【摘 要】
：
为解决卵母细胞极体不明显时无法有效识别的问题,提出一种基于凹点检测的极体识别方法.结合Otsu算法和形态学操作提取细胞轮廓;通过角点检测和圆形掩膜方法搜索轮廓上的深凹点,设计自适应确定掩膜半径方法和凹凸特征参数判别深浅凹点,筛选出卵母细胞与极体粘连形成的深凹点,确定识别结果.实验结果表明,该方法在极体不明显时识别准确率达92％,耗时仅需97 ms,具有鲁棒性好、自适应性强、效率高等优点,为自动化显微注射中极体识别提供了有效的解决方案.
【机 构】
：
武汉理工大学 机电工程学院,湖北 武汉 430070;宁波大学 高等技术研究院,浙江 宁波 315211
论文部分内容阅读
为解决卵母细胞极体不明显时无法有效识别的问题,提出一种基于凹点检测的极体识别方法.结合Otsu算法和形态学操作提取细胞轮廓;通过角点检测和圆形掩膜方法搜索轮廓上的深凹点,设计自适应确定掩膜半径方法和凹凸特征参数判别深浅凹点,筛选出卵母细胞与极体粘连形成的深凹点,确定识别结果.实验结果表明,该方法在极体不明显时识别准确率达92％,耗时仅需97 ms,具有鲁棒性好、自适应性强、效率高等优点,为自动化显微注射中极体识别提供了有效的解决方案.
其他文献
为提高利用张量分解技术进行基于位置社交网络的地点推荐的推荐性能,提出一种利用张量分解技术且融合神经网络的地点推荐算法.融合多层感知机和长短期记忆网络基于张量分解技术建模用户的签到行为,将学习到的用户偏好表示馈送到推荐生成器和推荐判别器组成的对抗生成网络中,通过对抗训练学习最佳用户偏好表示用于推荐.基于真实数据集的实验验证了该算法的有效性和高效性.
针对卷积神经网络的庞大参数量和计算量难以应用于移动设备或嵌入式设备的问题,提出冗余特征重建模块(redundant feature reconstruction,RFR)和组注意力卷积模块(group attention convolution,GAC),RFR模块使用较少的参数量提取重要的固有特征,通过线性算子重建冗余特征帮助网络模型推理,GAC模块通过引入注意力机制改善分组卷积中各分组之间的信息交互不充分的问题,基于所提出模块构建一种高效轻量化的语义分割网络.在Cityscapes数据集上进行的实验显
针对物流新闻类别分布不均衡,分类器容易倾向大类别而忽略小类别的问题,提出基于加权补集的朴素贝叶斯分类模型.构建物流新闻语料库,结合卡方检验进行特征选择,基于局部、全局和类内、类间的思想,分析并改进传统特征加权算法,设计适用于类别分布不均衡物流新闻的加权补集朴素贝叶斯模型.实验结果表明,相较传统分类方法,加权补集朴素贝叶斯模型能有效解决物流新闻文本不均衡情况下的分类问题,快速准确地对物流新闻进行分类.
为让电梯调度算法在电梯电力能耗、用户乘梯体验和算法适应性方面具备更好表现,在目前主流的电梯调度算法基础之上,提出对调度环境、电梯行为和调度目标3个方面进行统一建模的基于强化学习A3C的电梯智能调度算法.让调度电梯在不断地和环境交互学习过程中逐渐学习得到最优电梯调度策略,与基于具体环境建模的相关电梯调度算法进行对比实验,基于A3C的调度算法具有建模简单规范、适应性强和控制目标多样的优势,对比A3C算法与部分强化学习算法在电梯调度中的优劣,实验结果表明,A3C算法具备较好的调度性能.
针对传统灰狼优化算法处理复杂优化问题时易于陷入局部最优,提出基于混沌Tent映射与精英高斯扰动的非线性灰狼优化算法.根据混沌Tent映射与对立学习机制,保证较优个体的同时,设计种群初始化方法,可使个体尽可能均匀分布;为有效均衡个体的局部开发和全局勘探能力,设计一种非线性收敛因子控制策略;在头狼选取上引入面向精英个体的高斯扰动机制进行位置更新,使算法跳出局部最优.若干基准函数优化求解的测试结果表明,该算法可以有效提升寻优精度和收敛速度.
为及早预测电梯发生的常见故障,提高电梯设备的维保质量和效率,提出基于规则推理、知识图谱嵌入技术和知识图谱补全技术实现电梯故障预测的方法,在构建电梯故障知识图谱后,通过改进的组合模型将三元组中的实体和关系训练为连续的低维向量空间,实现三元组对于故障预测相关运算的兼容,通过组合模型实现电梯实体、关系和故障实体三元组的预测.电梯故障预测实验经知识图谱的构建、TransE模型向量化,以及Proj E模型训练及测试,验证了提出的电梯故障预测方法的有效性.
为提高小目标检测任务的准确率和稳定性,解决SSD(single shot MultiBox detector)算法在小目标识别和定位过程中准确率较低的问题,基于SSD算法提出一种改进方法.在原始的SSD卷积网络结构上进行修改和优化,通过特征图之间的特征融合,重构卷积预测特征图上的物体特征信息.考虑到网络复杂度增加带来的数据分布变化的影响,加入批量归一化BN(BatchNorm)层.在PASCAL VOC2007数据集和生活用品(Supplies Dataset)数据集上的实验结果表明,改进算法的mAP相比
为解决复杂驾驶环境中小目标交通标志的高精度检测问题,基于Cascade R-CNN级联模型提出一种多任务级联模型GA-CMF R-CNN(guided anchoring-cascade mask flow R-CNN).采用ResneXt101(32×4d)-FPN作为特征提取网络,确保特征图的语义信息和分辨率信息;采用GA-RPN作为区域生成网络,提高网络特征表达能力;模型融合Mask R-CNN的mask分支,在级联的mask分支间添加信息流,通过对先验框中的目标进行语义分割,提高检测精度.在公开交
为降低高分辨网络模型因级联过多造成的参数冗余,设计一种用于人体姿态估计的并联化高分辨网络模型.通过适当的网络裁剪和并联化结构优化处理策略,对原始高分辨网络模型的消融实验结果进行分析,保留网络的前3个阶段,按第四阶段网络的分辨率构建等尺度的U型网络结构,在多尺度分支的第二阶段与第三阶段中分别并联该结构,保持原网络在同分辨率下的特征融合.针对人体姿态估计数据集MPII与MSCOCO进行检测,并联化高分辨网络的参数量仅为原网络的37％,浮点运算量降低30％.
针对现有依靠穿戴设备、雷达和视频图像人体行为感知的方法对环境要求高,成本高,且不利于保护隐私等问题,提出一种基于信道状态信息无设备且低成本的日常行为识别方法.通过商用WiFi设备采集原始CSI数据,在无需信号进行去噪处理的情况下通过提取原始CSI最大程度能提高识别精度的三阶累积量特征,应用基于互信息的特征选择算法(MIFS)对特征进行筛选,将筛选得到的特征子集输入进粒子群优化算法(PSO)优化过参数的支持向量机(SVM)分类器中以测量性能.实验结果表明,该方法在不同环境下对不同日常动作的平均识别率达到了9