新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開(kāi)了一種有向無(wú)圈圖的層次化顯示方法，包括:(1)創(chuàng) 建有向無(wú)圈圖的起點(diǎn)和終點(diǎn);(2)讀入數(shù)據(jù)文件，根據(jù)三元組數(shù)據(jù)文件 構(gòu)建有向無(wú)圈圖中所有的模型節(jié)點(diǎn)和有向線段，形成有向無(wú)圈圖的內(nèi) 部模型;(3)初始化，將節(jié)點(diǎn)數(shù)據(jù)對(duì)象的搜索標(biāo)志設(shè)置為未搜索;(4)對(duì) 有向無(wú)圈圖模型進(jìn)行寬度優(yōu)先搜索并顯示;(5)擴(kuò)展處理，對(duì)靜態(tài)關(guān)系 圖進(jìn)行擴(kuò)展處理，使之能動(dòng)態(tài)顯示有向無(wú)圈圖所有節(jié)點(diǎn)，即顯示所有 的樹(shù)節(jié)點(diǎn)的父節(jié)點(diǎn)和子節(jié)點(diǎn)。本發(fā)明所提出的方法可以用計(jì)算機(jī)系統(tǒng) 中常用的樹(shù)窗口來(lái)顯示復(fù)雜的二維的有向無(wú)圈圖，不僅降低了計(jì)

目前，國(guó)內(nèi)大部分油田已進(jìn)入了中、高含水期的開(kāi)采階段，許多油井由原來(lái)的自噴式油井轉(zhuǎn)為機(jī)械采油井，甚至有些油井一開(kāi)始產(chǎn)油時(shí)就為機(jī)采井。因此，針對(duì)有桿泵抽油系統(tǒng)展開(kāi)相關(guān)研究具有十分突出的意義。 對(duì)于以勝利油田為代表的中石化部分油田來(lái)說(shuō)，稠油所占比例較高，且開(kāi)發(fā)過(guò)程中常采用聚合物驅(qū)等提高采收率手段，導(dǎo)致井下流體條件復(fù)雜，井液粘度通常較高，對(duì)有桿抽油系統(tǒng)優(yōu)化設(shè)計(jì)和參數(shù)調(diào)整提出了新的挑戰(zhàn)。 針對(duì)此問(wèn)題，常州大學(xué)創(chuàng)造性的針對(duì)高粘液體條件下的有桿抽油系統(tǒng)優(yōu)化設(shè)計(jì)和參數(shù)調(diào)整技術(shù)展開(kāi)研究，

有托乳橡筋帶的乳罩，包括乳罩、肩帶、背帶，其特征是：乳罩通過(guò)背帶固定在胸前，橡筋帶的兩端與肩帶底端連接，橡筋帶的中間，即兩個(gè)乳罩之間的部分的中點(diǎn)通過(guò)拉扯帶分別連接到兩個(gè)肩帶上；橡筋帶分成下帶、中帶和上帶，上帶、中帶與下帶之間等間距；中帶的寬度為1?2cm；橡筋帶強(qiáng)度為中帶處于兩個(gè)肩帶節(jié)點(diǎn)之間的這段長(zhǎng)度，承受1公斤力量伸長(zhǎng)3?5cm；上帶和下帶由于所受的力量小，采用與中帶相同材質(zhì)和厚度的橡筋帶，其寬度為中帶的一半。

XM-907前磨牙有一個(gè)牙根模型 ? XM-907前磨牙有一個(gè)牙根模型放大約8倍，共有4個(gè)部位數(shù)字指示標(biāo)記及對(duì)應(yīng)文字說(shuō)明（牙冠、牙頸、牙根、牙冠結(jié)節(jié)）。 尺寸：放大約8倍，18×5.5×7cm 材質(zhì)：PVC材料

XM-849細(xì)胞有絲減數(shù)分裂模型 ? XM-849細(xì)胞有絲減數(shù)分裂模型共有9個(gè)部件，顯示從細(xì)胞核內(nèi)出現(xiàn)染色體開(kāi)始經(jīng)過(guò)一系列的變化，最后分裂成二個(gè)子核為止，模型顯示核分裂過(guò)程的5個(gè)主要時(shí)期：即間期、前期、中期、后期、未期直至二個(gè)新的子細(xì)胞，胞質(zhì)分裂主要顯示二個(gè)新的子核之間形成新的細(xì)胞壁，把一個(gè)母細(xì)胞分隔成二個(gè)子細(xì)胞的過(guò)程，細(xì)胞核膜全透明。 尺寸：放大 材質(zhì)：PVC材料

XM-907前磨牙有一個(gè)牙根模型 ? XM-907前磨牙有一個(gè)牙根模型放大約8倍，共有4個(gè)部位數(shù)字指示標(biāo)記及對(duì)應(yīng)文字說(shuō)明（牙冠、牙頸、牙根、牙冠結(jié)節(jié)）。 尺寸：放大約8倍，18×5.5×7cm 材質(zhì)：PVC材料

主要功能和應(yīng)用領(lǐng)域： 本技術(shù)可實(shí)現(xiàn)人糞便樣本顯微鏡檢有型成分圖像的自動(dòng)識(shí)別與分類，利用計(jì)算機(jī)圖像處理、模式識(shí)別及人工智能的理論與技術(shù)，對(duì)顯微鏡下拍攝到的糞便樣本圖像進(jìn)行研究，通過(guò)對(duì)各種有型成分形態(tài)和顏色信息等進(jìn)行特征匹配與分類計(jì)數(shù)，分別標(biāo)示出紅細(xì)胞、白細(xì)胞、蟲卵和真菌孢子等不同種類的有型成分，從而達(dá)到在線自動(dòng)識(shí)別有型成分的目的，作為醫(yī)院臨床診斷的依據(jù)。該技術(shù)可擴(kuò)展應(yīng)用于醫(yī)院尿液、白帶、腦脊液、胸腹水、胃液、精液等常規(guī)檢查，并可用于脫落細(xì)胞學(xué)的癌及癌前病變檢測(cè)及分析。 特色及先進(jìn)性： 1）復(fù)雜背景環(huán)境下的自動(dòng)識(shí)別。采用自適應(yīng)雙閉值分割算法進(jìn)行粗分割，提取出ROI區(qū)域中的單個(gè)細(xì)胞或細(xì)胞群作為分析目標(biāo)，細(xì)胞圖像的精細(xì)分割將在每個(gè)ROI區(qū)域里完成，極大地減少了數(shù)據(jù)運(yùn)算量。 2）針對(duì)形態(tài)各異和邊緣模糊圖像的精準(zhǔn)分割。針對(duì)有型成分的顯微生物圖像特點(diǎn)，去除邊界拓?fù)浣Y(jié)構(gòu)復(fù)雜、細(xì)胞各組成區(qū)域內(nèi)灰度不均勻以及成像易受噪聲干擾等因素的影響，基于Chan一Vese模型，提出幾何活動(dòng)輪廓模型方法，使用幾個(gè)獨(dú)立的水平集進(jìn)行有型成分圖像的分割，與傳統(tǒng)分割方法對(duì)比準(zhǔn)確率提升30%。 3）針對(duì)種類繁多的神經(jīng)網(wǎng)絡(luò)集成識(shí)別。基于普通神經(jīng)網(wǎng)絡(luò)泛化能力不高的問(wèn)題，提出利用有限個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行集成并將其結(jié)果進(jìn)行合成，顯著的提高整個(gè)分類學(xué)習(xí)器的泛化能力，提高了整個(gè)系統(tǒng)的識(shí)別能力。 4）采用重疊分離算法精準(zhǔn)分類。有型成分分離、細(xì)胞個(gè)數(shù)的準(zhǔn)確讀取決定了整個(gè)系統(tǒng)的精準(zhǔn)程度。通過(guò)尋找到合適的分離點(diǎn)并構(gòu)建分離線，實(shí)現(xiàn)重疊區(qū)域的快速合理分離，從而將粘連、重疊的細(xì)胞分離開(kāi)來(lái)，并進(jìn)行準(zhǔn)確計(jì)數(shù)。 技術(shù)指標(biāo)： 有型成分 漏檢率 誤檢率 白細(xì)胞 5% 15% 膿球 20% 30% 吞噬細(xì)胞 20% 30% 紅細(xì)胞 5% 15% 孢子 15% 25% 夏科雷登結(jié)晶 10% 10% 寄生蟲 5% 15% 脂肪球 10% 15% 單張圖片檢測(cè)時(shí)間：＜0.5 s 關(guān)鍵問(wèn)題和實(shí)施效果 現(xiàn)今國(guó)內(nèi)大多數(shù)醫(yī)院和研究單位對(duì)生物細(xì)胞或微生物病菌等檢測(cè)還是采用人工處理的方式，即將樣品制成涂片，在顯微鏡下觀察并根據(jù)大小、形狀等特征進(jìn)行分類計(jì)數(shù)以得到數(shù)據(jù)結(jié)果，醫(yī)務(wù)人員再通過(guò)這些數(shù)據(jù)結(jié)果憑借自身的知識(shí)和經(jīng)驗(yàn)診斷病癥或得出研究數(shù)據(jù)。該技術(shù)能夠?qū)崿F(xiàn)樣本顯微鏡檢有型成分的自動(dòng)識(shí)別，滿足了臨床開(kāi)展常規(guī)及特殊檢測(cè)需要，使得生物檢測(cè)在自動(dòng)化、無(wú)異味、無(wú)危險(xiǎn)性的情況下進(jìn)行，提高了檢測(cè)效率，改善工作環(huán)境，保護(hù)工作人員，降低檢測(cè)成本和檢測(cè)時(shí)間，提高在國(guó)際市場(chǎng)的競(jìng)爭(zhēng)力，有利于醫(yī)療檢測(cè)行業(yè)的智能化發(fā)展。該技術(shù)可識(shí)別的部分生物細(xì)胞圖像如下圖所示。 紅細(xì)胞 白細(xì)胞 霉菌 蟲卵

本技術(shù)可實(shí)現(xiàn)人糞便樣本顯微鏡檢有型成分圖像的自動(dòng)識(shí)別與分類，利用計(jì)算機(jī)圖像處理、模式識(shí)別及人工智能的理論與技術(shù)，對(duì)顯微鏡下拍攝到的糞便樣本圖像進(jìn)行研究，通過(guò)對(duì)各種有型成分形態(tài)和顏色信息等進(jìn)行特征匹配與分類計(jì)數(shù)，分別標(biāo)示出紅細(xì)胞、白細(xì)胞、蟲卵和真菌孢子等不同種類的有型成分，從而達(dá)到在線自動(dòng)識(shí)別有型成分的目的，作為醫(yī)院臨床診斷的依據(jù)。該技術(shù)可擴(kuò)展應(yīng)用于醫(yī)院尿液、白帶、腦脊液、胸腹水、胃液、精液等常規(guī)檢查，并可用于脫落細(xì)胞學(xué)的癌及癌前病變檢測(cè)及分析。

新冠病毒除了呼吸道傳播以外，是否還有其他途徑，這一直是科研人員關(guān)心的熱點(diǎn)問(wèn)題。2月26日，浙江大學(xué)醫(yī)學(xué)院附屬第一院副院長(zhǎng)、眼科學(xué)科帶頭人沈曄教授團(tuán)隊(duì)，在《醫(yī)學(xué)病毒學(xué)雜志》(Journal of Medical Virology)在線發(fā)表了一項(xiàng)研究工作，揭示在研究的新冠肺炎患者樣本中，存在一名結(jié)膜炎患者的眼淚和結(jié)膜分泌物樣本，在核酸檢測(cè)中出現(xiàn)病毒陽(yáng)性結(jié)果。該研究第一作者為夏建華，共同通訊作者為沈曄、郭東煜。論文第一單位為浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院。沈曄介紹，研究不同的傳播方式，對(duì)于把握新冠病毒傳染規(guī)律，改進(jìn)疾病治療方法和防控措施具有重要意義。浙大科研人員從1月26日至2月9日在浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院確診的30例新冠肺炎患者，對(duì)他們的淚液和結(jié)膜分泌物混合物開(kāi)展研究。在第一階段6例樣本研究中，均未發(fā)現(xiàn)核酸檢測(cè)病毒陽(yáng)性。團(tuán)隊(duì)果斷認(rèn)為，已有樣本并不具有代表性與全面性，為此需要延長(zhǎng)觀察周期，繼續(xù)留在隔離病房開(kāi)展采樣與研究。研究團(tuán)隊(duì)在一位新冠肺炎患者身上發(fā)現(xiàn)，該病人左眼具有結(jié)膜炎癥，即新冠引起的紅眼病，而右眼沒(méi)有此癥狀。而在此前的了解中，該患者入院前無(wú)結(jié)膜炎。本次研究中的其他患者樣品核酸檢測(cè)均為陰性。研究樣本這位患者眼部的差異性非常具有代表性，在征得同意后，我們就研究結(jié)膜炎癥是否與病毒具有聯(lián)系。”通過(guò)核酸檢測(cè)，浙大研究人員發(fā)現(xiàn)患有結(jié)膜炎的左眼新冠病毒檢測(cè)為陽(yáng)性，而右眼則是陰性。為確保研究準(zhǔn)確性，對(duì)兩只眼睛的結(jié)膜分泌物做了三次核酸檢查，結(jié)果均一致。目前該患者通過(guò)抗病毒綜合治療，整體治愈的情況下，結(jié)膜炎癥也轉(zhuǎn)好，再次檢測(cè)眼部病毒轉(zhuǎn)陰。對(duì)于患者是如何因新冠病毒發(fā)生眼部結(jié)膜炎癥的，科研人員表示仍在持續(xù)研究。

成果簡(jiǎn)介： 主要功能和應(yīng)用領(lǐng)域： 本技術(shù)可實(shí)現(xiàn)人糞便樣本顯微鏡檢有型成分圖像的自動(dòng)識(shí)別與分類，利用計(jì)算機(jī)圖像處理、模式識(shí)別及人工智能的理論與技術(shù)，對(duì)顯微鏡下拍攝到的糞便樣本圖像進(jìn)行研究，通過(guò)對(duì)各種有型成分形態(tài)和顏色信息等進(jìn)行特征匹配與分類計(jì)數(shù)，分別標(biāo)示出紅細(xì)胞、白細(xì)胞、蟲卵和真菌孢子等不同種類的有型成分，從而達(dá)到在線自動(dòng)識(shí)別有型成分的目的，作為醫(yī)院臨床診斷的依據(jù)。該技術(shù)可擴(kuò)展應(yīng)用于醫(yī)院尿液、白帶、腦脊液、胸腹水、胃液、精液等常規(guī)檢查，并可用于脫落細(xì)胞學(xué)的癌及癌前病變檢測(cè)及分析。 特色及先進(jìn)性： 1）復(fù)雜背景環(huán)境下的自動(dòng)識(shí)別。采用自適應(yīng)雙閉值分割算法進(jìn)行粗分割，提取出ROI區(qū)域中的單個(gè)細(xì)胞或細(xì)胞群作為分析目標(biāo)，細(xì)胞圖像的精細(xì)分割將在每個(gè)ROI區(qū)域里完成，極大地減少了數(shù)據(jù)運(yùn)算量。 2）針對(duì)形態(tài)各異和邊緣模糊圖像的精準(zhǔn)分割。針對(duì)有型成分的顯微生物圖像特點(diǎn)，去除邊界拓?fù)浣Y(jié)構(gòu)復(fù)雜、細(xì)胞各組成區(qū)域內(nèi)灰度不均勻以及成像易受噪聲干擾等因素的影響，基于Chan一Vese模型，提出幾何活動(dòng)輪廓模型方法，使用幾個(gè)獨(dú)立的水平集進(jìn)行有型成分圖像的分割，與傳統(tǒng)分割方法對(duì)比準(zhǔn)確率提升30%。 3）針對(duì)種類繁多的神經(jīng)網(wǎng)絡(luò)集成識(shí)別?；谄胀ㄉ窠?jīng)網(wǎng)絡(luò)泛化能力不高的問(wèn)題，提出利用有限個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行集成并將其結(jié)果進(jìn)行合成，顯著的提高整個(gè)分類學(xué)習(xí)器的泛化能力，提高了整個(gè)系統(tǒng)的識(shí)別能力。 4）采用重疊分離算法精準(zhǔn)分類。有型成分分離、細(xì)胞個(gè)數(shù)的準(zhǔn)確讀取決定了整個(gè)系統(tǒng)的精準(zhǔn)程度。通過(guò)尋找到合適的分離點(diǎn)并構(gòu)建分離線，實(shí)現(xiàn)重疊區(qū)域的快速合理分離，從而將粘連、重疊的細(xì)胞分離開(kāi)來(lái)，并進(jìn)行準(zhǔn)確計(jì)數(shù)。 技術(shù)指標(biāo)： 有型成分 漏檢率 誤檢率 白細(xì)胞 5% 15% 膿球 20% 30% 吞噬細(xì)胞 20% 30% 紅細(xì)胞 5% 15% 孢子 15% 25% 夏科雷登結(jié)晶 10% 10% 寄生蟲 5% 15% 脂肪球 10% 15% 單張圖片檢測(cè)時(shí)間：＜0.5 s 關(guān)鍵問(wèn)題和實(shí)施效果 現(xiàn)今國(guó)內(nèi)大多數(shù)醫(yī)院和研究單位對(duì)生物細(xì)胞或微生物病菌等檢測(cè)還是采用人工處理的方式，即將樣品制成涂片，在顯微鏡下觀察并根據(jù)大小、形狀等特征進(jìn)行分類計(jì)數(shù)以得到數(shù)據(jù)結(jié)果，醫(yī)務(wù)人員再通過(guò)這些數(shù)據(jù)結(jié)果憑借自身的知識(shí)和經(jīng)驗(yàn)診斷病癥或得出研究數(shù)據(jù)。該技術(shù)能夠?qū)崿F(xiàn)樣本顯微鏡檢有型成分的自動(dòng)識(shí)別，滿足了臨床開(kāi)展常規(guī)及特殊檢測(cè)需要，使得生物檢測(cè)在自動(dòng)化、無(wú)異味、無(wú)危險(xiǎn)性的情況下進(jìn)行，提高了檢測(cè)效率，改善工作環(huán)境，保護(hù)工作人員，降低檢測(cè)成本和檢測(cè)時(shí)間，提高在國(guó)際市場(chǎng)的競(jìng)爭(zhēng)力，有利于醫(yī)療檢測(cè)行業(yè)的智能化發(fā)展。該技術(shù)可識(shí)別的部分生物細(xì)胞圖像如下圖所示。