本研究的目的是利用现场传感器数据检测基于焊丝的定向能量沉积 (W-DED) 过程中的缺陷形成。本研究研究的 W-DED 类似于金属惰性气体电弧焊。W-DED 在工业上的应用受到限制,因为该过程易受随机和环境干扰的影响,这些干扰会导致电弧不稳定,最终导致缺陷形成,如孔隙度和不理想的几何完整性。此外,由于 W-DED 部件尺寸较大,很难使用 X 射线计算机断层扫描等非破坏性技术在处理后检测缺陷。因此,本研究的目标是使用从安装在电弧附近的声学传感器获取的数据来检测 W-DED 部件中的缺陷形成。为了实现这一目标,我们开发并应用了一种新颖的小波集成图论方法。该方法从受噪声污染的声学传感器数据中提取一个称为图拉普拉斯菲德勒数的单一特征,随后在统计控制图中跟踪该特征。使用这种方法,可以检测到各种类型缺陷的发生,误报率低于 2%。这项工作展示了使用高级数据分析进行 W-DED 现场监测的潜力。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章(http://creativecommons.org/licenses/by/4.0/)。
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中,小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的,这是一种简单的特征提取方法,而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外,为了提高分割性能,使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上,该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果,准确度和 F1 分数分别为 97.37% 和 97.43%。
脑瘤是脑内一团异常细胞。脑瘤可能是良性的(非癌性的)或恶性的(癌性的)。放射科医生对脑瘤的传统诊断是通过检查磁共振成像 (MRI) 生成的一组图像来完成的。为了帮助放射科医生正确分类 MRI 图像,已经开发了许多计算机辅助检测 (CAD) 系统。卷积神经网络 (CNN) 已广泛应用于医学图像的分类。本文介绍了一种用于对 MRI 图像中的脑瘤进行分类的新型 CAD 技术。所提出的系统利用离散小波变换 (DWT) 表现出的强能量紧凑性从脑 MRI 图像中提取特征。然后将小波特征应用于 CNN 以对输入的 MRI 图像进行分类。实验结果表明,所提出的方法优于其他常用方法,总体准确率达到 99.3%。