基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于改进RDN网络的无人机茶叶图像超分辨率重建

针对无人机搭建可见光传感器进行茶叶长势、病害等监测中因飞行高度影响图像分辨率的问题,本文提出了一种改进的残差密集网络(Residual dense network, RDN)用于无人机茶叶图像超分辨率重建。针对无人机茶叶图像纹理复杂的特点,以RDN为基线网络,在其结构中引入了残差组(Residual group, RG)模块,将多个残差通道注意力模块(Residual channel attention block, RCAB)组合在一起,通过引入注意力机制来区别对待不同的通道,关注无人机茶叶图像高频细节信息,从而提高网络的表征能力;同时设计了一个卷积长跳跃结构,利用带有卷积的远程跳跃连接,动态调整经过残差密集块(Residual dense block, RDB)后特征的权重,更好地利用无人机茶叶图像的分层特征信息,从而提升超分辨率重建图像的质量。实验结果表明,本文改进的RDN网络在无人机茶叶图像测试集上相较于其他算法表现更优,超分辨率重建后的图像具有更高的峰值信噪比和结构相似度,在4倍超分的情况下分别达到36.03 dB和0.913 2,能够为茶叶智能化监测研究提供支持。     

肺转移性胃腺癌伴骨化生1例

肺转移性胃腺癌伴骨化生１例杨先军，梁红（海军４２２医院，湛江５２４００５）１病例患者男，５９岁，于１９８９年因胃癌行根治术，术后病理诊断为胃管状腺癌（Ⅰ～Ⅱ级）。１９９２年体检时发现左肺有一肿物，但无咳嗽、咳痰及咯血等，在家服用中草药治疗。于１９９３...     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换（Spatial transformer,ST）有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9～20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。     

子宫内膜腺癌伴软骨化生1例

1病例女,62岁,于2002年因闭经15 a,阴道不规则出血2 a来院就诊。妇科检查:子宫颈轻度糜烂,宫腔深8.5 cm,内表面凹凸不平,吸出组织50 g送检。病理检查:肉眼观,碎组织一堆,总体积4.5cm×3.5 cm×2 cm,呈灰黄色,少量为灰白色,质脆,豆渣状,部分切开时有明显砂粒感。镜下见瘤细胞呈立方状、短柱状,明显异形性,胞浆略嗜碱性;核大,呈圆形、椭圆形或不规则形,大部分呈空泡状、核仁明显,少部分核深染,核分裂相多见;细胞排列呈腺管状、裂隙状、乳头状或实性条索团块状;间质中可见大小不等的团块状新生的透明软骨,免疫组织化学染色:S-100强阳性。病理…     

瘤样钙化症1 0例分析

瘤样钙化症是一种病因不明,以大关节附近真皮或皮下组织中钙盐聚积为特征的瘤样病变.本科近8 a来共收诊10例,现就其临床和病理特点分析如下.     

胃增生性息肉236例临床病理分析

胃增生性息肉是胃息肉的常见类型。由于其体积小 ,过去临床上未引起足够重视 ,但随着纤维胃镜技术的提高 ,它的临床诊断率已明显提高。本文收集 2 3 6例结合文献 ,就其临床特征和病理分型作分析。1　资料和方法收集我院近 5 a来纤维胃镜下摘除并经病理确诊的胃增生性息肉 2 3 6例。所有标本用 10 %福尔马林固定、石蜡切片和 HE染色。2　结果2 .1　临床资料2 3 6例中男 164例 ,女 72例 ,男女之比 2 ,3 :1。年龄 2 0～ 70岁 ,中位数 4 0 .5岁。全部病例均有上腹痛 ,其中 4 6例还伴反酸、暖气。病程为 3个月～ 4 a,中位数 1.8a。 2 2 4例为单…     

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法，它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象，针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点，设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型，提高无人机图像麦穗计数的精度。首先，为了减小光照不均匀对无人机图像质量造成的影响，该研究采用Retinex算法进行图像增强处理。其次，在YOLOv5的骨干网络中添加坐标注意力机制（coordinateattention,CA），使模型细化特征，更加关注麦穗信息，抑制麦秆、麦叶等一些背景因素的干扰。再次，将YOLOv5中原始的预测头转换为Transformer预测头（transformer prediction heads,TPH），该预测头具有多头注意力机制的预测潜力，可以在高密度场景下准确定位到麦穗。最后，为了提高模型的泛化能力和检测精度，采用了迁移学习的训练策略，先使用田间采集的小麦图像数据集对模型进行预训练，接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练，...