郑志强
- 作品数：10 被引量：42H指数：4
- 供职机构：内蒙古大学电子信息工程学院更多>>
- 发文基金：国家自然科学基金内蒙古自治区自然科学基金海洋公益性行业科研专项更多>>
- 相关领域：自动化与计算机技术电子电信医药卫生农业科学更多>>
- 一种二阶多智能体系统的有限时间一致性控制方法
- 论文研究了二阶多智能体系统在外部有界扰动干扰下的有限时间一致性控制问题,即多智能体系统能在设定时间区间内收敛到固定值。在渐近一致性控制问题的基础上,通过构造有限时间控制协议,使得多智能体系统的位置和速度信息在有限时间内收...
- 苏冠群郑志强翁智高飞娜茜泰
- 关键词：多智能体系统
- 基于改进DenseNet的牛眼图像特征提取方法被引量：11
- 2021年
- 针对牛眼图像特征提取过程中由于梯度消失和过拟合造成的识别准确率较低的问题,提出一种基于改进DenseNet的牛眼图像特征提取方法。首先采用缩放指数线性单元(SeLU)激活函数防止网络梯度消失;其次通过DropBlock随机丢弃牛眼图像的特征块,从而防止过拟合,并加强网络的泛化能力;最后将改进后的稠密层进行叠加以组成改进的DenseNet(Dense convolutional Network)。在自建牛眼图像数据集上进行特征信息提取识别实验的结果表明,改进后的DenseNet识别准确率、精确率和召回率分别为97.47%、98.11%和97.90%;较改进前的网络在识别准确率、精确率和召回率上分别提升了2.52个百分点、3.32个百分点和2.94个百分点,可见改进后的网络具有较高的精度与鲁棒性。
- 郑志强胡鑫翁智王雨禾程曦
- 关键词：特征提取
- AIS与高频地波雷达目标点迹速度差关联算法
- 针对AIS与高频地波雷达目标点迹信息关联精度与可信度不高的问题,根据短时间内船只目标速度可能不会突变这一特性,提出了一种速度差点迹关联算法。该方法首先将准备关联的AIS与高频地波雷达目标点迹分别和它前一时刻数据做关联,滤...
- 高鹏波刘永信张晖郑志强
- 关键词：AIS高频地波雷达
- 文献传递
- 影像组学联合Nomogram图预测亚实性肺结节浸润性
- 2024年
- 目的:基于CT影像组学特征联合Nomogram图构建临床诊断模型,评价其对亚实性肺结节浸润性的预测能力。方法:回顾性收集在薄层CT图像表现为肺亚实性结节并经病理证实的患者的临床及影像学资料。从CT图像中提取影像组学特征。使用LASSO回归及K折交叉验证进行特征选择。根据确定的临床独立预测因子和RS,采用多因素Logistic回归分析分别构建3种预测模型:第1种基于临床资料及影像学特征参数;第2种依据影像组学特征;第3种临床-影像组学联合模型,使用Nomogram图将Logistic回归分析的结果进行可视化表达。采用受试者工作特征曲线比较3种模型对磨玻璃样肺腺癌IA和非IA的分类预测性能。采用决策曲线分析评估不同队列中3种模型的临床实用性。结果:共收集192例共204枚亚实性肺结节,根据组织学分型分为IA 114例,非IA 90例,训练集143例(IA/非IA为77例/66例),测试集61例(IA/非IA为38例/23例)。每个亚实性肺结节可提取1316个特征,通过特征选择及Logisti回归分析最终选取2个临床独立预测因子(平均CT值、结节最大径)及3个影像组学特征用于模型构建。临床-影像组学联合模型在训练集(AUC=0.920,95%CI:0.818~0.931)中区分IA和非IA的能力优于影像组学模型和临床模型(AUC=0.907,95%CI:0.792~0.914;AUC=0.822,95%CI:0.764~0.895),测试集中临床资料的加入对提高影像组学模型的诊断效能有一定帮助。DCA表明多数情况下联合模型可以提供更大的临床效益。结论:本研究开发的临床-影像组学组学联合模型在预测亚实性肺结节的浸润性方面表现良好。
- 薛瑞红武婷婷柴军张煜杰梁恩赫郑志强
- 关键词：腺癌
- CSD-YOLOv8s:基于无人机图像的密集小目标羊只检测模型
- 2024年
- [目的/意义]天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键。为满足规模化养殖场对大批羊群实现精准实时的检测需求,提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s (CBAM SPPFCSPC DSConv-YOLOv8s),实现无人机高空视角下小目标羊只个体的实时检测。[方法]首先,使用无人机获取天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据。通过数据清洗和标注整理生成羊群检测数据集。其次,为解决羊群密集和相互遮挡造成的羊只检测困难问题,基于YOLO (You Only Look Once) v8模型构建具有跨阶段局部连接的SPPFCSPC (Spatial Pyramid Pooling Fast-CSPC)模块,提升网络特征提取和特征融合能力,增强模型对小目标羊只的检测性能。在模型的Neck部分引入了卷积注意力模块(Convolutional Block Attention Module, CBAM),从通道和空间两个维度增强网络的抗干扰能力,提升网络对复杂背景的抑制能力,进一步提高对密集羊群的检测性能。最后,为提升模型的实时性和可部署性,将Neck网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS (C2f-DSConv)模块,减小了模型的参数量并提升了模型的检测速度。[结果和讨论]与YOLO、Faster R-CNN (Faster Regions with Convolutional Neural Networks)及其他经典网络模型相比,改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下,在羊群检测任务中具有更高的检测精度。Precision达到95.2%,mAP达到93.1%,FPS (Frames Per Second)达到87 f/s,并对不同遮挡程度的羊只目标具有较强的鲁棒性,有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏检和误检严重的问题。公开数据集验证结果表明,提出的模型对其他不同物体的检测精度均有所提高,特别是在羊只检测方面,检测精度提升了9.7%。[�
- 翁智刘海鑫郑志强
- 基于多模态图像信息及改进实例分割网络的肉牛体尺自动测量方法
- 2024年
- [目的/意义]牛的体尺参数是反映牛身体发育状况的关键指标,也是牛选育过程的关键因素。为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求,设计了一种图像采集装置以及体尺自动测量算法。[方法]首先搭建肉牛行走通道,当肉牛通过通道后进入限制装置,用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集。其次,为避免复杂环境背景的影响,提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取,对轮廓进行区间划分,利用计算曲率分析方法找到所需体尺测点。然后,将原始深度图转换为点云数据,对点云进行点云滤波、分割和深度图牛只区域的空值填充,以保留牛体区域的点云完整,从而找到所需测点并返回到二维数据中。最后,将二维像素点投影到三维点云中,利用相机参数计算出投影点的世界坐标,从而进行体尺的自动化计算,最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。[结果与讨论]改进的实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。[结论]本研究开发的肉牛图像采集装置及相应的图像处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求,为非接触式肉牛体尺自动化测量提供了理论与实践指导。
- 翁智范琦郑志强
- 关键词：点云分割
- 基于双路卷积神经网络在甲状腺结节良恶性鉴别诊断中的初步研究被引量：6
- 2022年
- 目的:考虑到甲状腺结节的三维立体形状,超声检查一般通过横切面和纵切面综合观察甲状腺结节的特征,为此我们提出了双路卷积神经网络的甲状腺结节识别模型,旨在提高甲状腺良恶性结节的鉴别诊断水平。方法:从内蒙古医科大学附属医院超声数据库中选取经手术或细针穿刺细胞学检查(FNAC)病理证实的甲状腺结节1105枚,每个结节均提供横切图与纵切图。选取884枚结节(其中恶性结节680枚,良性结节204枚)用于深度学习模型的训练,余221枚结节(良性结节59枚,恶性结节162枚)用于测试。模型考虑甲状腺结节横切图与纵切图的特征,构建双路卷积神经网络结构。首先分别训练两路子网络,其中一条以结节横切图像输入(CNN1),另一条以相应结节的纵切图像输入(CNN2),分别用于测试,然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对甲状腺结节的良恶性进行识别。以术后病理学结果为金标准,分析双路卷积神经网络与两条单路卷积神经网络模型的诊断效能及与病理结果之间的一致性。结果:双路卷积神经网络模型诊断甲状腺结节的灵敏度、特异度、准确度分别为95.68%、84.75%、92.76%,均优于单路卷积神经网络模型(均P<0.05);CNN1与CNN2相比,灵敏度、特异度及准确度均无显著性差异(P>0.05)。双路卷积神经网络模型与病理诊断的一致性好(Kappa值=0.813,P<0.05);CNN1、CNN2与病理诊断的一致性一般(Kappa值=0.460、Kappa值=0.521,P<0.05)。结论:双路卷积神经网络模型理论上能够更全面的提取甲状腺结节的图像特征,更拟合超声检查中的多切面扫查,此方法应用于甲状腺结节良恶性鉴别诊断中是可行的。
- 邓伟闫诺郑志强张英霞
- 关键词：甲状腺结节超声检查
- 地波雷达与自动识别系统目标点迹最优关联算法被引量：9
- 2015年
- 为了提高海洋探测精度和范围,针对高频地波雷达(HFSWR)和自动识别系统(AIS)目标点迹的融合利用问题,该文提出一种基于JVC(Jonker-Volgenant-Castanon)的点迹分状态全局最优关联算法。首先,通过判断高频地波雷达和AIS点迹的径向速度,将点迹分为准静态目标和动态目标。接着,选取径向速度和点迹间的球面距离为特征参数,对不同状态下目标点迹分别进行径向速度和位置间球面距离粗关联。最后,使用相对距离比的平均值进行关联效果的评价,通过选择合适的关联门限参数,使用JVC算法实现高频地波雷达和AIS的点迹最优关联。实验结果表明:该算法在关联相同点迹对数的情况下,关联精度高于最近邻(NN)算法和Munkres关联法,关联用时少于最近邻算法和Munkres关联法。通过近3年内3组不同时刻实测目标点迹的验证,该算法可以满足关联的实用性和实时性要求。
- 张晖刘永信张杰纪永刚郑志强
- 关键词：高频地波雷达自动识别系统
- 基于KinectV2的猪体三维点云重构与体尺测量
- 2024年
- 体尺参数是评价育肥猪生长状况的重要指标,针对单目CCD相机在猪体体尺测量中受角度、光源等因素影响导致的测量参数单一、测量结果误差较大等问题。首先利用深度相机KinectV2从正上方和左右两侧视角同步获取猪体局部点云数据;然后进行点云去噪、精简分割等处理,运用改进后的ICP点云配准技术处理点云信息;最后采用精确估算技术精简点云数据。在不同角度比较实验测量与人工测量的结果发现,猪体数据中体长平均相对误差为2.65%、体高平均相对误差为1.87%、体宽平均相对误差为1.75%、臀高平均相对误差为2.07%、臀宽平均相对误差为1.96%,整体上误差较小,证明了所提方法的有效性,以期为猪体尺寸测量提供新的解决方法。
- 李哲林文祉翁智郑志强
- 关键词：育肥猪图像处理三维点云体尺测量
- 基于改进YOLOv3的高压输电线路关键部件检测方法被引量：16
- 2020年
- 针对高压输电线路后期的缺陷检测和故障诊断,保障电力系统的稳定运行,实现无人机(UAV)巡检的智能化,提出基于改进YOLOv3的高压输电线路关键部件目标检测算法。该算法引入了Res2Net残差模块替换原有的残差模块,用更少的模块获得更高的特征提取效率,有效提升了网络的细粒度检测能力,解决了输电巡检目标多样化、角度多变的问题;同时借鉴了知识蒸馏的迁移学习方案,加强了浅层信息的融合,相比于原网络提高了准确率,减少了漏检率。最后将该算法应用于自建航拍数据集上,实验结果表明,基于YOLOv3的改进网络能够实现巡检关键部件的同步快速定位,此方法构建模型的平均准确率达到90.9%,运行速度为42 frame/s。
- 翁智程曦郑志强
- 关键词：目标检测
