XiaoMi-AI文件搜索系统
World File Search Systemray
通过计算设计的聚合物纳米颗粒（PNP）递送质粒DNA
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月23日发布。 https://doi.org/10.1101/2025.02.22.639634 doi：Biorxiv Preprint
与机器视觉集成的高分辨率微射流喷雾器的实时控制，用于精密杂草控制Raja，r。屠杀，哥伦比亚特区； Fennimore，
愿景，深度学习以及机器人和其他技术学，可能有助于减轻对更可持续的农业系统的需求。但是，传统的工业机器人不是为典型农业生态系统的复杂环境而设计的。农业领域中最关键的害虫控制问题之一是杂草控制，这是目前是一项劳动力的任务。因此，自动化杂草控制系统的需求很大。蔬菜场中的机器人内部杂草控制需要机器视觉，作物定位，决策和代理系统。缺乏可靠的技术来检测，定位和分类杂草和作物植物是开发针对特种蔬菜等特种耕作的完全自动化和全面的杂草管理系统的主要技术障碍。在杂草密度中等至高杂草密度的杂草田中，现有的机器人除草机变得混乱，因为它们无法解释过去的几十年，研究人员一直在尝试各种方法来实时区分杂草的杂草 - 杂草 - 杂草浓度。Lee等。 （1999）提出并开发了一个实时机器视觉系统，该系统以3 fps的速度区分了番茄植物和杂草，代表114毫米101毫米的种子线面积，允许杂草控制系统以1.20 kmh 1的速度传播。 番茄植物在75.8％的时间内正确识别，低于所需的准确性。 Lamm等。 （2002）开发了一种基于Lee El al的棉花的精确杂草映射的系统。 Slautter等。Lee等。（1999）提出并开发了一个实时机器视觉系统，该系统以3 fps的速度区分了番茄植物和杂草，代表114毫米101毫米的种子线面积，允许杂草控制系统以1.20 kmh 1的速度传播。番茄植物在75.8％的时间内正确识别，低于所需的准确性。Lamm等。（2002）开发了一种基于Lee El al的棉花的精确杂草映射的系统。Slautter等。的（1999）原型，并达到了88％的歧视精度。（2008）开发了一种多光谱的机器视觉识别系统，以对杂草的生菜作物分类，并获得90.3％的精度。Haff等。 （2011年）后来提出了一个基于X射线的作物检测系统，该系统达到了90.7％的tomatoplantsatthetthervavel speedof1.6kmh 1的检测准确性。 zhangetal。 （2012）提出了一种高光谱成像系统，以实时识别作物植物并将其与杂草区分开。 该系统在区分杂草的作物方面达到了95.8％的准确性。 有许多关于AI，机器学习，深度学习技术的研究工作，以对杂草进行分类（Bah等，2018； Osorio等，2020）。 Osorio等。 （2020）使用多光谱摄像机在生菜场和应用的SVM（支撑矢量机），Yolov3（您只看一次V3）和掩盖r e cnn（基于区域的综合神经网络）中的图像，以在杂草和作物之间进行分类，并在79％，89％，89％，89％，89％，89％，89％，89％，89％的差异Haff等。（2011年）后来提出了一个基于X射线的作物检测系统，该系统达到了90.7％的tomatoplantsatthetthervavel speedof1.6kmh 1的检测准确性。zhangetal。（2012）提出了一种高光谱成像系统，以实时识别作物植物并将其与杂草区分开。该系统在区分杂草的作物方面达到了95.8％的准确性。有许多关于AI，机器学习，深度学习技术的研究工作，以对杂草进行分类（Bah等，2018； Osorio等，2020）。Osorio等。（2020）使用多光谱摄像机在生菜场和应用的SVM（支撑矢量机），Yolov3（您只看一次V3）和掩盖r e cnn（基于区域的综合神经网络）中的图像，以在杂草和作物之间进行分类，并在79％，89％，89％，89％，89％，89％，89％，89％，89％的差异
用相互电感传感器阵列形状的自感应
摘要 - 形状的实时感测是许多智能机器，尤其是软机器人技术的重要工具。来自一系列传感器的相互感应数据显示出巨大的希望，作为形状传感的准确工具。在本文中，我们展示了如何将电感阵列数据用于形状成像和地形形状跟踪。这个想法已扩展到许多几何设置，显示了用于形状传感的多功能工具。传感器围绕圆形阵列排列，从而重建了从圆形形状到通用多边形形状的变形，包括椭圆形。线性阵列显示了张力力和各种线路变形的传感。最后，传感器阵列用于表面，允许重建剪切力和正常力到表面。已经实施了两个线圈之间相互电感的合适方法，并进行了一系列方法，包括反转算法，校准方法和机器学习工具，显示了新形状传感器系统的应用。索引项 - 磁感应阵列，形状跟踪，线性和非线性倒置，软机器人
通过新的闪烁器开发项目改进了用于介入的X射线和闪烁显像成像的混合C臂
闪烁显像和荧光镜面X射线成像的组合可以使涉及放射性核素（例如无线电栓塞）的较短，更容易的介入程序。由于同时获得解剖和核信息，这可能会减轻患者的负担并简化医院的结构。虽然已经可以使用各种多模式成像技术，并且使用\ cite {cherry2009multimotalization}，但这种新方法在临床C-arm \ cite \ cite {van2019dual}上直接将伽马摄像头安装在平面X射线检测器后面。该混合C臂用于介入X射线和闪烁显像成像（IXSI）的优点包括紧凑的设计和自然良好的图像对齐。但是，仍然需要解决一些缺点，尤其是伽马摄像头\ cite {koppert2018 impact}中X射线诱导的盲目效应。到今天为止，大多数临床伽马相机都使用NAI（TL）作为闪烁体。该材料具有相对较高的后光，在每个X射线脉冲之后产生一个背景信号。这种高背景掩盖了伽马光子产生的信号，该信号由radionuclide \ cite {koppert2019 comparative}发出。因此，这项研究的重点是寻找具有与NAI（TL）相似的属性但余热较低的闪烁体。找到了这样的，进行了IXSI混合C型臂检测器的一系列栅极模拟，其中计算了十二种不同的闪烁材料的典型X射线扫描，伽马相机中的能量沉积。 选择了最高的信噪比比率的五个闪烁体进行进一步的内部测试。，进行了IXSI混合C型臂检测器的一系列栅极模拟，其中计算了十二种不同的闪烁材料的典型X射线扫描，伽马相机中的能量沉积。选择了最高的信噪比比率的五个闪烁体进行进一步的内部测试。从每种类型的晶体中的X射线能量沉积中，可以估计闪烁的光发射和余辉。随后将余辉强度与同一闪烁材料中的单个140 keV光子产生的光信号进行比较，通过计算X射线脉冲后100 ms的140 keV光子和余潮引起的光的比率。这些是CEBR3，CDWO4，NAI（TL，Y，SR），NAI（TL，SR）和CSI（TL，SB，BI）。从这些，NAI（TL，Y，SR），NAI（TL，SR）和CSI（TL，SB，BI）是新开发的材料。内部测量值至少包括余辉，衰减时间和能量分辨率测量。将在会议上介绍仿真的广泛结果，并将在内部测量结果带来。
扫描X射线显微镜成像，对薄图案化sige-on-unsulator纳米结构的应变松弛和波动
G. Girard，RémyBerthelon，F。Andrieu，S。Leake，G。Chahine等。应用物理学杂志，2021，129（9），pp.095302。10.1063/5.0033494。CEA-03159504
基于数组元素替换的密钥生成算法
RC4算法广泛用于各种信息安全系统和计算机网络（例如，在协议中）。SSL用于密码加密Windows NT等）。Spritz是由Bruce Schneier和Daniel Whiting开发的轻量级溪流密码。它以其简单，速度和安全性而闻名。Spritz特别适合资源约束设备，例如微控制器和智能卡。Spritz本质上是RC4算法的改进版本，考虑到现代的加密工具和算法。它还使用256个元素字节数组。Spritz使用古字母和旋转轮的概念来生成用于加密数据的伪随机序列。该算法具有较小的内部状态，可以在内存有限的设备上有效地实现它。
husmorph：一个简单的机器学习应用程序，用于自动形态学地标Henning H. Kristiansen 1,2，*，Moa Metz 1，Lorena Silva-Garay 1，free
husmorph：一个简单的机器学习应用程序，用于自动形态学地标Henning H. Kristiansen 1,2，*，Moa Metz 1，Lorena Silva-Garay 1，Fredrik Jutfelt 1,3，＃，＃，Robine H.J.Leeuwis 1，＃1挪威科技大学生物学系，Høgskoleringen5，7034，Trondheim，挪威。 2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。 3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。 *通讯作者：计算机技术和信息学系生物学系。 电子邮件：skihenning@gmail.com。 ＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要Leeuwis 1，＃1挪威科技大学生物学系，Høgskoleringen5，7034，Trondheim，挪威。2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。 3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。 *通讯作者：计算机技术和信息学系生物学系。 电子邮件：skihenning@gmail.com。 ＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。*通讯作者：计算机技术和信息学系生物学系。电子邮件：skihenning@gmail.com。＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要＃F.J.和R.H.J.L.是共同的作者，并为这项工作做出了同样的贡献。电子邮件地址：lorena.silvagaray@gmail.com（L.S.G.），rhjleeuwis@gmail.com（R.H.J.L.），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G.0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要0000-0002-9332-6311 R.H.J.L.0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要
机器学习策略，用于对X射线光谱的准确有效分析
抽象的计算光谱已成为希望获得实验光谱定性和定量解释的研究人员的关键工具。在过去的十年中，实验与理论之间的相互作用增加创造了一个积极的反馈回路，该回路激发了两个领域的发展。特别是，计算的精度提高已导致它们成为分析电磁频谱光谱镜的必不可少的工具。对于短波长技术，例如核心孔（X射线）光谱镜，其流行率在现代X射线设施出现之后增加了，包括第三代同步激素和X射线自由电子激光器。基于建立的波功能或密度功能方法的计算继续主导文献中光谱分析的大部分，但机器学习算法的新兴发展正在开始为这些传统技术提供新的机会，以快速，准确，价格合理的“黑色盒子”接近这些传统技术。此局部评论叙述了计算X射线光谱的数据驱动/机器学习方法的最新进展。我们讨论了当前可用方法的成就和局限性，并回顾了这些技术必须扩大计算和实验X射线光谱研究的范围和范围的潜力。
使用易于且易于访问的多线圈垫片改善大脑B0在超高场
抽象对象提高了超高野外系统的光滑功能，并在7 t处添加了可访问的低复杂性B 0用于头部MRI的Shim Array阵列。材料和方法八个频道B 0 Shim Coil阵列的设计是在易于改进和构造复杂性之间进行的权衡，以便可轻松使用Shim阵列，以提供可与标准的7 t Head coil一起使用的Shim阵列。使用开源八通道垫片放大器机架将阵列连接。将全脑和基于切片的光滑的场均匀性改善与标准的二阶光合物进行了比较，并与具有32和48个通道的更复杂的高阶动态垫片和垫片阵列进行了比较。结果八通道垫片阵列可在整个脑部静态弹药中提高12％，并在使用基于切片的垫片时提供了33％的改进。这样，八通道阵列的执行类似于三阶动态垫片（无需高阶涡流补偿）。更复杂的垫片阵列具有32和48个通道的性能更好，但需要专用的RF线圈。讨论设计的八通道Shim阵列提供了一种低复杂性和低成本方法，可改善B 0在超高场系统上的弹跳。在静态和动态杂物中，它在标准弹跳中提供了改进的B 0均匀性。
Visvesvaraya博士计划
ph。d工程技术（CSE，ECE，EEE）：工程或技术的硕士学位（M.E.或M.Tech。）在相关学科中，至少为10点评分系统的6.5 CGPA，或获得公认的技术学院或大学的学士学位和硕士学位的60％分数。对于SC/ST候选人，在10点级分级系统上至少为6.0 CGPA或55％的分数。与著名研究所的B.Tech./B.E的特殊候选人（与CGPA> = 9.0）也有资格申请博士学位。程序。候选人在各个学科或其他合格的奖学金的某个时间点获得的门资格，例如JRF/UGC/net/csir/csir/dst-inspire等。在任何其他国家级别的测试中，在各个学科或资格中，不时由GOI规范指定。