。该方法还对从不同仪表板捕获的大量数据集进行了测试，并且发现对不同的照明和天气状况非常强大。所提出的方法有可能为孔洞检测提供低成本和高效的解决方案，并可以集成到现有的仪表板摄像头系统中。然后，该系统可以提醒驾驶员的存在，并帮助道路维护当局在造成事故或损坏车辆之前快速识别和修复坑洼。
研究论文：优化心脏扩大检测：处理胸部 X 光影像的随机森林方法
摘要：本研究探索了随机森林分类器在胸部 X 光图像中自动检测心脏扩大的应用，利用了从 NIH 胸部 X 光数据集处理和派生的数据集。鉴于对心脏扩大的准确及时诊断以提供适当的治疗决策的迫切需求，本研究旨在确定机器学习模型在增强诊断过程中的有效性。本研究采用图像预处理技术，例如用于边缘检测的 Sobel 滤波和用于特征提取的 Hu 矩，增强了模型的输入特征。使用 5 倍交叉验证方法评估分类器的性能，得出的平均准确度、精确度、召回率和 F1 分数大约在 52% 到 54% 之间的结果。这些发现表明可靠性和一致性处于中等水平，表明集成机器学习方法在医学成像分析中具有潜在效用。然而，不同数据子集之间的性能差异凸显了挑战，需要进一步优化。这项研究有助于推动将机器学习融入临床环境的持续讨论，展示了其潜在的优势和当前的局限性。建议未来的研究扩大数据集的种类，整合先进的深度学习方法，并在临床环境中严格测试这些模型。这些发现对医疗保健领域自动诊断工具的开发具有重要意义，可能提高诊断的准确性和效率。
利用成像和人工智能改善口腔癌治疗效果
早期诊断是决定口腔和口咽鳞状细胞癌 (OPSCC) 预后的最重要因素，但大多数此类癌症发现较晚，预后较差。通常，非专业人士（如牙医）会筛查口腔癌风险，然后将高风险患者转诊给专家进行活检诊断。由于口腔黏膜病变的临床表现不足以表明其诊断、状态或风险水平，因此这种初步分类过程不准确，敏感性和特异性较差。本研究的目的是概述新兴的光学成像模式和基于人工智能的新型方法，并评估它们单独和组合的效用以及对改善口腔癌检测和预后的影响。基于图像的口腔癌检测方法的原理被置于临床需求和参数的背景下。本文简要概述了人工智能方法和算法，并引用和评估了单独和结合使用这两种方法的研究。近年来，人们研究了多种新型成像方式在改善口腔癌治疗结果方面的适用性，但这些方式均未得到广泛应用或对临床实践或治疗结果产生重大影响。人工智能方法开始在提高某些医学领域的诊断准确性方面发挥重要作用，但迄今为止，只有有限的研究适用于口腔癌。这些研究表明，人工智能方法与成像相结合可以对口腔癌治疗结果产生显著影响，其应用范围包括使用基于智能手机的探头进行低成本筛查，以及使用光学相干断层扫描进行算法引导的口腔病变异质性和边缘检测。成像和人工智能相结合的方法可以通过改进检测和诊断来改善口腔癌治疗结果。
![arXiv:2002.05817v1 [cond-mat.mes-hall] 2020 年 2 月 14 日](/simg/5\518681e16d0ce9d84b792aeae6b5fc2c6ce6c09a.webp)
arXiv:2002.05817v1 [cond-mat.mes-hall] 2020 年 2 月 14 日
非对称随机电报信号是在两个能级 y = y 1 和 y = y 2 之间随机切换的信号。它们是对各种物理系统进行测量的常见结果，包括细胞中的离子通道 [1]、晶体管 [2, 3] 等半导体器件、量子点 [4] 和光电器件 [5]、高温超导体 [6] 和单库珀对盒 [7]，也是 1 /f 噪声的组成部分 [8]。从 1 (2) 到 2 (1) 的转换率 Γ 1(2) 是描述底层系统动态的可访问参数，通常需要从测量的时间序列中提取它们。最直接的方法是按某个速率 fs 对时域信号进行采样，将其分为状态 1 和 2 中的各一个周期（图 1（a）），对停留时间 τ 1(2) 进行直方图绘制，并根据得到的分布拟合 ke − Γ 1(2) τ 1(2)。但是，噪声和有限的测量带宽的存在会导致测得的统计数据不能准确地代表底层系统。问题有两个方面：一个状态下的噪声可能导致检测到另一个状态下的错误时间周期（图 1（b）），而有限的带宽意味着看不到另一个状态的真正短周期偏移（图 1（c））。后者还会将错过的周期两侧的两个周期连接在一起，导致出现错误的长周期。已经提出了多种解决该问题的方法。一些研究侧重于优化将信号划分为状态 1 和 2 的阈值 [9]。Naaman 和 Aumentado 将检测器建模为一个单独的过程 [10]，并对测量的速率进行校正。其他技术包括小波边缘检测 [11]、自相关方法 [12]、互相关方法 [13] 和信号概率密度函数分析 [14, 15]。在本文中，我们证明了循环神经网络可用于从嘈杂、带宽受限的随机电报信号中提取底层速率。神经网络 (NN) 包括一个输入层，其中包含
机器学习驱动的太阳能电池板站点选择和屋顶电位
摘要：利用太阳能是可持续发展和减轻贫困的改变游戏规则。太阳能不仅打击气候变化，而且还为经济机会打开了大门，并改善了服务不足地区的生活质量。太阳能电池板的安装对于应对诸如减少贫困和促进可持续发展目标等全球挑战至关重要。这项工作使用卫星和政府数据来绘制用于太阳能电池板的现场适用性，考虑到高程，风速，表面温度，土地使用土地覆盖，归一化的差分植被指数，一氧化碳一氧化碳水平，太阳能辐照，人口，与居民区，水域，水体，电力，电网和道路的距离。这项研究提供了一个全面的框架，用于评估太阳能电池板站点的适用性，整合环境和基础设施因素以优化放置。对印度拉贾斯坦邦地区的各种机器学习模型，例如XGBOOST，随机森林分类器和随机森林回归。XGBOOST的最佳模型的精度为0.982，精度为0.983，召回0.979，F1得分为0.981。同样，对于准确性，精度，召回和F1分别，测试值分别为0.934、0.882、0.985和0.931。选择XGBoost模型以创建太阳能电池板的适用性图。使用预先训练的Yolov8模型和Google Earth Pro图像混凝土屋顶。然后对屋顶图像进行剪辑和处理以确定边界。边缘检测和轮廓用于计算屋顶区域，根据可用屋顶空间估算太阳能电池板的数量及其潜在发电。本研究提供了一种干净可靠的能源解决方案，可以降低成本并改善欠发达和农村地区的生活质量。通过放置太阳能电池板，对化石燃料的依赖减少，这有助于减少温室气体排放并促进环境可持续性
在不同...
摘要该项目的主要目的是检测车辆的数字并显示相应的车辆号码。该项目的动机源于需要在现实世界中有效执行的可靠数字检测系统。现有技术经常难以应对不同的照明情况，例如昏暗的区域，这可能会导致错误或错过的检测。此外，数字板的不利角度可能会使检测问题更糟。该项目的问题陈述是开发一个数字板检测系统，该系统能够在车辆上准确定位数字板，而与盛行的环境条件无关。为了实现这一目标，我们采用了一种多阶段方法，将计算机视觉技术和图像处理方法结合在一起。我们提出的方法包括三个阶段，其中包括：预处理，特征提取和文本提取关键字：机器学习，计算机视觉，图像处理，特征提取。1。简介该项目旨在开发一个能够在不同环境条件下进行准确操作的强大车辆板检测系统。将采用高级图像处理技术来应对诸如不同照明，不同角度和车速的挑战。该系统的成功实施具有改善交通管理，执法和智能运输系统的潜力。2。通过增强数字检测功能，该项目旨在为更安全的道路和更有效的运输系统做出贡献，从而使其成为依靠准确可靠的车辆识别的各个领域的资产。该项目的任务区域侧重于在车辆上的检测和定位，涉及使用图像处理技术，并涉及处理具有挑战性的环境因素，包括不同的照明条件，不同的车辆速度和不同角度的数字板。采用高级图像处理方法，例如边缘检测，自适应阈值和轮廓分析，即使在不利条件下，该系统也能够准确提取数字板。为了评估上述任务，我们使用了包括CV2，Numpy，Py Tesseract和Matplotlib在内的不同模块，其中CV2提供了处理和操纵图像的功能，Numpy提供了对多维阵列和数学功能的支持，用于在阵列上使用阵列，Py Tesseract，Py Tesseract用于读取文本和Matplotlib的可视化度。问题陈述车辆数板检测系统的当前状态揭示了阻碍其
计算机视觉模型的比较
步骤1：获取图像•我们发现Google Earth Engine是获取图像的最佳方法。它有几种具有不同分辨率和频段的卫星数据集的选项。最适合我们目的的数据集是NAIP数据集，因为它的分辨率最高，每个像素为1米。•一旦我们有了获得图像的方法，我们就必须将这些图像转换为更容易访问的格式。•Python中的OpenCV软件包是最好的选择。此软件包包括许多边缘检测算法，可以将我们的图像格式作为输入，并输出标准格式（如PNG）。步骤2：Canny Edge检测•我们决定使用最适合Purdue这两个课程的方法，然后再将其推广。OPENCV包装中最有希望的边缘检测方法是Chany，Sobel，PreWitt和Laplacian。精明的边缘检测是最好的。•使用CANNY时，即使参数进行了调整，也存在很多多余的噪音，因此我们进行了额外的处理。•我们使用HSV掩码拍摄图像，仅保留适合给定颜色范围的图像的一部分。•颜色范围设置为球道和绿色的颜色，以隔离高尔夫球场。•为了减少HSV面膜产生的盐和胡椒噪声，我们使用了“非本地含量降解”技术，应用了降噪过滤器。•然后，我们采用了HSV过滤器的输出，并通过Canny Edge检测来运行它。输出是仅保留课程球道布局边缘的图像。o我们收集了整个美国高尔夫球场的图像。步骤3：概括我们的过程•下一步是概括与所有高尔夫球场一起使用的方法。o从那里，我们使用mageense.ai 2注释图像以获得“地面真相”。maveense.ai是一种Web工具，它允许我们用多边形注释数据，这将与Canny Edge检测多边形进行比较。•接下来，我们修改了该过程，以便能够通过卫星图像的文件夹迭代。然后，我们使用OPENCV的轮廓方法来纠正我们使用带注释的图像遇到的格式问题。•下一步是编写一个Python程序，将该过程的结果与地面真相进行比较。我们的目标是改变过程，看看变化有多改善或恶化结果。步骤4：与地面真相进行比较•我们为Canny做了多种方法，但是由于时间限制，我们选择了仅使用一种方法的联合3（IOU）比较的交集。•IOU是一种测量工具，可以确定对象检测器在特定对象集上的准确性。•我们选择了基于哪种方法在视觉上看起来最好的比较方法。
使用机器学习对小胶质细胞进行分类
项目详情：机器学习：通常，只需根据生物细胞的形状即可预测其状态。人类尝试这样做既耗时又容易受到无意识偏见和人为错误的影响。相反，人们更喜欢自动计算方法，而这正是机器学习可以实现的。我们的初步结果已经开发出一种高精度（>93%）的小胶质细胞方法。这篇博士论文的目的是改善这一点。应用：小胶质细胞是大脑中的常驻免疫细胞。它们采用多种表型来控制大脑的免疫反应，包括吞噬有害物质和释放信号化学物质。科学界在过去五十年中天真地将小胶质细胞分为两种类型。然而，最近的研究（包括我们的合作者）带来了革命性的想法，即小胶质细胞状态是一个连续体。重要性：拥有一种可以准确确定小胶质细胞状态的诊断工具至关重要。首先，小胶质细胞在抑郁症和精神分裂症等精神健康状况中起着至关重要的作用。其次，小胶质细胞在神经退行性疾病（包括运动神经元、帕金森氏症和阿尔茨海默氏症）中很重要。第三，这种工具可用于脑外科手术期间，以持续监测脑细胞状况。第四，这项工作可以扩展到其他巨噬细胞，如肺部的肺泡巨噬细胞。 项目关键目标：（1）开发一种机器学习方法来自动分类小胶质细胞状态（2）确定该方法如何依赖于图像大小、成像条件和不完善的训练数据（3）优化该方法以实时运行并同时在多个细胞上运行 方法：这项博士学位将利用我们与 Kate Harris 博士（纽卡斯尔）、Ian Wood 教授（利兹）和 Andrew Dick 教授（布里斯托尔）合作提供的机会。它将采用一种真正的多学科方法研究小胶质细胞状态，包括机器学习、图像分析和延时成像。这将使学生学习到非常理想的定量和实验技能组合，从而为未来的职业前景带来良好的前景。项目计划：（1）创建新的机器学习方法，特别是卷积神经网络（CNN），使用我们现有的 >20,000 个小胶质细胞的大型数据集自动对小胶质细胞状态进行分类。这将涉及探索多个数据集和 CNN 架构（VGG-16、ResNet、Inception、Xception、DenseNet、ResNeXt-50）。（2）设计图像分析软件，自动从原始显微镜图像中分割细胞。这将基于我们小组现有的代码，并将为机器学习生成输入数据。相关技术将包括形态学操作、边缘检测、距离变换和分水岭变换。（3）培养和成像人类小胶质细胞 HMC3 细胞系，以生成更多数据用于训练 CNN 并测试机器学习模型的准确性。细胞