XiaoMi-AI文件搜索系统
World File Search System超声波
超声波处理器零件编号 VCX750 & ...
请完整阅读本手册。我们提供了必要的说明和指导以确保本设备成功运行。请注意以下事项： 电源、转换器和高频电缆中存在高压。这些设备内部均没有用户可维修的部件。请勿尝试卸下电源盖或转换器外壳。 电源打开时，请勿触摸设备上任何断开的电缆连接。 请勿在转换器与高压电缆断开的情况下操作电源。电缆中存在高压，可能会造成电击危险。 设备运行时，请勿尝试断开转换器高压电缆。 电源必须使用三脚插头正确接地。插入设备之前，请测试电源插座是否正确接地。 将超声波电源安装在没有过多灰尘、污垢、爆炸性或腐蚀性烟雾的区域，并避免极端温度和湿度。（有关规格，请参阅第 5 页。）请勿将电源放置在通风柜内。
超声波方法
摘要 超声波检测是用于飞机部件无损检测的一种公认技术。它既可以在传感器附近进行局部高灵敏度检测，也可以通过导波进行长距离结构评估。通常，超声波的速度、衰减和传播特性（如反射、透射和散射）取决于材料的成分和结构完整性。因此，超声波检测通常用作对发动机罩、机翼蒙皮和机身等飞机部件进行主动检测的主要工具，目的是检测、定位和描述分层、空隙、纤维断裂和层板波纹。本章主要关注长距离导波结构健康监测，因为飞机部件需要对大型部件进行快速评估，最好是实时的，而不需要将飞机接地。在接下来的几章中，我们将介绍体波和导波超声检测的优点和缺点，回顾导波传播和损伤检测的基本原理，讨论导波 SHM 的可靠性，并给出一些最近将导波应用于航空航天部件 SHM 的实例。
celip：基于超声波的唇读，带有通道估计方法的虚拟现实系统
我们为虚拟现实（VR）开发了基于超声波的无声语音界面。提出越来越多的定制设备来增强VR的沉浸和体验，我们的系统可用于提高用户与系统之间的交互能力，同时保留使用各种CUS tomized设备并避免传统语音识别的局限性的可能性。通过使用超声波的频道估计技术，我们可以得出用户嘴唇的运动特征，这些动作特征可用于微调现有的语音识别模型，并通过大量的开源语音数据集进行增强。更重要的是，我们使用语音界面来指导新用户的CUS tomized模型的初始化，以便他们可以轻松地访问我们的系统。已经进行了两阶段的实验，结果表明我们的系统可以达到90。8％命令级准确性和1。句子级准确性中的3％单词误差。
超便携式超声波提供诊断级成像、AI 和 CW/PW
1 Trio 是一个实时自动图像标记、分级和指导系统，可让医疗从业人员（包括未接受过超声检查培训的人员）收集图像，以满足在宣布的 COVID-19 公共卫生紧急事件期间的紧急图像分析需求。Trio 旨在由合格的医疗保健专业人员或在经过培训或获得许可的医疗保健专业人员的监督或现场指导下使用。此功能尚未获得 FDA 批准。AI 辅助 EF 工作流程使用 AI 为医疗从业人员（包括未接受过超声检查培训的人员）执行初始 EF 计算，以满足在宣布的 COVID-19 公共卫生紧急事件期间的紧急图像分析需求。AI 辅助 EF 工作流程旨在由合格的医疗保健专业人员或在经过培训或获得许可的医疗保健专业人员的监督或现场指导下使用。此功能尚未获得 FDA 批准。
碳纤维复合材料飞机部件超声波检查的自动缺陷检测
开发了基于商业软件 Ultis ® 的自动化任务序列，结合新的预处理和后处理工具，以实现对从大型复杂 CFRP 组件获得的超声波数据的全自动分析。在包含各种人工缺陷的参考面板上，结果 90/95 为 6.8 毫米。新工具包括 C 扫描投影优化器，可最大限度地减少 3D 到 2D 转换期间的缺陷变形，一种有效的分割方法，可解决具有挑战性的特征（共固化纵梁、层脱落、多种厚度变化），以及一种能够自动从 A 扫描集合中提取指示的新型缺陷检测算法。结果表明，该方法满足检测要求，同时显著缩短了分析时间。
通过超声波和视频进行静默与模态多说话人语音识别
我们研究了从舌头的超声图像和嘴唇的视频图像中进行多说话人语音识别。我们在模态语音的图像数据上训练我们的系统，并在两种说话模式的匹配测试集上进行评估：无声语音和模态语音。我们观察到，从图像数据中进行的无声语音识别表现不如模态语音识别，这可能是因为训练和测试之间的说话模式不匹配。我们使用解决领域不匹配的技术来提高无声语音识别性能，例如 fMLLR 和无监督模型自适应。我们还从话语持续时间和发音空间大小方面分析了无声语音和模态语音的特性。为了估计发音空间，我们计算从超声舌头图像中提取的舌头样条的凸包。总体而言，我们观察到无声语音的持续时间比模态语音的持续时间长，并且无声语音比模态语音覆盖的发音空间小。尽管这两个特性在各种说话模式下都具有统计显著性，但它们与语音识别的单词错误率并不直接相关。索引词：无声语音界面、无声语音、超声舌成像、视频唇成像、发音语音识别
使用人工智能进行超声波检查的文章
人工智能 (AI) 将医学图像转换为高通量可挖掘数据。机器学习算法可用于建模病变检测、目标分割、疾病诊断和预后预测，显著促进了临床决策支持的精准医疗。短短几年内，发表的文章数量急剧增加，包括有关人工智能超声的文章。鉴于超声波具有与其他成像方式不同的独特属性，包括实时扫描、操作员依赖性和多模态性，读者应特别注意评估依赖超声波人工智能的研究。本综述为读者提供有针对性的指南，涵盖可用于识别强大和动力不足的超声波人工智能研究的关键点。
超声波中的人工智能
超声波 (US) 是一种灵活的绿色成像方式，随着先进超声波技术的不断涌现和美国数字医疗系统的完善，正在全球范围内作为各个临床领域的一线成像技术不断扩展。实际上，在超声波实践中，合格的医生应手动收集和视觉评估图像以检测、识别和监测疾病。由于超声波本身对操作员的依赖性高，诊断性能不可避免地会降低。相比之下，人工智能 (AI) 擅长自动识别复杂模式并对图像数据进行定量评估，显示出帮助医生获得更准确和可重复结果的巨大潜力。在本文中，我们将提供对 AI、机器学习 (ML) 和深度学习 (DL) 技术的一般了解；然后，我们回顾了人工智能尤其是深度学习技术在超声领域的快速增长的应用，基于以下解剖区域：甲状腺、乳腺、腹部和骨盆、产科心脏和血管、肌肉骨骼系统和其他器官，涵盖图像质量控制、解剖定位、物体检测、病变分割、计算机辅助诊断和预后评估；最后，我们就美国生物医学人工智能系统临床实践面临的挑战和机遇提出了自己的看法。
分析并增强自动驾驶汽车超声波传感器的安全性
摘要 — 自动驾驶汽车依靠传感器测量路况并做出驾驶决策，其安全性在很大程度上取决于这些传感器的可靠性。在所有障碍物检测传感器中，超声波传感器的市场份额最大，预计将越来越多地安装在汽车上。此类传感器通过发射超声波并分析其反射来发现障碍物。通过利用传感器的内置漏洞，我们设计了针对超声波传感器的随机欺骗、自适应欺骗和干扰攻击，并设法欺骗车辆在应该继续行驶时停止，并让它在应该停止时无法停止。我们对独立传感器和移动车辆进行了攻击验证，包括带有“自动驾驶”系统的特斯拉 Model S。结果表明，攻击不仅会导致传感器失明和故障，还会导致自动驾驶汽车失明和故障，从而导致碰撞。为了增强超声波传感器和自动驾驶汽车的安全性，我们提出了两种防御策略，基于单传感器的物理移位认证（在物理层面验证信号）和多传感器一致性检查（使用多个传感器在系统层面验证信号）。我们对真实传感器的实验和 MATLAB 仿真揭示了这两种方案的有效性。
使用计算机视觉和机器学习分析小鼠的超声波发声
摘要 小鼠发出超声波发声 (USV)，传达与社会相关的信息。为了检测和分类这些 USV，我们在此描述了 VocalMat。VocalMat 是一款使用图像处理和微分几何方法检测音频文件中的 USV 的软件，无需用户定义参数。VocalMat 还使用计算视觉和机器学习方法将 USV 分为不同的类别。在小鼠发出的 >4000 个 USV 数据集中，VocalMat 检测到了 98% 以上的手动标记 USV，并准确地将 11 个 USV 类别中的 »86% 的 USV 分类为 USV。然后，我们使用降维工具分析了不同实验组之间 USV 分类的概率分布，从而提供了一种量化和定性小鼠发声库的稳健方法。因此，VocalMat 无需用户输入即可自动、准确和定量地分析 USV，为详细和高通量地分析这种行为提供了机会。