卷积神经网络的缺陷

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇卷积神经网络的缺陷范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

卷积神经网络的缺陷范文第1篇

关键词：无人机；STM32；道路检测；神经网络；模型训练

传统的道路巡检和保养主要由人工来完成，需要投入大量的人力物力来保证道路的相对安全，这种方式存在着低效率、高成本且难以保证道路的决定安全[1]。固定式交通检测设备大量设置在道路的主干路上，也存在着一些缺陷：（1）监控摄像头不能做到全覆盖且具有一定的探测盲区。（2）监控系统采用多屏幕方式，工作人员进行道路故障判断时受限。（3）不能灵活的通知有关部门对事故的快速应急处理。为了克服上述的缺点，本文设计了一种基于卷积神经网络的无人机道路巡检系统，对发生故障和需要保养的道路能快速响应，及时的通知有关部门，避免事故的发生。

1系统的总体设计

在无人机道路巡检系统中，我们主要考虑了以下几个要求[3]：（1）无人机系统能满足正常的工作；（2）无人机系统能适应各种天气和气候变化等；（3）无人机系统应充分考虑控制的安全性；（4）视频流的传输应避免较长的延时。无人机道路巡检系统主要由无人机系统设计、远程控制系统、PC端系统三大部分组成，系统的总体结构框图如图1所示。系统的具体工作原理为：无人机将道路环境检测的结果，将处理后的视频流通过远程传输的方式，发送到PC端进行实时监控道路状况。远程控制系统以STM32作为主控芯片，主要包括在无人机端和遥控端两个部分，遥控端将控制指令通过2.4G通信发送到无人机端，此时无人机的做出相应的位姿变化，完成遥控端对无人机位姿的控制。无人机系统的图像采集模块芯片为树莓派，完成图像的采集并采用TCP通信实现远程视频的传输，将获取的视频流传输到PC端。PC端上使用OpenCV对图像进行处理[4]，利用深度学习模块对设计的神经网络进行数据训练，从而得到检测模型，最后在PC上接收处理过的数据并实时监测道路状况。上述工作原理可实现无人机道路巡检系统，下文将对其包括的三大模块进行说明介绍。

2无人机系统设计

本次使用的是RaspberryPi3(modelB+)作为无人机的主控制板[7]，无人机的飞行控制算法和图像采集模块集成在树莓派中。远程控制系统通过2.4G无线通信模块连接，通过控制器实现对无人机飞行和图像采集的控制。无人机系统总体结构如图2所示。

3PC端系统设计

在PC端系统设计主要分为图像预处理、模型训练和视频监控三大部分，通过TCP通信协议进行通信，TCP通信是一种面向连接的通信，可完成客户端（树莓派）和服务端（PC）的信息传递[9]。下面主要对前两部分详细介绍。

3.1图像预处理

本系统对地面裂缝检测的图像预处理流程如图3所示具体工作原理为：（1）采用加权平均灰度化对获取的无人机影像进行灰度化处理；（2）对灰度化处理后的影像进行直方图均衡化，使得影像具有高对比度和多元的灰度色调变化，为后续的滤波降噪奠定基础；（3）对处理后的影像进行滤波降噪，消除孤立的噪声点，采用方法的是中值滤波降噪；（4）使用迭代二值化处理将影像的灰度值设置合适的阈值，使得图像更简单，目标更突出，然后对图像进行分割，计算迭代的阈值，判断迭代的阈值是否收敛到某一值或者达到限定的迭代次数，如果是的话，将完成二值化处理和滤波，否则将初始二值化阈值；（5）最终完成道路故障的识别与标记。

3.2模型检测

3.2.1卷积神经网络原理使用卷积神经网络进行模型训练，首先使用卷积层实现特征的提取，原理如图4所示。如图5所示，卷积操作是模仿神经元的机制。不同的输入在权重的影响下会有不同的输出，根据损失函数的计算来不断的更新权重，直到获得合理的权重参数。初始传递的信号为x，中间通过权重w，再经过偏置b后连接在末端，最后输出信号变成wx+b。fun(•)表示激活函数，最终f(z为输出的结果，如式（1）所示。3.2.2卷积神经网络训练流程通过相机采集到的缺陷和问题图像作为训练样本，这部分是检测道路安全的关键一步，（1）训练标记数据：首先使用图像预处理中标记好的道路故障提取出来，通过卷积神经网络对标记框内的目标数据进行训练；（2）提取特征数据：将道路故障的类型统计并归纳；（3）误差反馈学习：对测试样本进行误差反馈学习，并进行测试；（4）优化训练数据：根据实际应用场景增加图像的种类和数量，不断训练模型。3.2.3故障的基本分类道路故障主要路面缺陷（例如裂缝、残缺等）和路面增加（例如长时间静止的车辆和路人），各自训练集数量为1000张。如表1所示。3.2.4实验测试为实现故障的检测，测试数据集为100张，不同类型故障数据50张，均采集自新道路且与训练样本一致，实验结果如表2所示。由表2可知，检测路面增加（例如长时间静止的车辆和路人）的准确率高达96%，但是地面缺陷的准确率相比较而言略低，可能造成的原因是：①硬件原因导致采集的图像清晰度比较低；②地面缺陷太小，无人机难以识别；③训练的数据集较少，特征学习误差大；但是满足了设计需求，还需进一步改进。

4总结与展望

卷积神经网络的缺陷范文第2篇

【关键词】人工智能 机器视觉 PCB 机器人生产线

随着《“互联网+”人工智能三年行动实施方案》的和国家对制造业的高度重视，2016年中国人工智能市场规模达到239亿，其中智能硬件平台为152.5亿，占比达到63.8%，高于86.5亿的软件集成平台。未来三年人工智能市场将迎来新兴机遇点，预计2017年产业规模达到295.9亿，2018年将达到381亿元，复合增长率达26.3%。

很显然，人工智能正处于爆发式的发展阶段，作为对于先进科技最为敏感的工业界，会有大批量的技术更新换代的需求。人工智能可以从各种方面优化制造业，提高流水线效率，精进制造工艺，解放技术工人生产力等等。人工智能的发展将会重塑万亿级别的产业，激发工业界的潜在创新能力。

1 基于计算机视觉的视觉层智能高速检测排错设备设计方案

印刷电路板（PCB）是集成各种电子元器件的信息载体，由于贴片元器件体积小，安装密度大，这就要求PCB板的集成度进一步提高。为了保证电子产品的性能，PCB板缺陷检测技术已经成为电子行业中非常关键的技术。电路板缺陷检测包括两部分：焊点缺陷检测和元器件检测，传统的检测采用人工检测方法，容易漏检、检测速度慢、检测时间长、成本高，已经逐渐不能够满足生产需要。因此，设计一种高效精准搭载工业相机以取代人眼的机器视觉电路板检测系统，具有非常重要的现实意义。机器视觉检测技术是建立在图像处理算法的基础上，通过数字图像处理与模式识别的方法来实现，与传统的人工检测技术相比，提高了缺陷检测的效率和准确度。

本系统将视觉设备设置于电子设备（如PCB板，单片机，电脑主板）安装的末端，采用高速工业摄像头，对装配好的器材进行拍照，并出传输到排错设备的主机进行高速的分析，在毫秒级单位的时间内，分析出正在检测的设备是否正确安装及正确排版等一系列视觉层可分析的错误（电容大小是否正确，排线顺序是否正确，电路板虚焊是否存在等问题）。

本系统由计算机视觉的分支：深度学习的CNN（卷积神经网络）在主板中实现，根据检测设备的不同，在前期进行大量的图片训练，调卷积神经网络各个层次之间的参数权重，构建专属的卷积神经网络。将图片转换成像素级的矩阵，并对其进行多层次卷积，得到该像素矩阵的得分函数，返回该图片的分类，确定是否为正确的组装设备，如图1所示。

2 基于视觉机器人智能生产线设计方案

建立在3D视觉引导下的，机器人与机器人间，机器人与供料机构间的定位联动系统。该系统以机器人为主体，供料机构与机器人可任意组合。采用手眼识别的定位原理，首先通过CCD摄像机、图像信号接收与A/D转换模块、图像处理模块，实现对图像信息的获取、采集、转化、分析、提取和边界特征识别，分析出供料机构的空间坐标信息，并传送给总控模块，总控模块做出智能判断并指导控制执行模块，将供料机构的坐标系与自己建立的坐标系关联。通过供料机构的电路接口与主控机器人的电路接口。

该生产线包括传送带和高精度的搬运、注胶、焊接和装配机器人等。在机械臂的末端装置CCD摄像机，使得机器人能够精准快速的查找装备目标，极大地节约设备运行效率。

使用OPENCV编译的可执行文件，对摄像机传输回处理器的图像进行，线性切分，转换像素矩阵，灰度化图像。并在毫秒级环境下，准确提取图片特征，对图片进行分析，找到操作点。

各功能机器人实现联动工作，生产线传送带将空壳体传送至该工位，装配机器人通过视觉设备将壳体固定于装配工位，并根据视觉系统的分析，准确的将零件逐一安装在壳体上，而后通过传送带将其传送至打螺丝工位，打螺丝机器人，通过视觉设备快速定位螺丝口，快速精准选取所对应的的螺丝，从而实现高度智能化，自动化。然后螺丝振动盘上抓取螺丝安装于壳体上，并进行固定；完成安装后传送带将壳体运送到下一个工位。

3 基于大数据深度挖掘的工业智能脑决策系统

随着大规模定制和网络协同的发展，制造业企业还需要实时从网上接受众多消费者的个性化定制数据，并通过网络协同配置各方资源，组织生产，管理更多各类有关数据。

本系统构建了基于大数据深度挖掘及潜在价值分析的智能决策模型，定义为数字工厂智能脑模型，系统体系由以下四个方面组成。

（1）数据流收集系统。数据从设备不同的传感器生成后被通过网络传输到生产商的服务器上。

（2）数据丰富系统。利用其他外部数据来丰富已有的机器日志，比如说人口数据，地址数据。

（3）变量生成系统。在一段时间内，为每个测量值，每台设备生成几千个变量特征的范式。

（4）机器学习系统。具有预测力的变量被自动选择，分类模型已经建立创建完成，并用于后期收集的数据。

（5）商业行动系统。生产商以及销售网络可以执行或者建议对高风险机器进行预防性维修，如图2所示。

4 结束语

人工智能在国内外处于一个黄金阶段且正在高速发展，但国内的发展相对滞后，本文旨在电子行业首创运用AI技术，实现作业机器人与智能视觉的协同，利用大数据分析平台，指导企业的生产优化，对电子行业的智能化发展具有一定的指导作用。

参考文献

[1]丁林祥.电子制造业机器人智能化解决方案[M].北京：机械工业出版社，2016（06）.

[2]吴云峰，邱华，胡华强.面向设计与制造的数字化工厂平台[J].中国制造业信息化，2011（01）.

卷积神经网络的缺陷范文第3篇

2.输流管道参数共振的试验研究梁峰，金基铎，杨晓东，闻邦椿，LiangFeng，JinJiduo，YangXiaodong，WenBangchun

3.非接触式超声马达的声流及声压分析邹楠，魏守水，姜春香，ZouNan，WeiShoushui，JiangChunxiang

4.基于核函数Fisher鉴别分析的特征提取方法胡金海，谢寿生，骆广琦，李应红，杨帆，HuJinhai，XieShousheng，LuoGuangqi，LiYinghong，YangFan

5.光纤机敏结构振动形态感知及其SMA致动控制朱晓锦，陆美玉，赵晓瑜，张合生，ZhuXiaojin，LuMeiyu，ZhaoXiaoyu，ZhangHesheng

6.虚拟式零件尺寸检测仪的研制郭明青，秦树人，王见，GuoMingqing，QinShuren，WangJian

7.一种基于支持向量机的齿轮箱故障诊断方法会，WuDehui

8.超声电机多定子同步驱动技术的研究李亭，张铁民，刘潇建，LiTing，ZhangTiemin，LiuXiaojian

9.阻尼材料动态力学参数自动测试系统的设计胡卫强，王敏庆，刘志宏，马少璞，周赤奇，HuWeiqiang，WangMinqing，LiuZhihong，MaShaopu，ZhouChiqi

10.减振装置过油孔对阻尼阀水击的影响研究陈轶杰，顾亮，黄华，张中生，王亚军，ChenYijie，GuLiang，HuangHua，ZhangZhongsheng，WangYajun

11.点蚀与剥落对齿轮扭转啮合刚度影响的分析安春雷，韩振南，AnChunlei，HanZhennan

12.基于EKF训练的RBF神经网络及其故障诊断应用王璐，潘紫微，叶金杰，WangLu，PanZiwei，YeJinjie

13.液压脉振注射机塑化过程螺杆动态特性分析王权，瞿金平，WangQuan，QuJinping

14.最佳小波包基改进软阈值的消噪方法及应用侯新国，刘开培，魏建华，HouXinguo，LiuKaipei，WeiJianhua

15.新型多轴旋转超声电机原理金家楣，张建辉，赵淳生，JinJiamei，ZhangJianhui，ZhaoChunsheng

16.百万等级汽轮发电机基础动力特性优化研究代泽兵，刘宝泉，吉晔，王树岭，朱祝兵，DaiZebing，LiuBaoquan，JiYe，WangShuling，ZhuZhubing

17.CSP轧机扭振与垂振耦合研究闫晓强，史灿，曹曦，刘丽娜，YanXiaoqiang，ShiCan，CaoXi，LiuLina

18.抖晃对振动脉冲频响特性估计的影响黄迪山，HuangDishan

19.刚架拱桥病害与损伤识别的动力学研究李枝军，李爱群，缪长青，LiZhijun，LiAiqun，MiaoChangqing

20.大型船闸人字闸门工作模态试验分析蒋建国，李勤，JiangJianguo，LiQin

21.CSP轧机振动的振源研究王永涛，臧勇，吴迪平，范小彬，WangYongtao，ZangYong，WuDiping，FanXiaobin

22.基于遗传编程的发动机滑油系统故障诊断侯胜利，王威，胡金海，周根娜，HouShengli，WangWei，HuJinhai，ZhouGenna

23.低功耗顶板离层仪研究阎学文，吴波，廉自生

1.航空发动机转子振动信号的分离测试技术马建仓，石庆斌，程存虎，赵述元，MaJiancang，ShiQingbin，ChengCunhu，ZhaoShuyuan

2.刀具磨损监测及破损模式的识别康晶，冯长建，胡红英，KangJing，FengChangjian，HuHongying

3.用最大重叠离散小波包变换的Hilbert谱时频分析杨宇，何怡刚，程军圣，于德介，YangYu，HeYigang，ChenJunsheng，YuDejie

4.柴油发动机曲轴轴承振动信号的双谱分析赵慧敏，夏超英，肖云魁，李会梁，夏天，ZhaoHuimin，XiaChaoying，XiaoYunkui，LiHuiliang，XiaTian

5.动态·信息

6.基于能量的振动信号经验模态分解终止条件胡劲松，杨世锡，HuJingsong，YangShixi

7.金属橡胶材料阻尼性能的影响参数李宇燕，黄协清，LiYuyan，HuangXieqing

8.应用变精度粗糙集获取柴油机故障有效监测点刘军，LiuJun

9.反馈回路系统诊断策略优化技术研究杨鹏，邱静，刘冠军，YangPeng，QiuJing，LiuGuanjun

10.独立分量分析在机械振动信号分离中的应用刘婷婷，任兴民，LiuTingting，RenXingmin

11.基于KPCA-SVM的柴油机状态识别方法的研究振动、测试与诊断 李宏坤，马孝江，LiHongkun，MaXiaojiang

12.运用希尔伯特黄变换的桥梁颤振导数识别宋斌华，黄方林，王学敏，SongBinhua，HuangFanglin，WangXuemin

13.小波包时频分析及其特性钟佑明，ZhongYouming

14.基于EI及MAC混合算法的斜拉桥传感器优化布置袁爱民，戴航，孙大松，YuanAimin，DaiHang，SunDasong

15.利用倒阶次谱和经验模态分解的轴承故障诊断康海英，祁彦洁，王虹，栾军英，郑海起，KangHaiying，QiYanjie，WangHong，LuanJunying，ZhengHaiqi

16.钢混简支梁加载损伤后耗能特征试验研究王卓，闫维明，秦栋涛，刘昌鹏，WangZhuo，YanWeiming，QinDongtao，LiuChangpeng

17.三级同心液压溢流阀噪声特性的CFD分析陈青，许惠，权龙，ChenQing，XuHui，QuanLong

18.基于故障原因-征兆矩阵的故障诊断专家系统姚剑飞，江志农，赵庆亮，张雪，YaoJianfei，JiangZhinong，ZhaoQingliang，ZhangXue

19.往复式压缩机气缸压力模拟曲线提取赵俊龙，，郭正刚，李宏坤，王奉涛，ZhaoJunlong，ZhangZhixin，GuoZhenggang，LiHongkun，WangFengtao

20.基于类间可分性度量和SVM的多故障分类算法李敏，杨洁明，张晓平，LiMin，YangJieming，ZhangXiaoping

21.磁通量法在预应力悬挂结构拉索施工中的应用宋杰，陈鲁，张其林，陈国栋，SongJie，ChenLu，ZhangQilin，ChenGuodong

22.框架在脉冲位移作用下的回传波射矩阵法解范志华，孙国钧，缪馥星，FanZhihua，SunGuojun，MiuFuxing

23.改进的主成分分析方法在磁浮系统中的应用邹东升，佘龙华，ZouDongsheng，YuLonghua

24.高速列车垂向振动的模拟器再现方法研究王小亮，李立，张卫华，WangXiaoliang，LiLi，ZhangWeihua

25.装甲车辆动力传动系统载荷谱测试方法研究潘宏侠，黄晋英，郭彦青，孙黎明，PanHongxia，HuangJinying，GuoYanqing，SunLiming

26.挠性接头刚度测量中传感器的研究王广林，王慧峰，詹捷，陶崇德，孙国光，卢泽生，WangGuanglin，WangHuifeng，ZhanJie，TaoChongde，SunGuoguang，LuZesheng

1.橡胶V带式无级变速器性能的测试与试验研究上官文斌，王江涛，王小莉，ShangguanWenbin，WangJiangtao，WangXiaoli

2.一种新型孔式模态转换型超声电机杨淋，金家楣，赵淳生，YangLin，JinJiamei，ZhaoChunsheng

3.基于瞬态声与阶次倒谱的齿轮箱故障诊断田昊，唐力伟，陈红，杨通强，张磊，TianHao，TangLiwei，ChenHong，YangTongqiang，ZhangLei

4.轴心轨迹自动识别及其在旋机诊断中的应用许飞云，钟秉林，黄仁，XuFeiyun，ZhongBinglin，HuangRen

5.多传感器主元方向和神经网络的状态识别方法张金萍，李允公，刘杰，ZhangJinping，LiYungong，LiuJie

6.多分支扭转振动建模方法与分析软件的研究袁清珂，曹广忠，YuanQingke，CaoGuangzhong

7.基于EMD和球结构SVM的滚动轴承故障诊断杨洁明，田英，YangJieming，TianYing

8.新型气浮联合轴承转子系统启动过程振动特性张占一，应怀樵，刘杰，杨金福，李磊，ZhangZhanyi，YingHuaiqiao，LiuJie，YangJinfu，LiLei

9.基于粒子群优化的核主元分析特征的提取技术魏秀业，潘宏侠，王福杰，WeiXiuye，PanHongxia，WangFujie

10.齿轮箱起动过程故障诊断李辉，郑海起，杨绍普，LiHui，ZhengHaiqi，YangShaopu

11.采用像素编码技术的感应电机定子故障诊断侯新国，刘开培，夏立，胡煊，HouXinguo，LiuKaipei，XiaLi，HuXuanHtTp://

12.高架路交通诱发的地面振动测试与分析常乐，闫维明，任珉，周福霖，ChangLe，YanWeiming，RenMin，ZhouFulin

13.基于相关函数的多振动信号数据融合方法李学军，李萍，褚福磊，LiXuejun，LiPing，ChuFulei

14.轴承-转子系统在弱控制作用下的动力学行为孙保苍，钟晓波，陈威，骆英，冯耀岭，SunBaocang，ZhongXiaobo，ChenWei，LuoYing，FengYaoling

15.振动、测试与诊断 海边山坡场地爆破地震波的衰减测试与分析吴小波，WuXiaobo

16.双图同轴光纤束位移传感器研究杨亮，张小栋，YangLiang，ZhangXiaodong

17.利用小波去噪和HHT的模态参数识别汤宝平，何启源，蒋恒恒，陆冬，TangBaoping，HeQiyuan，JiangHengheng，LuDong

18.应用小波包和包络分析的滚动轴承故障诊断唐贵基，蔡伟，TangGuiji，CaiWei

19.小波变换的流体压力信号自适应滤波方法研究谷立臣，闫小乐，刘泽华，GuLichen，YanXiaole，LiuZehua

20.CSP轧机扭振中"伪拍振"的研究王永涛，臧勇，吴迪平，秦勤，范小彬，WangYongtao，ZangYong，WuDiping，QinQin，FanXiaobin

21.动态·信息

22.直升机旋翼不平衡故障诊断试验研究高亚东，张曾锠，GaoYadong，ZhangZengchang

23.梁桥上移动荷载识别中的测点优化陈锋，李忠献，ChenFeng，LiZhongXian

24.基于遗传小波神经网络的双余度电机故障诊断李世超，石秀华，崔海英，许晖，LiShichao，ShiXiuhua，CuiHaiying，XuHui

25.某型工业叉车护顶架的振动诊断杨义，李志远，马庆丰，YangYi，LiZhiyuan，MaQingfeng

26.银基合金摩擦振动与噪声特性的分析与控制陈传海，杨世锡，郑传荣，ChenChuanhai，YangShixi，ZhengChuanrong

27.椭圆振动修整超声磨削ZrO2温度试验研究陈东海，刘春孝，ChenDonghai，LiuChunxiao

1.超声电机接触界面的两种简化有限元模型周盛强，赵淳生

2.基于特征参数的旋转机械智能故障诊断方法张征凯，薛松，张优云

3.《振动、测试与诊断》编委会会议纪要

4.燃料电池车氢气辅助系统结构动态特性分析申秀敏，左曙光，蔡建江，张静芬，李林，张世炜

5.铁路货车侧墙制造过程建模与变形规律预测卢碧红，李亚娜，聂春戈，兆文忠

6.改进支持向量机模型的旋转机械故障诊断方法曹冲锋，杨世锡，周晓峰，杨将新

7.基于小波神经网络的木质材料缺陷模式识别孙建平，王逢瑚，曹军，胡英成

8.旋转机械故障诊断中的振动信号自适应分形压缩算法唐贵基，张杏娟，杜必强

9.距离函数分类法在制粉系统故障诊断中的应用陈蔚，贾民平

10.基于模态综合技术的结构有限元模型修正刘洋，段忠东，周道成

11.循环平稳度在发电机组故障趋势分析中的应用左云波，王西彬，徐小力

12.900t级架桥机多软件协同仿真平台试验研究凌正阳，曹恒，王瑜，张振雄，商伟军

13.岸桥前大梁铰支座支承对其横向振动的影响邱惠清，卢凯良，李雪，归正，曾怡

14.车辆发动机悬置处的动态刚度仿真研究兰凤崇，谢然，陈吉清

15.拉索平面内自由振动影响因素分析姜健，李国强，郝坤超

16.基于小波和自组织网络的电缆故障识别汪梅，曲立娜

17.非库仑摩擦转子试验台碰摩分叉行为振动、测试与诊断 王正浩，王景愚

18.小波包与改进BP神经网络相结合的齿轮箱故障识别时建峰，程珩，许征程，史少辉，时伟，钮效鹍

19.基于奇异值分解的频响函数降噪方法孙鑫晖，张令弥，王彤

20.球磨机料位电声检测系统的研制杨数强，余成波，全晓莉，崔焱喆

21.上卧式闸门水弹性振动试验研究顾云，严根华，赵建平

22.抖晃初相在振动频响估计误差中的作用黄迪山

23.大型铝电解槽针振信号深层特征提取方法研究周孑民，单峰，唐骞，李贺松，蒋科进，郭洁

24.非稳态信号计算阶次分析中的重采样率研究汪伟，杨通强，王红，王平，邓士杰

25.基于无传感器检测方法的机械系统扭振试验研究时献江，郭华，邵俊鹏

26.运用小波变换检测汽车后桥总成故障余德平，王宝强，史延枫，任德均，姚进

27.基于AR模型和神经网络的柴油机故障诊断黄泉水，江国和，肖建昆

1.运用改进残余力向量法的结构损伤识别研究何伟，陈淮，王博，李静斌，HeWei，ChenHuai，WangBo，LiJingbin

2.交通荷载作用下桥梁结构参数识别方法吴子燕，易文迪，赵宇，WuZiyan，YiWendi，ZhaoYu

3.行波超声电机定、转子接触状态试验分析姚志远，吴辛，赵淳生，YaoZhiyuan，WuXin，ZhaoChunsheng

4.伺服阀滑阀叠合量测量方法潘旭东，王广林，邵东向，韩俊伟，PanXudong，WangGuanglin，ShaoDongxiang，HanJunwei

5.基于CAN总线远程振动监测系统研究何青，李红，何子睿，HeQing，LiHong，HeZirui

6.纵向脉冲作用下压电层合杆的动力分析彭亮，罗松南，邓庆田，PengLiang，LuoSongnan，DengQingtian

7.超临界600MW机组检修后振动分析及处理刘石，刘兴久，冯永新，刘永生，朱军，肖小清，王栋，LiuShi，LiuXinjiu，FengYongxin，LiuYongsheng，ZhuJun，XiaoXiaoqing，WangDong

8.虚拟式流体参量集成测试系统及其实现季忠，陈青，秦树人，温海松，JiZhong，ChenQing，QinShuren，WenHaisong

9.弹性支承双跨碰摩故障转子系统非线性特性李东，袁惠群，吴立明，LiDong，YuanHuiqun，WuLiming

10.盲解卷积的机械振动信号分离技术刘婷婷，任兴民，杨永锋，郭峰，LiuTingting，RenXingmin，YangYongfeng，GuoFeng

11.基于压电元件的悬臂梁半主动振动控制研究赵永春，季宏丽，裘进浩，朱孔军，ZhaoYongchun，JiHongli，QiuJinhao，ZhuKongjun

12.凸轮轴加工的误差在线测量方法研究周传德，贺泽龙，吴宏刚，张彩芳，ZhouChuande，HeZelong，WuHonggang，ZhangCaifang

13.振动、测试与诊断 一种仿真数字人步态规划优化算法曹恒，凌正阳，王瑜，龙勇波，朱钧，CaoHeng，LingZhengyang，WangYu，longYongbo，ZhuJun

卷积神经网络的缺陷范文第4篇

本文结合计算机行业的发展，对计算机网络云计算技术进行了分析研究，希望能为计算机技术的进步提供一定的理论支持。

一、计算机网络的云计算技术概念

美国的网络公司最早提出计算机网络云计算技术的概念，随着科学的进步与发展已经逐渐成为了一门成熟的技术，有着丰富的理论基础与实践经验。现在的“云计算”技术是指能将网络、硬件、设备相融合，同时实现规模性、安全性、虚拟性的技术。目前来看，对计算机网络云计算的定义还没有统一的趋势，每一名研究人员都有自己的研究与看法，通过研究与分析，本文对云计算的观点是：首先，每一个“云”都是独立的计算机分布体系，基于网络化、虚拟化的计算机服务层，与计算机中的资源保持一定的节奏，实现计算机资源的同步。其次，计算机网络云是一个综合体，并非是独立的，计算机软件的开发中离不开云计算的环节，其重点就是网络云计算特征的研究。对于计算机网络的使用者来说，计算机集成软件层面，能被接受与理解的就是云计算，在本文重点突出的就是云计算的属性。最后，计算机网络的使用者没有进行长期的规划后使用，很容易出现浪费现象，目前的云计算技术可以实现分或秒内的数据计算，可以很好地避免资源过载或资源浪费现象。

通过研究可以看出，计算机网络云计算技术可以定义成计算机网络中进行的某种服务形式，其中相关的硬件设施与软件系统统称为计算机网络云计算。定义中包括网络计算机、超级计算机、集成技术等，相关的技术既有区别又有联系。计算机网络云计算技术的原理是：大量的数据分布于分布式计算机中，同时保证用户的数据系统与计算机同步运行，进而实现及时将需要的资源切换到相应的应用中，根据使用者的访问需求进行存储系统与计算机系统的定位。计算机网络云计算技术可以基于用户服务需求及时提供所需的网络信息资源。计算机网络云计算技术适应性强，弹性好，专业技术性高，发展前景十分好，应用越来越广泛。

二、计算机网络云计算技术的分类

基于多样化的标准，计算机云计算的分类也有多种方式。比较常见的是：根据服务方式的不同，云计算可以分为私有云和公有云。私有云是根据用户的自身情况进行独立使用，同时建立平台，操作性与实用性十分好。公有云是ζ渌用户的资源进行开发利用。在选择私有云与公有云时，应该考虑的主要因素是：

1.服务的延续性

大部分情况下，公有云提供的服务容易受外界影响，如网络故障等情况，而私有云则不会出现这种问题。

2.数据安全性

如果对于稳定性与安全性不存在过高要求，则比较适合使用公有云。

3.综合使用成本

通常状况下，如果对于计算资源要求不高可以选用公有云，如果对于计算资源要求较高则比较适合建立自己的私有云平台。

4.监控能力

公有云可以将使用用户对系统的监控能力屏蔽起来，这对于金融保险投资行业是十分有必要的。

三、计算机网络云计算技术的实现

为了将计算机系统的系统处理过程进行简化，通常将该过程划分为预处理过程与功能实现过程两大部分。对系统的各项功能进行分解，得到一些不需要进行功能实现过程与预处理过程的功能。对于可以进行预先处理过程的功能通常是一次性处理，在执行过程中，可以将预处理过程得到的结果直接使用，以此完成特点的系统功能。该方法与原则的采用，极大地简化了系统，大幅度提高了系统运行效率。计算的云化中的系统就是计算云化系统，它的计算量十分巨大，系统计算运行效率极高。但因为计算云化系统为一次处理系统，只要计算云规则生成，计算云化系统的使命与任务也就完成，而不是在对计算机加以应用时需要该系统。通常在计算机网络云计算中形成的系统就是云计算系统，是一个十分简单的系统，对计算机的处理能力没有过高要求，同时应用于各类计算机系统计算中。

四、计算机网络云计算的计算与优势

建立计算机网络云计算过程的第一步是服务器架构的建立，其对计算机网络云计算技术中的IAAS部分进行充当。目前来看，仍没有关于网络云计算服务器架构的专门、统一的标准出现，这需要一定的相关技术进行支持，例如计算区域网SAN和附网NAS等，这都是应用比较多的服务器架构技术。NAS文件计算系统是松散结构型的集群，它的架构有很明显的分布式特征。NAS文件系统集群中的各个节点具有互补与相互影响的特点，文件是最小的单位，因为只要在集群存储文件就可以计算出文件的数据信息，直接减少了很多计算的冗余性。它的拓展性很高，同时成本较低，安全控制系统安全稳定。如果客户发出过多的请求，NAS系统的限制就表现出来，二级计算就可以通过NAS的云服务完成。

SAN是一种紧密结合类型的集群，在集群中存储文件之后，可以分解成很多个数据块。相比于集群之中的节点，各数据块之间能够进行相互访问。节点可以借助于访问文件间的数据块针对客户的请求进行处理。SAN系统之中可以通过节点数量增减来响应请求，同时提升界定本身的性能。为了能够将以SAN为基础的OBS发展起来，就需要更好的性能与更低的成本。而SAN计算建构的硬件价格十分高，同时依托于SAN的服务价格，因此可以适当地降低一下性能，保证更好的性能与更低的成本。

五、实例――基于谷歌云计算技术的AlphaGo亮点分析

AlphaGo通过谷歌云计算技术，拥有与人类棋手类似的“棋感”，其技术远胜于1997年IBM公司研制的超级电脑“深蓝”。“深蓝”面对的是相对围棋简单多的国际象棋，设计理念为根据棋局情况不断演算各种可能的步骤，最终从各种步骤中选定走棋方案。AlphaGo背后的云计算技术，可以让AlphaGo无需“暴力”分析演算所有步骤，只需要把运算能力都集中在“棋感策略”网络中最有可能的情况上。其背后的深层算法，具备三大亮点：（1）深度卷积神经网络学习技术：“棋感策略”网络的本质学习人类围棋大师走法思维。AlphaGo藉此拥有强大的盘面评估能力。（2）增强学习算法技术：此算法可通过自我对弈来持续提升AlhpaGo的棋感策略和盘面评估能力，并且给出落子选择。（3）蒙特卡洛搜索技术：“评价网络”的核心，可以融合棋感策略和盘面评估能力，修正落子选择而最终给出落子方案。

六、计算机网络云计算技术发展遇到的问题

在目前计算机网络云计算技术广泛地运用到各个领域的过程中，云计算技术也存在一些缺陷与不足还需要引起我们的重视，同时在云计算的应用过程中应采用足够的措施来对数据信息的安全性进行可靠的保障，这是计算机网络云计算技术发展过程中十分重要的一项课题。现在的大部分云端是通过浏览器进行接入的，浏览器是计算机系统中非常薄弱的地方，存在着很多的缺陷与漏洞，因此用户的云端接入浏览器时，用户证书与认证密钥特别容易因为浏览器漏洞而产生泄密。同时由于不同的应用都需要在云端中进行认证，这就需要保证认证机制的高效性与安全性。在应用服务层之中，应该采取安全有效的措施来保护用书的隐私安全，在基础设施层中要采取安全可靠的方法保C数据的安全性。

七、采取措施保障网民数据安全

如果数据的安全不能得到保障，就会对云计算的发展产生不利影响，所以为了能够保障网民数据的安全。就需要采取切实可行的手段来保证数据的安全性。

1.隔离操作系统与数据

为了能够切实有效地保障网民信息的安全，就需要充分使用Hypervisor，从而将网民的操作系统与数据资源隔离起来，从而有效地保证了计算资源的安全性，避免了网民操作系统所带来的可能的不利影响。

2.重置API保护层

服务商提供给用户API，用户根据需要进行应用。但同时第三方也有可能对这些API进行使用。为了保证数据的安全性，就需要你安装API保护层，重叠保护API。

3.严格身份认证

服务商应严格的执行身份认证，防范冒充网民身份的行为，加强对账号与密码的管理控制，确保网民只访问自己的程序与数据，从而保证数据资源的安全性。

卷积神经网络的缺陷范文第5篇

关键词：医学超声图像； 液性病变； 边缘提取； Snake模型

中图分类号：TN91934文献标识码：A文章编号：1004373X(2012)04009804

Application of edge detection algorithms in medical ultrasonography images of discharge diseases

GAO Haijuan1, PING Ziliang1, ZHOU Suhua1, HOU Yingbin2

(1. Century College, BUPT, Beijing 102613, China; 2. Beijing United Imaging Co., Ltd, Beijing 100193, China)

Abstract： The medical ultrasound image with lesion containing liquid always show several hypoecho zones with unclear edge, like "Honeycomb". In order to extract clear edge of such images and generate further data for clinic diagnosis, several different edge detection algorithms are applied to medical ultrasound images with lesion containing liquid. Experiments shows, classic edge detection algorithms can't achieve desired image edge, whereas edge detection algorithm based on Snake model manually set edge control points, intellectually and dynamically adjusts curve shape, and finally get an excellent result, which shows high clinic application value.

Keywords： medical ultrasound image; lesion containing liquid; edge extraction; Snake model

收稿日期：20110815

基金项目：国家自然科学基金资助项目(610650040引言

鉴于医学图像可以看到人体组织的局部器官病变，所以医学成像成为疾病检查的重要手段，但由于设备、技术等原因，得到的医学图片边缘往往模糊不清，因此医学图像边缘检测是医学图像处理和分析的一个非常重要的分支［1］。目前医学成像方法主要有：X光成像、核磁共振成像、超声成像以及正电子发射断层成像，其中，超声成像从成像成本、成像时间以及对病人的伤害等方面都显示出了它的优势，本文就以医学超声图像为例，对超声诊断中常见的液性病变图像进行边缘提取算法分析。

经典的边缘检测算子利用边缘处一阶或二阶导数来检测梯度变化情况，基本的微分检测算子有Roberts算子、Sobel算子、拉普拉斯算子和Canny算子等。近年来，随着数学理论和人工智能的发展，又出现了许多新的边缘检测方法，比如基于分数阶微分法、小波变换法、Snake模型法、模糊检测法、数学形态学法、神经网络法等。这些边缘检测方法最终目的都是检测出图像的边缘信息，但在解决特定特征图像时也显现出各自的优势和不足之处。所以，如何采用合适的技术对医学图像进行边缘提取，为临床医生提供更准确的病人数据是目前研究的一个热点。

本文首先对几种边缘检测方法进行分析，然后将其应用于超声液性病变图像的边缘提取中，得出不同的提取效果，与采用改进的Snake模型边缘提取算法进行比较，实验表明，基于Snake模型的边缘提取算法边缘提取效果较好。

1边缘检测算法

边缘检测目的是要检测出图像中灰度变化的不连续区域，确定它们在图像中的精确位置，为后期的图像分析和处理提供信息，图像的边缘包含了物体形状的重要信息,主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础［2］。图像边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线［3］。

1.1基于一阶微分的边缘检测算法

图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关。图像强度的不连续可分为：

(1) 阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异；

(2) 线条不连续，即图像强度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值。

在一维情况下，阶跃边缘同图像的一阶导数局部峰值有关。梯度是函数变化的一种度量，而一幅图像可以看作是图像强度连续函数的取样点阵列。因此，图像灰度值的显著变化可用梯度的离散逼近函数来检测［4］。

梯度是一阶导数的二维等效式，定义为向量：G(x,y)=Gx

Gy=fx

fy(1)有2个重要的性质与梯度有关：

(1) 向量G(x,y)的方向就是函数f(x,y)增大时的最大变化率方向；

(2) 梯度的幅值由下式给出：|G(x,y)|=G2x+G2y(2)在实际应用中，通常用绝对值来近似梯度幅值：|G(x,y)|=|Gx|+|Gy| (3)或：|G(x,y)|≈max(|Gx|,|Gy|)(4)由向量分析可知，梯度的方向定义为：a(x,y)=arctan(Gy/Gx)(5)数字图像中，求导数是利用差分近似微分来完成的。根据模板的大小以及权值的不同，人们提出了很多梯度算子，比如Roberts算子、Sobel算子、Prewitt算子都是基于一阶微分的梯度经典算子。

1.1.1Roberts算子

根据计算梯度原理，采用对角线方向相邻2像素之差得到的就是Roberts算子。Roberts算子是22模板的一阶微分算子，是一种斜向偏差分的梯度计算方法,梯度的大小代表边缘的强度,梯度的方向与边缘走向垂直，因此，Roberts梯度算子检测水平和垂直边缘的效果好，定位精度高,但容易丢失部分边缘。因为Roberts没进行平滑处理,对噪声较敏感，经常会出现孤立点。用该算子处理边缘陡峭度高且噪声小的图像效果较佳［2］。

1.1.2Sobel算子

Sobel算子是使用3×3模板的一阶微分算子，采用带权值的方法计算差分，是在Roberts算子的基础上将方向差分运算与局部平均结合起来的一种方法。Sobel算子以f(x,y)为中心的33的邻域上计算x 和y方向上的偏导数Gx ,Gy 。利用像素上、下、左、右相邻点的灰度加权算法，根据在边缘点处达到极值进行边缘检测。Sobel算子很容易在空间上实现，对噪声具有较好的平滑作用，能提供比较准确的边缘方向信息，但定位精度不高，容易产生伪边缘，其测得边缘宽度一般至少为2个像素。但由于实际中很多情形下对定位精度的要求都不是很高，因此它是一种较为常用的边缘检测算子［2］。

1.1.3Prewitt算子

Prewitt和Sobel算子都是使用3×3模板的一阶微分算子［10］，它们是在研究曲面拟合的基础上提出的。拟合是指已知某连续函数的一系列离散函数值，通过最小二乘法等准则来确定该函数中的待定系数。Prewitt和Sobel算子的2个差分模板的系数之间的区别仅在于求平均的方法不同。随后出现的Kirsch算子用不等权的8个3×3循环平均梯度算子分别与图像进行卷积,取其中的最大值输出,它可以检测各个方向上的边缘,减少了由于平均而造成的细节丢失,但同时增加了计算量。

1.2基于二阶微分的边缘检测算法

前面讨论了基于一阶微分的边缘检测，如果所求的一阶微分高于某一阈值，则确定该点为边缘点。一阶微分组成的梯度是一种矢量，不但有大小还有方向，和标量比较，数据存储量比较大。一种更好的方法就是求梯度局部最大值对应的点，并认定它们是边缘点，通过去除一阶微分中的非局部最大值，可以检测出更精确的边缘。一阶微分的局部最大值对应着二阶微分的零交叉点，这意味着在边缘点处有一阶微分的峰值，同样地，有二阶微分的零交叉点。这样，通过找图像强度的二阶微分的零交叉点就能找到边缘点。

在二维空间，对应二阶微分有两种算子：Laplace算子和Marr算子。Laplace算子也称拉氏算子，它的特点是具有旋转对称性而不具备方向性，只需要一个3×3模板。Laplace算子是对二维函数进行运算的二阶导数算子，与方向无关，对取向不敏感，因而计算量要小。根据边缘的特性，Laplace算子可以作为边缘提取算子，计算数字图像的Laplace值可以借助模板实现，但是它对噪声相当敏感，它相当于高通滤波，常会出现一些虚假边缘。由于Laplace算子存在着诸多缺陷，它一般并不直接应用于边缘检测，而是结合其它方法以提高边缘的定位精度。而Marr算子就是在Laplace算子基础上改进，由于它使用的是高斯型的Laplace模板，因此又被称作LOG算子，先对图像用Gauss函数进行平滑，然后利用Laplace算子对平滑的图像求二阶导数后得到的零交叉点作为待选边缘［5］。LOG算子就是对图像进行滤波和微分的过程，是利用旋转对称的LOG模板与图像做卷积，确定滤波器输出的零交叉位置。

1.3Canny算子

Canny算子［3］是最常用的边缘检测方法之一，是一个具有滤波、增强和检测的多阶段的优化算子。

该算法的基本过程如图1所示。

图1Canny算法流程Canny算子检测边缘的实质是求信号函数的极大值问题来判定图像边缘像素点。基本步骤为：

（1） 用高斯滤波器平滑图像；

（2） 用一阶偏导的有限差分来计算梯度的幅值和方向；

（3） 对梯度幅值进行非极大值抑制；

（4） 用双阈值算法检测和连接边缘。Canny算子能够得到连续完整的图像，但需要注意的问题是：Gauss滤波的尺度，以及双阈值的选择。

1.4基于Snake模型的边缘检测算法

Snake模型是1987年由Kass［7］提出的，它的基本思想是以构成一定形状的控制曲线为模板（或者称为轮廓线），通过模板自身的弹性形变与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像边缘的提取，通过对模板的进一步分析而实现图像的理解和识别。能量最小化模型已经有了很长的发展历史，Kass对其进行了改进，采用动态调整的方法来实现它，对图像的高层信息进行分析和提取而不至于受到太多低层信息的影响。通过在原始的最小化函数中加入外力因子，可以引导初始化的轮廓线朝着特定的方向前进，最后达到提取目标边界的目的［6］。

1.4.1基本Snake 模型

Kass等提出的基本Snake模型由一组控制点组成，即v(s)=(x(s),y(s)),s∈［0,1］，其中x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅立叶变换形式描述边界的自变量。其对应的能量函数定义为：ESnake=∫10ESnake(v(s))ds

=∫10Eint(v(s))+Eext(v(s))ds(6)式中：Eint为曲线的内部能量；Eext为外部能量。

内部能量定义为：Eint=(α(s)|vs(s)|2+β(s)|vss(s)|2)/2(7)式中|vs(s)|为弹性能量，是曲线相对于弧长的一阶导数的模，受弹性系数的调节，控制着曲线的张力。|vss(s)|是弯曲能量，是曲线相对于弧长的二阶导数的模，受刚性系数的调节，控制曲线的变形程度。

对于普通的灰度图像I(x,y)，典型的外部能量（外部力）表达有如下2种定义： E1ext (x,y) = -|I(x,y)|2(8)

E2ext (x,y) = -|［Gσ(x,y)*I(x,y)］|2(9)式中为梯度算子，是方差为σ的二维高斯函数。在图像边缘区域，图像灰度值的梯度往往较大，取反后计算以满足能量最小的要求。

每一次迭代，曲线的变形是为了使如下的能量函数达到最小化：ESnake=∫1012［(α(s)|vs(s)|2+β(s)|vss(s)|2)］+

Eext(v(s))ds(10) 此时，能量ESnake必须满足如下Euler公式：α(s)xss+β(s)xssss+Eextx=0(11)

α(s)yss+β(s)yssss+Eexty=0(12)弹性能量和弯曲能量合称内部力，内部力用于控制轮廓线的弹性形变，选取适当的参数α(s)和β(s)将能量函数ESnake极小化，所对应的v(s)就是对物体的分割。在能量函数极小化过程中，弹性能量迅速把轮廓线压缩成一个光滑的圆，弯曲能量驱使轮廓线成为光滑曲线或直线，而外部力则使轮廓线向图像的高梯度位置靠拢，基本Snake模型就是在这3个力的联合作用下工作的。

1.4.2改进的Snake模型

基本Snake模型在应用的时候存在一些缺陷：

（1） 要求初始的轮廓线必须与目标边缘非常的接近，这是因为能量函数往往会收敛到一个非期望的局部最小值，如果初始的轮廓线离目标较远，就会使曲线变形到一个无法预计的形状；

(2) 基本Snake模型对无法捕获凹陷边界［11］。这样就限制了Snake模型应用到一些存在凹陷区域的图像上。

近年来，针对以上缺陷，许多研究不仅对Snake 模型本身的能量函数构造和求解算法作了很大改进，更在其基础上衍生出了许多新轮廓线模型，它们有些在形式上已经与基本Snake 相去甚远，而且也要复杂得多，但其指导思想却是一脉相承的。比如，Cohen提出了一种气球力理论［8］，通过使用不同尺度的外力场，增加外力场的捕捉范围，来驱动轮廓线向目标边缘逼近。Xu Chenyang提出的GVF Snake［9］将梯度矢量场(GVF)代替传统外力场，让曲线随着图像凹陷的部分而发生变形，圈出凹陷的边缘，由于GVF对轮廓线的初始位置不是非常的敏感，尤其对于二值图像，所以它可以很快的收敛到目标边缘，很好地解决了这些问题。

GVF Snake将基本Snake 的外部力用扩散方程进行处理，得到整个图像域的梯度向量场作为外部力，经过扩散方程处理后的GVF更加有序，更能体现物体边界的宏观走势。由于GVF不是一个表达式，无法用能量函数的形式求解，因此GVF Snake是利用力的平衡条件进行优化。GVF Snake 具有更大的搜索范围，对轮廓线初始位置不敏感，可以分割凹陷的边界，对梯度绝对值的大小乃至噪声具有更好的鲁棒性，而且它还不必预先知道轮廓线是要膨胀还是收缩。

本文将改进的GVF Snake模型应用于医学超声液性病变图像中，并与其他的边缘检测方法进行比较分析。

2实验结果分析

医学超声诊断出的液性病变多以囊肿为主，常见的囊肿有甲状腺囊肿、卵巢囊肿、肝囊肿等，这些超声液性病变图像灰度变化梯度不大，多见数个无回声区，呈“蜂窝状”，边界不清晰。

本文选取两幅具有代表性的肝囊肿、甲状腺囊肿超声液态病变图像，用不同的边缘检测算法对其进行处理，实验结果如图2，图3所示。

图2基于经典边缘检测算法的肝囊肿超声图像边缘提取结果图3基于Snake模型的肝囊肿超声图像边缘提取结果通过以上两组实验可以看出，由于超声液态病变图像固有特征，经典的边缘检测算法并不能清晰的勾画出液性病灶的边缘来，对包含病灶区域的扩大区域实施边缘检测算法，将得到更多冗余的边缘信息，不能得到感兴趣病灶区域的轮廓。而Snake模型却可以较好地选取特定的区域，利用算法特有的曲线变化方式，最终收拢到双侧灰度梯度变换平衡点位置，达到边缘提取的良好效果，主要原因在于：

(1) Snake模型可以人为的设定待提取边缘的主要控制点，缩小了曲线变化的范围，更加具有针对性的对特定区域进行边缘提取；

(2) Snake模型对图像灰度变化较敏感，在曲线内力和外力达到平衡的情况下，曲线可以很好的稳定在一个位置，形成平滑的连续的曲线。

图4基于经典边缘检测算法的甲状腺囊肿

超声图像的边缘提取结果图5基于Snake模型的甲状腺囊肿超声图像边缘提取结果3结语

本文应用几种不同的边缘检测算法提取医学超声液态病变图像的边缘，实验结果表明，经典边缘检测算法的提取效果不明显，而基于Snake模型的边缘提取算法由于采用动态的调整方法，提取的图像边缘完整、平滑、清晰，方便于后续的诊断性测量，具有一定的临床应用价值，因此，在临床使用的医学超声仪器中，使用类似算法提取液性病变图像边缘，将是一个应用趋势。

参考文献