针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干...针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。展开更多
【目的】耒阳市滑坡灾害频发,对人民生命财产和生态安全构成严重威胁。为提高滑坡易发性评价的精度,【方法】以湖南省耒阳市为研究区,构建信息量模型(information value model,IV)与随机森林模型(random forest,RF)耦合的IV-RF模型,引...【目的】耒阳市滑坡灾害频发,对人民生命财产和生态安全构成严重威胁。为提高滑坡易发性评价的精度,【方法】以湖南省耒阳市为研究区,构建信息量模型(information value model,IV)与随机森林模型(random forest,RF)耦合的IV-RF模型,引入空间约束采样策略优化负样本选取策略,开展滑坡易发性评价。通过ROC曲线和AUC值对3种模型进行对比分析,同时提出综合性能指数用于综合评价模型表现。【结果】1)IV-RF耦合模型表现优于单一模型,AUC=0.952,综合性能指数(Accuracy+F1+MCC)为2.593。极高-高易发区滑坡点分布密集,极低-低易发区滑坡点极少,验证模型具有较高的空间预测精度。2)工程地质岩组因子是影响研究区滑坡发育最重要的评价因子之一。【结论】IV-RF耦合模型结合IV的数据定量解译与RF的非线性识别能力,可有效提升模型识别精度,研究结果可为研究区滑坡灾害风险防控、水土保持和国土空间规划提供科学依据。展开更多
目的:探讨基于多种实验室检测指标构建的人工智能模型用于卵巢恶性肿瘤诊断的临床应用价值。方法:回顾性分析郑州大学第一附属医院收集的3465例卵巢恶性肿瘤和6987例卵巢良性肿瘤患者的实验室检测数据,将患者按7∶3随机分为训练集(7317...目的:探讨基于多种实验室检测指标构建的人工智能模型用于卵巢恶性肿瘤诊断的临床应用价值。方法:回顾性分析郑州大学第一附属医院收集的3465例卵巢恶性肿瘤和6987例卵巢良性肿瘤患者的实验室检测数据,将患者按7∶3随机分为训练集(7317例)和测试集(3135例),采用Boruta特征选择法和Lasso回归法进行特征筛选,构建随机森林、逻辑回归、支持向量机和梯度提升决策树模型,并通过曲线下面积(area under the curve,AUC)、准确率、精确率、召回率和F1分数综合评估模型效能。结果:随机森林模型在测试集中表现最佳,AUC为0.924,准确率为0.872,召回率为0.749,优于其余3种模型及常用单一指标[人附睾蛋白4(human epididymis protein 4,HE4)、糖类抗原125(carbohydrate antigen 125,CA125)、CA15-3和D-二聚体]。特征重要性分析显示,HE4、CA15-3、CA19-9、CA125、CA724、甲胎蛋白、D-二聚体、纤维蛋白原、白蛋白、乳酸脱氢酶、中性粒细胞百分比、中性粒细胞绝对值、淋巴细胞百分比、淋巴细胞绝对值和血小板计数15项指标在模型中贡献显著,提示其在临床诊断中具有重要价值。结论:基于实验室检测数据构建的随机森林模型在诊断卵巢恶性肿瘤中表现出较高效能,具备良好的临床应用潜力。未来可进一步结合多中心数据和多模态信息,不断提升模型的泛化能力与临床可解释性,推动其在实际诊疗中的深化应用。展开更多
文摘针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。
文摘【目的】耒阳市滑坡灾害频发,对人民生命财产和生态安全构成严重威胁。为提高滑坡易发性评价的精度,【方法】以湖南省耒阳市为研究区,构建信息量模型(information value model,IV)与随机森林模型(random forest,RF)耦合的IV-RF模型,引入空间约束采样策略优化负样本选取策略,开展滑坡易发性评价。通过ROC曲线和AUC值对3种模型进行对比分析,同时提出综合性能指数用于综合评价模型表现。【结果】1)IV-RF耦合模型表现优于单一模型,AUC=0.952,综合性能指数(Accuracy+F1+MCC)为2.593。极高-高易发区滑坡点分布密集,极低-低易发区滑坡点极少,验证模型具有较高的空间预测精度。2)工程地质岩组因子是影响研究区滑坡发育最重要的评价因子之一。【结论】IV-RF耦合模型结合IV的数据定量解译与RF的非线性识别能力,可有效提升模型识别精度,研究结果可为研究区滑坡灾害风险防控、水土保持和国土空间规划提供科学依据。
文摘目的:探讨基于多种实验室检测指标构建的人工智能模型用于卵巢恶性肿瘤诊断的临床应用价值。方法:回顾性分析郑州大学第一附属医院收集的3465例卵巢恶性肿瘤和6987例卵巢良性肿瘤患者的实验室检测数据,将患者按7∶3随机分为训练集(7317例)和测试集(3135例),采用Boruta特征选择法和Lasso回归法进行特征筛选,构建随机森林、逻辑回归、支持向量机和梯度提升决策树模型,并通过曲线下面积(area under the curve,AUC)、准确率、精确率、召回率和F1分数综合评估模型效能。结果:随机森林模型在测试集中表现最佳,AUC为0.924,准确率为0.872,召回率为0.749,优于其余3种模型及常用单一指标[人附睾蛋白4(human epididymis protein 4,HE4)、糖类抗原125(carbohydrate antigen 125,CA125)、CA15-3和D-二聚体]。特征重要性分析显示,HE4、CA15-3、CA19-9、CA125、CA724、甲胎蛋白、D-二聚体、纤维蛋白原、白蛋白、乳酸脱氢酶、中性粒细胞百分比、中性粒细胞绝对值、淋巴细胞百分比、淋巴细胞绝对值和血小板计数15项指标在模型中贡献显著,提示其在临床诊断中具有重要价值。结论:基于实验室检测数据构建的随机森林模型在诊断卵巢恶性肿瘤中表现出较高效能,具备良好的临床应用潜力。未来可进一步结合多中心数据和多模态信息,不断提升模型的泛化能力与临床可解释性,推动其在实际诊疗中的深化应用。
