Abstract ：

随着建筑行业的不断发展,建筑施工质量验收变得至关重要.传统建筑质量验收方法受到点测量和二维平面检查的限制,难以全面、准确地评估建筑质量.针对这一难题,以某交通枢纽工程为例,通过三维激光扫描仪等高精度设备快速获取并生成建筑物的三维点云模型,结合建筑信息模型(BIM)比对点云模型与设计模型数据,快速识别施工偏差和质量问题.三维扫描技术的应用解决了传统验收方法效率低、准确性差的问题,提高了验收的全面性和精确度,显著改进了建筑施工质量验收.

Keyword ：

质量验收 三维扫描 点云模型 BIM

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明涉及一种滑雪赛道规划设计的优化方法及系统，属于建设工程设计技术领域，解决了现有设计的精确度和处理效率不高的问题。该方法包括：获取原始地形的数字高程模型，去除其中每条等高线上的冗余点得到原始场地的简化数字高程模型；在Civil3D软件中导入原始地形的简化数字高程模型，通过提取滑雪赛道的第一等高线生成初始雪道曲面；通过优化初始雪道曲面中的第二等高线的位置，得到优化的雪道曲面；通过在优化的雪道曲面的雪道中心线上设置桩号，绘制出雪道纵横断面图。实现了高精确度和高效率的滑雪赛道规划设计。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提供了一种多模态数据驱动城市固废焚烧被控对象建模方法。涉及MSWI过程技术领域，包括：获取初始火焰燃烧状态全局量化值；获取多工况下的虚拟数据；结合真实过程数据，将初始火焰燃烧状态全局量化值输入改进的DFR燃烧状态量化模型，得到最终的火焰燃烧状态全局量化值；获取真实运行数据并利用VSG技术扩充真实过程数据，得到扩充数据；对多工况下的虚拟数据和扩充数据进行混合，得到多场景下的多工况时序数据；根据多场景下的多工况时序数据和最终的火焰燃烧状态全局量化值构建多入多出被控对象模型，其中，多入多出被控对象模型包含堆叠的四层LSTM。本发明解决了现有技术中MSWI过程的被控对象建模样本体量小，导致建模精确度低下的问题。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于手势交互的虚拟模型装配模拟吸附效果方法和系统，其方法包括：对待装配虚拟模型的拆解以及混合现实环境的搭建；吸附效果功能的实现；延迟触发吸附效果功能的实现；系统打包、部署至Hololens2设备并进行反馈与完善；系统包含模块：人机交互模块；实时计算与阈值调节模块；吸附效果及反馈模块；协程等待交互控制模块。本发明提供了一种在混合现实环境中实现虚拟模型吸附效果的方法和系统，且提供了一种延迟触发吸附效果的机制，避免了频繁触发吸附效果而导致的操作混乱，旨在增强用户对虚拟模型的装配可操作度、精确度与反馈度，提高教育、工业培训、游戏等领域的应用潜力。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 通过对痧象图片数据的研究，提出一种数显的客观方法来对背部痧象特征要素进行准确辨识，以避免主观认知不同带来的偏差，帮助人们快速辨识痧象的相关特征，为中医医师的诊断提供一定的客观依据，减少主观化成分。方法 首先，采用深度语义分割算法模型对采集的背部痧象图片进行分割，以获取只包含痧象的部分区域，去除图片中其他无关部分，尽可能减少对后续实验所带来的影响。然后针对分割得到的图像，结合中医五脏六腑在背部的映射区，采用关键区域检测的方法对痧象颜色特征进行3种区间的识别；根据中医主观上对于痧象形状的划分，采用像素统计方法将痧象形状划分为片状和点状两种。最后，通过准确度、精确度、召回率、F1值对客观识别的结果进行数据上的评价。结果 本文提出的客观数显方法在痧象颜色特征划分上的准确率达到了80.56%,在痧象形状特征的划分上准确率达到了89.60%,能够较为准确地对痧象特征要素进行划分，具有一定的可行性。结论 本文提出的数显方法能够对痧象的颜色和形状特征进行较为准确的辨识，可以在很大程度上避免主观认知所造成的辨识不同问题，在辅助医师诊断以及用于中医痧象特征的识别教学方面具有较大的应用前景，可为正确了解痧象特征信息提供帮助。

Keyword ：

图像处理 特征分类 信息化 机器学习 中医痧象

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 验证基于临床CT的数字体相关(digital volume correlation, DVC)方法在测量股骨内部变形场时的准确性，并通过DVC进一步测量股骨在跌倒情况下的内部变形，验证基于临床CT的有限元分析方法(finite element analysis, FEA)在计算股骨内部变形场的准确性。方法 使用猪股骨，模拟侧向跌倒姿态，进行分步力学加载实验，同步进行多次CT成像。通过重复扫描和虚拟位移验证DVC方法的准确性。DVC以子体积作为配准两组图像的研究对象，分别设置8、12、16和20 mm的子体积进行测试。量化误差指标包括位移系统误差-平均值(mean)、位移随机误差-标准差(standard deviation, SD)、应变准确度-平均绝对误差(mean absolute error, MAER)和应变精确度-标准差误差(standard deviation of the error, SDER)。基于CT图像建立股骨有限元模型，模拟实验条件，计算股骨内部位移，与DVC测量的内部变形场对比验证。结果 基于临床CT的DVC方法重复扫描位移偏差小于0.013 mm, MAER和SDER均小于200με;虚拟位移偏差小于0.098 mm, MAER为1 093～1 687με,SDER为604～1 267με,远小于骨组织屈服应变。FEA计算的位移和DVC测量的位移之间具有较强的相关性(R~2≥0.76,P<0.05)。结论 基于临床CT的DVC方法可以准确测量股骨内部变形场，并且基于临床CT的有限元模型可以准确计算股骨内部变形场。

Keyword ：

CT图像 骨质疏松 有限元分析 数字体相关 股骨骨折

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了对城市供水管网漏损音进行准确识别,提出一种基于MobileNetV3 的供水管道漏损音频分类识别方法.首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与MobileNetV3 网络训练识别并提取图像特征;最后使用Softmax函数对漏损音频进行分类.实验结果表明,该方法可以使漏水类别的分类精确度达到99.40%,召回率达到99.20%.

Keyword ：

水管泄漏检测 声音事件分类 谱减法 MobileNetV3 压缩奖惩网络模块 数据增强

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHB-MIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。.; The deep learning-based automatic detection of epilepsy electroencephalogram (EEG), which can avoid the artificial influence, has attracted much attention, and its effectiveness mainly depends on the deep neural network model. In this paper, an attention-based multi-scale residual network (AMSRN) was proposed in consideration of the multiscale, spatio-temporal characteristics of epilepsy EEG and the information flow among channels, and it was combined with multiscale principal component analysis (MSPCA) to realize the automatic epilepsy detection. Firstly, MSPCA was used for noise reduction and feature enhancement of original epilepsy EEG. Then, we designed the structure and parameters of AMSRN. Among them, the attention module (AM), multiscale convolutional module (MCM), spatio-temporal feature extraction module (STFEM) and classification module (CM) were applied successively to signal reexpression with attention weighted mechanism as well as extraction, fusion and classification for multiscale and spatio-temporal features. Based on the Children's Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) public dataset, the AMSRN model achieved good results in sensitivity (98.56%), F1 score (98.35%), accuracy (98.41%) and precision (98.43%). The results show that AMSRN can make good use of brain network information flow caused by seizures to enhance the difference among channels, and effectively capture the multiscale and spatio-temporal features of EEG to improve the performance of epilepsy detection.

Keyword ：

Multi-scale principal component analysis (MSPCA) Electroencephalogram signal Deep learning Seizure detection Brain networks

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了对城市供水管网漏损音进行准确识别,提出一种基于MobileNetV3的供水管道漏损音频分类识别方法。首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与MobileNetV3网络训练识别并提取图像特征;最后使用Softmax函数对漏损音频进行分类。实验结果表明,该方法可以使漏水类别的分类精确度达到99.40%,召回率达到99.20%。

Keyword ：

谱减法 压缩奖惩网络模块 MobileNetV3 声音事件分类 数据增强 水管泄漏检测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHBMIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。

Keyword ：

癫痫检测 多尺度主元分析 脑电信号 深度学习 脑网络

Cite：

Copy from the list or Export to your reference management。