下载文档原格式
基于图和子图同构算法的制造特征识别方法谢飞;郭宇;张红蕾;王发麟;黄潇【摘要】针对传统制造特征难以快速识别的难题,提出了基于图和子图同构算法的制造特征识别方法.通过提取零件模型中的几何信息与拓扑信息,构造出加权属性邻接图,对零件模型进行精准描述,为建立制造特征库,定义了文件数据的存储结构,结合子图同构算法以及相关判定规则实现对常见制造特征的识别与匹配.以Creo软件中生成的零件模型为例,在VS2010平台中进行二次开发,最后以界面窗口形式展示识别结果,验证了该方法的有效性.%Due to the problem that the traditional manufacturing feature could not be identified quickly , an approach of manufacturing feature recognition is presented based on graph and subgraph isomorphism algorithm .By extracting the geometric and topological information of 3D part model ,the paper con-structs a weighted attributed adjacency graph to describe it accurately .In order to establish the libraries of manufacturing feature ,the storage structure of the file data is defined .The system could recognize and match common manufacturing feature combined with the subgraph isomorphism algorithm and rele-vant decision rules .The secondary development is conducted under the platform of VS2010 and the rec-ognition results are displayed finally with a windowing interface to verify the validity of the method .【期刊名称】《南京航空航天大学学报》【年(卷),期】2018(050)003【总页数】7页(P390-396)【关键词】制造特征;特征识别;加权属性邻接图;子图同构【作者】谢飞;郭宇;张红蕾;王发麟;黄潇【作者单位】南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016【正文语种】中文【中图分类】TP391特征识别技术对于实现CAD与CAPP的有效集成有着关键意义，当前的三维建模软件所绘制的零件仅仅是设计特征的集合，由于设计人员与工艺人员在零件模型理解上的不同，导致工艺人员较难利用设计人员的三维零件模型生成其需要的三维工序模型。
基于自体荧光成像的牙菌斑量化分析 鞠国浩;陈庆光;朱海华;林斌;陈晖 【期刊名称】《光电工程》 【年(卷),期】2014(000)012 【摘 要】Based on the differences between auto-fluorescence spectra of plaque and dental tissue, a quantitative analysis method of plaque using auto-fluorescence imaging was presented. Auto-fluorescence spectrum of tooth samples excited by 405 nm was measured, on the basis of analyzing the correlation between color parameters of fluorescence and dental plaque content, R/B of fluorescence image was proposed as quantitative assessment parameter of dental plaque content, meanwhile long-wavelength pass filter with central wavelength of 490 nm was used to filter fluorescence spectral bands. Finally, experimental setup was built to obtain the auto-fluorescence image. Quantitative analysis results of three different levels of plaque content and distribution was obtained by using R/B value as segmentation thresholds, which confirmed with visual examination results.%本文基于牙菌斑与牙齿组织自体荧光光谱的差异性，提出了一种利用自体荧光成像的牙菌斑量化分析方法。首先测试了牙齿样品在405 nm 激发光作用下自体荧光光谱分布，在分析荧光颜色参量与牙菌斑含量相关性的基础上，提出以荧光图像的R/B作为牙菌斑含量量化的参量，并确定使用中心波长为490 nm的长波通滤光片对荧光光谱波段进行选择性提取。最后，搭建实验装置获取了牙齿自体荧光图像，利用R/B值作为分割阈值得到了三个不同等级的牙菌斑含量与分布的量化分析结果，与视诊结果相符。
人工智能模拟习题及参考答案一、单选题（共103题，每题1分，共103分）1.关于“与/或”图表示知识的叙述，错误的有。
A、用“与/或”图表示知识方便使用程序设计语言表达，也便于计算机存储处理。
B、“与/或”图表示知识时一定同时有“与节点”和“或节点”。
C、“与/或”图能方便地表示陈述性知识和过程性知识。
D、能用“与/或”图表示的知识不适宜用其他方法表示。
正确答案：D2.自然语言中的词语需要转化为计算机可以记录处理的数据结构，通常会把自然语言中的词语转化为以下哪种数据结构：A、标量B、向量C、有向图D、结构体正确答案：B3.从全称判断推导出特称判断或单称判断的过程，即由一般性知识推出适合于某一具体情况的结论的推理是A、归结推理B、单调推理C、演绎推理D、默认推理正确答案：C4.Keras是用哪种语言编写的神经网络库（）A、JavaB、CC、ScalaD、Python正确答案：D5.问答系统中的NLP技术，以下描述不正确的是：A、问答（QA）系统的想法是直接从文档、对话、在线搜索和其他地方提取信息，以满足用户的信息需求。
QA系统不是让用户阅读整个文档，而是更喜欢简短而简洁的答案。
B、QA系统相对独立很难与其他NLP系统结合使用，现有QA系统只能处理对文本文档的搜索，尚且无法从图片集合中提取信息。
C、大多数NLP问题都可以被视为一个问题回答问题。
范例很简单：我们发出查询指令，机器提供响应。
通过阅读文档或一组指令，智能系统应该能够回答各种各样的问题。
D、强大的深度学习架构（称为动态内存网络（DMN））已针对QA问题进行了专门开发和优化。
给定输入序列（知识）和问题的训练集，它可以形成情节记忆，并使用它们来产生相关答案。
正确答案：B6.下列说法中对专用人工智能理解正确的是（）。
A、在某一个特定领域应用的人工智能。
B、充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。
C、不是真正在这次人工智能浪潮中起到影响的主角。
基于MultiRes-Unet神经网络的三维断层识别研究李泽伟;朱培民;张昊;廖志颖;李广超;郑浩然【期刊名称】《石油物探》【年(卷),期】2024(63)1【摘要】三维地震数据中的断层规模从米级到千米级不等,断距从米级到数十米级不等。
断层通常表现为同相轴错断、突然增减、消失或扭曲等显著地震响应特征。
断层在三维地震数据体中占的体积比例很小,使得利用常规断层识别方法得到的断层识别结果存在不连续、识别率低等问题。
针对断层的多分辨率特征,充分考虑了断层点或线在整个地震数据的占比小等特点,提出了一种三维神经网络MultiRes-Unet3D断层识别方法,该方法在网络学习过程中使用加权交叉熵损失函数解决了普通交叉熵损失函数不同项之间的平衡问题,使得神经网络具有了较为可靠的断层识别能力。
首先,利用正演模拟方法生成三维合成地震数据集和断层标签,然后基于Tensorflow搭建、训练与测试MultiRes-Unet3D神经网络,再将训练好的网络模型迁移到实际三维地震数据的断层识别中。
该神经网络断层识别方法在实际地震数据中的应用表明,断层识别结果空间连续性好,识别结果客观,断层边界更为准确,网络模型泛化性能良好,适用于具有不同断层构造特征的实际地震数据,节约了断层解释的时间成本与人工成本。
【总页数】13页(P91-103)【作者】李泽伟;朱培民;张昊;廖志颖;李广超;郑浩然【作者单位】中国地质大学(武汉)地球物理与空间信息学院;东方地球物理勘探有限责任公司研究院;黄河勘测规划设计研究院有限公司【正文语种】中文【中图分类】P631【相关文献】1.基于卷积神经网络的简单几何体三维模型自动分类识别研究2.基于深度卷积神经网络的点云三维目标识别方法研究3.基于卷积神经网络识别三维荧光光谱的水污染溯源研究4.基于电气自动化控制设备的可靠性因版权原因，仅展示原文概要，查看原文内容请购买。
第 44 卷第 2 期2024 年 4 月振动、测试与诊断Vol. 44 No. 2Apr.2024 Journal of Vibration，Measurement & Diagnosis结合多通道MTF和CNN的框架结构损伤识别方法∗梁韬1，叶涛萍2，李守文2，方佳畅1，黄天立1（1.中南大学土木工程学院 长沙，410075） （2.中建二局第一建筑工程有限公司 北京，100023）摘要为提高复杂框架结构损伤识别的准确率，提出了一种基于多通道马尔可夫变迁场（multi⁃channel Markov transition field，简称MCMTF）和卷积神经网络（convolutional neural network，简称CNN）的框架结构损伤识别方法。
首先，采用MCMTF理论将原始一维振动信号转换为二维图像，实现数据升维和多通道数据融合；其次，以MCMTF转换后的图像数据集作为输入训练CNN模型；最后，经调参优化自动提取损伤敏感特征，并实现损伤识别。
将该方法应用于IASC⁃ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验，对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式，CNN、长短时记忆（long short term memory，简称LSTM）神经网络和深度神经网络（deep neural network，简称DNN）3种网络模型，以及噪声对框架结构损伤识别准确率的影响。
结果表明：MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性，其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%，对3层钢框架试验模型实际损伤的识别准确率可达98.4%。
关键词损伤识别；振动响应；卷积神经网络；多通道马尔可夫变迁场；数据升维；数据融合中图分类号TU312.3；TH825引言基于振动的损伤识别是结构健康监测的关键技术之一，其主要目的是从监测系统采集的振动信号中提取结构损伤敏感指标，以监测结构运营状态［1⁃2］。
种基于张量投票的牙齿特征识别的方法 与治疗的参考点。为了快速准确的识别牙齿特征，本文提出 了一种基于张量投票的提取算法。该算法通过计算将牙齿三 维网格数据拓扑成为半边结构，将输入的每个顶点进行张量 编码，根据张量投票矩阵的特征值进行候选特征点的选取。
对于候选特征点，通过邻域搜索将其进行聚类，并通过非极 大值抑制选取最终的特征。实验结果表明，该方法可以有效 识别牙齿表面不同类型的特征，具有较高的准确性和实用性。
关键词：特征提取；半边结构；张量投票；邻域搜索 号： TP18 文献标识码： A 文章编号： 1009-3044 2016)12-0182-03 1 概述
牙齿特征位于牙冠表面，与牙齿的生理学功能密切相关，
失。牙齿特征是正畸医师评估患者咬合情况的参考点，这些 特征的正确接触与排列也是正畸治疗所追求的最终目标。因 此，牙齿特征识别对于正畸医师在临床治疗时评估咬合情况 以及制定治疗计划都具有非常重要的意义。
目前，临床上一般都会对患者的错颌畸形情况进行 Angle 错颌分类 ［1］，以便对患者病情进行讨论和研究，并进一步的 制订治疗方案。在口腔正畸学的不断发展中，也出现了几种 正畸指数，用来评估采取正畸治疗的必要性或者对正畸治疗 的效果进行评价。这些指数包括 PAR［2］（ Peer Assessment
Rating）指数、AB0-0GS[3] （American Board of
摘要：在正畸治疗中 ，牙齿表面特征是非常重要的测量 中图分类 主要包含牙尖、 中央窝、切嵴等。牙冠表面的牙釉质是人体 最坚硬的组织结构，这种特征结构在治疗过程中 般不会丢 Orthodontics- Objective Grading System）、 IOTN[4]（The Index of Orthodontic
Treatment Need ）指数等。Angle错颌分类主要依据上颌第 磨牙的近
中颊尖与下颌第一磨牙近中颊沟之间的位置关系。 ABO-OGS指数与PAR指数等评估标准考察的主要对象也是牙
尖和沟槽等部位相互的距离与排列情况。因此，从治疗前的 诊断与分类，到治疗中的考察，再到治疗完成后的评估，牙 齿特征贯穿始终。识别与记录这些特征是正畸中必经的步骤。
Kondo［5］等人提出首先计算牙齿图像中每一点的梯度方
向不连续性（ the magnitude of the discontinuities in gradient orientation ），然后利用阈值来选取特征点，最后通过形态
学 操作来进行筛选。 仲哲等人 ［6］提出的方法需要计算每个顶点
的曲率和需要手工建立每颗牙齿坐标系，并人工选取顶点与 坐标轴之间阈值，而阈值选择对提取结果有着很大的影响。
王寅等人［7］提出的方法使用了三维 SUSAN算法，针对不同位 置的不同类型的牙齿和特征都需要选择不同的阈值，无法在 牙列上直接提取特征。
目前，市场上主流的商业化的口腔 CAD/CAM 软件都使 用了交互式的牙齿特征提取方法。 在CERES腔修复系统中， 用户需要自行选取一系列的牙齿特征点，在选取过程中，系 统会把已经提取的特征点逐个进行优化； 3Shape 口腔修复系 统则需要先在牙根附近定位 8 个标志点，通过 8 个标志点粗 略定位特征点，随后优化提取出特征点； Dental Wings 口腔 修复系统将牙齿三维曲面展开到平面中，通过在二维曲面的 牙
冠区域选取出初始点，计算并得出二维特征线，随后映射 回三维曲面得到最终的牙齿特征。
上述几种牙齿特征提取算法与口腔修复系统软件都可 以实现牙齿特征的提取，但是他们都要人工干预，需要手动 选定一些特征点，或者选取阈值来进行识别。这对使用者的 软件使用技能以及对牙齿特征的了解均提出了一定的要求， 如果初始人工选定的位置不准确，会影响最终的提取结果。
针对上述缺点，我们提出了一种基于改进的张量算法，并结 合邻域搜索策略的方法来提取牙齿特征。对于正畸工作者来 说，自动快速精准的牙齿表面特征提取技术可以大大降低他 们的工作难度与复杂度，提高他们的工作效率。
2 牙冠解剖特征简介 根据口腔解剖学 [8] ，牙齿可以分为切牙、尖
牙、前磨牙
和磨牙。牙列指的是口腔中全套牙齿的排列模式，上下颌牙 列可以分成左右两侧，其中每一侧都包含：两颗切牙，分别[9]。
是中切牙和侧切牙；一颗尖牙；两颗前磨牙，分别是第一前 磨牙和第二前磨牙；三颗磨牙，分别是第一磨牙，第二磨牙
牙则与第一磨牙相邻。切牙和尖牙被称为前牙，作用是切断 食物；前磨牙和磨牙统称为后牙，作用是嚼碎食物。
本文涉及的牙冠特征如下： 1）切嵴。牙冠表面细长形状的釉质隆起被称为嵴。切
嵴是切牙切端舌侧长条形的釉质隆起，具有切割功能。如图 1 所示。
2）牙尖。牙冠表面形似椎体的显著的隆起被称为牙尖。
尖牙只有一个牙尖，在正畸治疗中该牙尖有着非常重要的作 用。在前磨牙和磨牙上， 牙尖是牙冠表面角落处的凸起结构。
前磨牙通常有二到三个牙尖，磨牙通常有四到五个牙尖，根
3）沟。沟是牙齿表面位置较低的线状凹陷。如图 2 所
示。 3 三角网格及其拓扑结构
STL格式是一种使用三角片面的集合来表示物体表面形
状的数据存储和交换格式。每个三角面片的信息包括三角面 片的外法矢以及按右手螺旋法则顺序排列的三个顶点
由于STL文件只记录了物体表面的几何位置信息，而没 有任何几何体之间的拓扑信息，所以在重建实体模型的时候，
和第三磨牙。其中 ，和尖牙相邻的是第一前磨牙，第二前磨 据所在的牙列和个人情况而定。如图 1 所示。 凭借位置信息来重建拓扑信息是十分关键的步骤。 半边结构是一种使用较为广泛的拓扑重建数据结构。半 边结构将三角面片的每一条边分裂为两条方向相反的有向 半边，其中法矢符合右手螺旋方向的半边属于当前的三角面 片，每个三角面片由三条有向半边组成，而面片之间的连接
关系则是通过拓扑半边的相邻半边的指针建立的 [10] 。在半
储空间，但半边结构有几项重要的优势：可以得到网格内任 意顶点与面的关系；方便存储每条边的信息；提供了获得特 定顶点的单环邻点的功能。这些优点在许多三角网格算法中 非常重要，可以大大提高计算效率。
4 我们提出的特征提取算法 为了有效识别牙齿特征，我们提出了一种
基于张量投票
的方法，对顶点分类标准进行了改进，并且使用邻域搜索和 非极大值抑制来获得准确的识别结果。
4.1 张量投票算法 张量投票算法是一种主要用来检测图像和图形中显
著
性结构的算法，它对于三维空间中的微分几何结构有着很强 的识别能力。该算法最初基于矢量投票，并逐步得到完善， 形成了提取视觉结构的成熟的框架 [11] 。张量投票算法以下 三个步骤：对输入数据进行张量编码，计算投票域和线性投
边结构中 ，存储了每个顶点的单环邻域顶点与单环邻域面的 信息。 虽然半边结构通常比基于边的结构花费更多的存 票。每个数据都在一个预先设定的投票域内进行投票，向邻 域点传递信息的同时也得到其他点给自己的投票，并将得到
的投票编码成一个张量。对投票结果分解之后，可以得到各 显著性的直观意义则是能迅速引起观察者视觉上的注意的 突出程度。
张量投票算法采用的是线性、非迭代的计算方式，可以 同时获得不同种类的特征。另外，该算法所使用的参数只与 自身尺度因子有关，所以具有很强的鲁棒性，可以在具有许 多噪声的稀疏数据中快速有效的计算并提取出特征。
其中［Ss］、［Sc］和［Sn］分别表示平面显著度、曲线显著度 以及角点显著度。各个显著度表示了该张量具有某种特征， 也就是位于平面，曲线以及角点处的置信度。
根据特征值的大小，顶点可以被分类成面点、边点和角 点三类［15］:当［入1］的值较大，而［入2］和［入3］接近于0的时 候，则该顶点是表面点； 当［入1］和［入2］比较大，且［入3］接近
0的时候，该顶点是边点；当［入1］、［入2］和［入3］的值相近且
都大于 0 的时候，则被定义成角点。其中，边点和角点都属 于特征点。根据这个规则，可以把网格数据中所有的顶点进 行分类，属于边点和角点的顶点都被当做张量投票的提取结 果。 4.2 改进的张量投票分类方法
牙齿数据不同于普通模型，在牙齿表面实际上并不存在 锋利的边缘与拐点，而只是一些起伏变化相对较为剧烈的点 和区域。张量投票算法中的分类规则会把磨损较为严重，表 面相对平坦的牙齿尖点等部位误判为面点，因此原本的分类 方法不适用于牙齿特征提取。
为了识别显著度相对较低，原本会被分类成面点的弱特
类特征的显著性，即该张量具有此种特征的置信度 [12] 。而 征点，本文改进了分类规则，分类策略如下：设定两个阈值 ［a ］和［P ］，当［入2］小于［P ］且［入3］小于［a ］时，
将顶点分类 为面点；当当［入2］大于［P ］且［入3］小于［a ］时，将顶点分类 为边点；当［入3］大于［a ］时，将顶点分类为角点。 4.3 邻域搜索和非极大值抑制 为了获得牙冠表面特征的正确位置，还
需要对张量投票
提取的结果进行筛选和修正。在三角网格中，特征点指的是 可以表达出被测量物体形态特征的一系列点，如角点，边点 等。显然，这与牙齿表面的特征结构的定义并不相同。
在提取上颌牙列的牙尖与切嵴这两种凸起特征时，需要 对张量投票得到的候选点进行两次邻域搜索并进行非极大 值抑制 ［16］ ，方法如下。
再对［VF］进行一次非极大值抑制，最终得到的点即为附 近的牙齿尖点，而其余候选点则被抑制掉。 提取 groove 时则采用不同的策略。 在上颌牙列中， groove 的位置在周围牙尖的上方，提取的目标是垂直坐标较高的点。 因此，两次邻域搜索之后 NMS 抑制的实际上是非极小值点。 由于下颌牙列与上颌方向相对，提取下颌特征点时 NMS 的 选取标准与上颌相反。
5 实验 本文使用的数据来自于丹麦 3Shape公司的TRIOS扫描系
统。该系统采用了光学切片技术，可以在口腔内采集到高分 辨率，高精度的牙齿测量数据。输入的牙齿网格数据中包含 大量冗余信息，如牙龈，以及口腔内其他部分。为了降低计 算时间并且避免提取到不感兴趣的牙齿表面特征，实验中只 对牙齿咬合面部分进行特征提取。
