目的分析急性期单侧突发性聋患者水平方位声源定位能力及其影响因素。方法同期纳入病程在3周内的单侧突发性聋患者110例和正常听力对照组20例,完成角度辨别测试和角度识别测试,采用的刺激声为言语声(65 dB SPL)。获得最小可听角(minimum...目的分析急性期单侧突发性聋患者水平方位声源定位能力及其影响因素。方法同期纳入病程在3周内的单侧突发性聋患者110例和正常听力对照组20例,完成角度辨别测试和角度识别测试,采用的刺激声为言语声(65 dB SPL)。获得最小可听角(minimum audible angle,MAA)和均方根误差(root-mean-square error,RMSE),分别计算患侧和健侧RMSE。依据WHO(2021)听力损失分级标准,对患耳纯音平均听阈(pure-tone average,PTA)进行分组,并记录患耳各频率最佳残余听力。结果单侧突发性聋患者在声源定位任务中的表现差异较大,部分表现接近正常水平,而部分则完全丧失声源定位能力。中度听力损失组(PTA≥35 dB HL)较正常听力组RMSE显著增加(P<0.01),中重度听力损失组(PTA≥50 dB HL)较正常听力组MAA差异具有统计学意义(P<0.001)。重度及以上组患者患侧RMSE较健侧显著增大。回归分析显示,患耳各频率最佳残余听力是影响MAA(R^(2)=0.572,P<0.001)、RMSE(R^(2)=0.768,P<0.001)的最主要因素。结论急性期单侧突发性聋患者的水平方位声源定位能力个体差异较大,当患侧PTA达到中度听力损失时,定位较正常听力者显著下降。患耳各频率最佳残余听力是影响声源定位能力的关键因素。展开更多
针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目...针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。展开更多
准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,...准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。展开更多
文摘目的分析急性期单侧突发性聋患者水平方位声源定位能力及其影响因素。方法同期纳入病程在3周内的单侧突发性聋患者110例和正常听力对照组20例,完成角度辨别测试和角度识别测试,采用的刺激声为言语声(65 dB SPL)。获得最小可听角(minimum audible angle,MAA)和均方根误差(root-mean-square error,RMSE),分别计算患侧和健侧RMSE。依据WHO(2021)听力损失分级标准,对患耳纯音平均听阈(pure-tone average,PTA)进行分组,并记录患耳各频率最佳残余听力。结果单侧突发性聋患者在声源定位任务中的表现差异较大,部分表现接近正常水平,而部分则完全丧失声源定位能力。中度听力损失组(PTA≥35 dB HL)较正常听力组RMSE显著增加(P<0.01),中重度听力损失组(PTA≥50 dB HL)较正常听力组MAA差异具有统计学意义(P<0.001)。重度及以上组患者患侧RMSE较健侧显著增大。回归分析显示,患耳各频率最佳残余听力是影响MAA(R^(2)=0.572,P<0.001)、RMSE(R^(2)=0.768,P<0.001)的最主要因素。结论急性期单侧突发性聋患者的水平方位声源定位能力个体差异较大,当患侧PTA达到中度听力损失时,定位较正常听力者显著下降。患耳各频率最佳残余听力是影响声源定位能力的关键因素。
文摘针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。
文摘准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。
