Zhao_kar的个人空间动态-电子工程世界

Zhao_kar

动态发布点评好友关于

2025-02-23
发表了主题帖：【STM32 H533RE】测评二_环境配置和USART的测试

本帖最后由 Zhao_kar 于 2025-2-23 21:47 编辑【STM32 H533RE】测评二_环境配置和USART的测试备注：根据测评的计划，基本上已经把项目做完了，但是是用keil做的，于是抱着学习cubeide的心态，还是决定在后续的报告中用ide来实现，目前使用下来感觉ide的资料还是少一些，不过通过查阅官方资料都可以搞定，接下来就是尝试ide过程中的一些开发顺序，本文会从基础配置，到点灯的测试，cubeide自带的办卡配置和芯片配置等，最后还有usart的测试，下一篇应该会测串口屏，TTS模块，还有IIC的oled。一、新环境的感觉 stm32cubeide搭建其实没什么说的，st官网下载，然后安装，按照流程就能走完，然后讲一下从哪下载H5的包，先在help、configuration tool里面点software，从里面找到所需芯片型号下载即可，基本上就没什么需要下载的了，唯一的槽点是现在所有的官方提供下载必须要登录，浏览器还会记录账号密码，ide老是需要我重新登陆，这一点比较麻烦，同时新建工程时，有一个firmware是存在c的，可以改一下路径，这个就不多说了。（图一官方下载。图二软件内的下载）基本准备完成后，就可以开始建立工程了，选择file、new、stm32 project，然后会初始化，进入原先cubemx的选型界面，这里可以直接左边搜索，也可以收藏，方便之后用，点一下那个蓝色星星即可这个是选择芯片来进行设计，因为官方板子是nucleo的，所以这一部分也可以直接选择板子，如图两者不同只会在图形化配置那里有区别，其他的没差，下面我会补充一下两种方式的区别,接下来的工程名字和路径就不截图展示了二、基础点个灯首先是第一种方式，也就是有nucelo的操作，官方会自动选定led2，也就是PA5，一会第二种方式再补充如何看资料。选好之后要配置时钟，也就是RCC，这个不像刚开始入门f1，stlink部分已经默认给你配置好了，如下然后是时钟树，这个根据自己需求来，目前没什么需求，我习惯上都是直接取满加回车然后是第三步，这里不用像keil去选其他的，勾选如下即可然后就可以生成c文件了，直接c+s保存，然后他会弹出一个提示，问你以后要不要默认cs就自动更新，勾选就可以了，方便以后使用生成之后就是如下main文件，一般会自己弹出，弹不出就去左边src找，如下接下来就可以写代码了，这里要注意，因为nucelo官方自带库，所以点灯的时候不用像老方法去拉高拉低IO，直接按照如下函数即可然后锤子编译，虫子下载，点右边这个都行，我一般右边这个下载之后就可以观察板子了，接下来是第二种方法，没有nucleo的，基本上自己画板子都用这种的然后是第二种，没选nucelo的，这部分需要先自己查资料，比如我们要驱动led，根据官方资料（如下），可以看到是PA5的口，各个led可以查手册（查资料直接搜stm32h533re，然后去官方文档里面找，一般都很齐全，如下）确定之后还是按照前面提到的，只不过这个时候看到的图形化配置是没有红色固定的，需要自己配置，然后配置RCC和IO的方法就不说了，跟之前一样，这里我设的高电平，所以没写代码会默认亮灯时钟树和工程管理跟之前一样，然后代码部分用不了官方给的库，所以直接用hal的io配置led亮灭，如下 while (1) { /* USER CODE END WHILE */ /* USER CODE BEGIN 3 */ HAL_GPIO_WritePin(GPIOA,GPIO_PIN_5,GPIO_PIN_RESET);//拉低特定引脚 HAL_Delay(1000); HAL_GPIO_WritePin(GPIOA,GPIO_PIN_5,GPIO_PIN_SET);//拉高特定引脚 HAL_Delay(1000); } 配置完后就可以烧录了，烧录后就是如下视频所示然后补充一个地方，stlinkV3要5V供电，我一开始识别不到，试了几条平时用的typec都不行，然后后面直接试的手机充电线，然后发现可以识别了，看了资料初步怀疑是电压问题，第一次用V3，我也不太清楚，然后更新驱动需要在help-stlink里面更新，如下图（闪烁视频）[localvideo]2d0ea02402f0fe1efb30aca8c82111f6[/localvideo] 三、基本熟悉环境之后就是usart测试这里就不分上面两种情况了，直接用的nucleo板子，其他步骤不变，只需要加一个usart的打开，设置如下然后直接生成工程，这里先测试hal的函数，如下加上这两个，一个是16进制，一个是字符串，然后发送给串口部分，让PC串口助手查看参数 /* USER CODE BEGIN 2 */ uint8_t ch=0x41; HAL_UART_Transmit(&huart1, (uint8_t *)&ch, 1, 0xFFFF); uint8_t aRxBuffer[]="hello eeworld\r\n"; HAL_UART_Transmit(&huart1, (uint8_t *)aRxBuffer, sizeof(aRxBuffer),0xFFFF); /* USER CODE END 2 */ 不解释这个函数了，后续发送一般都是重定向串口，这里展示接受到的图然后重定向部分，一般都是usart写一个收发函数，主函数里面再调用，例如 #include <stdio.h> int fputc(int ch, FILE *f) { HAL_UART_Transmit(&huart1, (uint8_t *)&ch, 1, 0xffff); return ch; } int fgetc(FILE *f) { uint8_t ch = 0; HAL_UART_Receive(&huart1, &ch, 1, 0xffff); return ch; } 然后keil里面有一个usb的microlib库，要勾选那个才能用，这个是我的一般习惯，但是ide里面没有这种东西，所以要按照别的方法来进行，这里附带一个链接，方法还是比较多的[STM32CubeIDE 二] printf重定向設置_cubeide printf 重定向-CSDN博客自己上网找找也找得到，但是问题又来了，如果用的nucelo的板子，他已经默认把usart2作为printf函数了，所以此时有两种情况 1、不需要重定向，直接使用printf就可以调用 2、还是按照之前的方法，只不过要改一下官方的库，这个重定向也能用，也比较简单演示一下自带的printf的串口发送，也就是while加了一下循环即可 while (1) { /* USER CODE END WHILE */ /* USER CODE BEGIN 3 */ printf("ch is %d\n",ch);//打印数据 HAL_Delay(1000); } 综上，串口的基本测试就完成了，涉及串口的接受和中断部分，我再在下一节补充，这部分就先这样
2025-02-07
发表了主题帖：【STM32 H533RE】测评一_开箱和基本介绍

本帖最后由 Zhao_kar 于 2025-2-7 22:39 编辑【STM32 H533RE】测评一_开箱和基本介绍备注：板子大概春节前两天收到，一直没时间写测评报告，现在过完年终于可以开始计划了，第一篇帖子就先从板子的开箱和基本介绍开始，其实stm32的环境配置哪都有，就不介绍了，后续打算用cubeide或者keil开发，这边主要是展示一下如何从官网去找板子的相关资料一、开箱板子收到之后是stm32的经典黄皮盒子和网格纸，可能是快递公司运输过程出了点小问题，我拿到板子的时候盒子已经裂开了，已经扔掉了，开箱部分就展示板子图片 1、板子包装图 2、板子实物图二、基本介绍根据官方给的资料，可以看到该板子不同于旧版的nucelo板子，这个是64引脚，然后stlink换成了typec的口，而且也是stlinkV3，观察实物，仔细看可以看出用的是F723的芯片，右上LD7是电源状态灯，LD1显示 ST-LINK 模块的通信状态，LD3是开发板的电源灯，下面是一个JP5，用于选择开发板电源的来源。可选择通过 USB 或其他外部电源输入，这里默认是stlink的5V供电。左上角的CN4是MIPI接口，然后JP6是3.3V的条线控制供电，JP2是测量电流的，左下角就是一个USB，大致介绍就是这样。根据官方特性，也可以快速了解，如下最后补充一下，板子的引脚开发之类的，根据官方文档就能知道，如下补充：下一篇就补充一下cubeide点灯，串口的使用，接着应该是ADC
2025-01-19
回复了主题帖：【测评入围名单（最后1批）】年终回炉：FPGA、AI、高性能MCU、书籍等65个测品邀你来~

个人信息无误，确认可以完成测评计划
2024-05-30
发表了主题帖：【2023 DigiKey大赛参与奖】开箱帖：STM32U5A5+F411 NUCLEO

因为下单比较晚，而且近期较忙，最近稍微闲一点，有时间发一下帖子，本次我是参与奖，然后因为金额不够买我想要的mpu，最后还是决定了入手一个stm32家的比较经典的f411和一个U5系列的板卡，下面为收到的开箱图，后续应该会玩一玩U5，看看有没有机会分享帖子吧，下次一定！最后感谢下得捷电子和eeworld 虽然两个小板子，但是包装非常大然后是外壳最后是经典小碎纸
2024-05-07
发表了主题帖：《深度学习与医学图像处理》阅读分享四——关键点检测

本帖最后由 Zhao_kar 于 2024-5-7 22:58 编辑《深度学习与医学图像处理》阅读分享四——关键点检测本节主讲关键点检测的模型一、概念关键点检测是计算机视觉领域的一种技术，用于在图像或视频中定位和识别特定对象或特征的位置。这些对象或特征可以是人脸、人体关节点、车辆、物体等等。关键点通常是图像中的特定位置，比如人脸关键点可能包括眼睛、鼻子、嘴巴等部位的位置。关键点检测的目标是确定这些关键点在图像中的精确位置。它可以应用于许多应用场景，如人脸识别、姿态估计、手势识别、行人检测等。在人工智能和机器学习的帮助下，现代关键点检测算法能够在不同的环境和复杂的场景中准确地检测和定位这些关键点。二、坐标关键点检测和热图关键点检测 1、坐标关键点检测：特点：在坐标关键点检测中，通常直接输出每个关键点的准确坐标。这意味着检测器会返回一系列点的(x, y)坐标，表示图像中每个关键点的位置。区别：相较于热图关键点检测，这种方法更加直接，输出结果更易理解。然而，它也需要更多的训练数据和更复杂的模型来学习关键点的准确位置。 2、热图关键点检测：特点：热图关键点检测输出的是关键点位置的概率分布热图。这意味着对于每个关键点，检测器会生成一个与输入图像尺寸相同的热图，其中每个像素的值表示该像素处是关键点的概率。区别：相对于坐标关键点检测，热图关键点检测更加灵活，因为它可以处理不同尺寸的输入图像，并且可以检测到关键点的模糊位置。此外，热图关键点检测还可以利用一些后处理技术来提高关键点检测的准确性。综上，热图关键点模型效果更优，下面介绍几种基于热图的关键点模型三、CPM CPM指的是Convolutional Pose Machine（卷积姿势机器）。CPM是一种基于深度学习的方法，用于姿势估计和关键点检测。 CPM模型通常由多个卷积神经网络（CNN）阶段组成，每个阶段都负责在不同尺度上生成热图。第一个阶段处理输入图像，并生成初始热图，然后通过级联的阶段逐渐提高热图的分辨率和准确性。其中一个关键特点是通过级联的阶段来逐步提高姿势估计的精度。每个阶段都可以在之前阶段的输出基础上进行训练，使得模型能够逐渐细化关键点位置的估计。这种级联结构使得CPM在处理复杂姿势和场景时表现出色。这里以书中给的图例为简单描述：一阶段中，图像先经过七个卷积层，三个池化层进行特征提取，P为关键点个数，然后在2阶段下，有两个输入，一个是第一阶段的特征输出，一个是原图像的特征提取，然后再通过五个卷积层进行融合和提取。详见下图四、stack hourglass Stacked Hourglass是一种基于卷积神经网络（CNN）的姿势估计方法，它采用了Hourglass网络结构的堆叠。每个Hourglass模块由对称的上采样和下采样层构成，有助于捕捉不同尺度的特征并提高姿势估计的准确性。通过堆叠多个Hourglass模块，Stacked Hourglass能够逐步细化关键点位置的估计，取得优异的姿势检测效果。首先主要包括四个部分：下采样模块、沙漏模块、中间监督模块、关键点热力图分别进行如下操作：降低图像分辨率，堆叠沙漏模块+引入中间监督模块，使得各个沙漏模块的输出均参与最终的损失计算，再利用计划函数将最后一个沙漏模块的输出结果转换为类别的概率值，生成关键点热力图。补充（各个模块）：下采样模块是指在神经网络中的一种结构，用于将输入特征图的空间分辨率降低，同时增加特征图的通道数。这有助于提取更高级别的语义信息并减少计算量。通常通过池化层或者卷积层来实现。沙漏模块是指沿着网络中间有多层的网络模块，形象地类似于一个沙漏，中间部分较窄，两边较宽。这种模块的设计目的是通过逐层的上采样和下采样来实现多尺度特征的融合，从而提高对目标的定位精度。中间监督模块是指在网络的中间层添加监督信号，用于在训练过程中引导网络学习更好的特征表示。这种模块的存在有助于减轻梯度消失问题，并且可以加速训练过程。在姿势估计等任务中，中间监督模块通常用于在沙漏模块的不同层次上进行关键点位置的预测和监督。
发表了主题帖：《深度学习与医学图像处理》阅读分享三——医学图像处理

本帖最后由 Zhao_kar 于 2024-5-7 22:10 编辑《深度学习与医学图像处理》阅读分享——数据预处理部分本节涉及数据预处理部分和数据增强部分，本节主要分享数据预处理部分，至于数据增强部分不做分享。首先本书在数据预处理主要有如下几点：插值重采样信号强度直方图数据归一化连通域分析和形态学方法一、插值首先结合实际环境和应用场景理解，如对图像进行旋转、放大的操作时，如一个2*2的四个像素，假如要放大成4*4的16像素，那么此时可以通过插值算法来进行操作，即我们进行放大操作时，因为会产生未知的像素点，而插值可以由原有的信息来进行预测。两种常见插值方法： 1、最近邻插值法这个比较简单，就是把距离最近的输入像素等于变换后的像素即可，所以计算速度很快，同时缺点也很明显，即为放大后的图像带有锯齿 2、双线性插值法这里有一个公式，实际上可以结合图a来推，这个数学推导不难，总之了解有这么一个结论就可以了，而以此可以升为双线性插值法，相应的，效果会比较好，但是速度会慢一点。详细效果对比见下图（可以看到图a是有明显的锯齿的）二、重采样这里涉及一个概念叫体素间距，场景为：实际上医学中人体部位的真实大小很重要，因此设备与协议之前的差别会导致不同的体素间距，因此要对体素间距进行重采样，保证体素个数可以反映实际成像大小。这里有一个公式为：真实尺寸=体素个数*体素间距所以为了保证真实尺寸不变，若增大图像的体素间距，则会导致个数变小，同时变小就出现了一中的问题，那么相应的还得考虑插值。简单概括就是要改变体素间距和体素个数从而确保真实尺寸，实际上会结合插值和重采样。三、直方图说实在直方图这个比较简单，就是一个信号强度的体现，这里附上本书的一张图了解一下即可。四、数据归一化这个我觉得大部分做算法的应该都会用得上，比如在做信号处理时，要对采集到的波形做归一化处理，从而去结合后续硬件软件等。其实概念上就是消除量纲，本书有两个： 1、区间归一化其实就是把最大值定位1，最小值定为0，其余参数除最大值，映射到0-1即可，这个自己写个函数就能实现该方法对信号值敏感，对分布不敏感，适用于强度分布不固定的影像，如CT这种不同强度值含义固定的图像。 2、Z—score归一化这个为映射到标准正态分布，这个的特点和上面的方法相反，适用于MR图像。五、连通域分析和形态学方法这里书中没有详细描述，只介绍了概念，这边就先只给出概念。 1、连通域一般是指图像中具有相同像素值且位置相邻的像素点组成的图像区域。连通域分析是指将图像中的各个连通区域找出并标记。连通区域分析在图像分析处理的众多应用领域非常常用。连通区域分析处理的对象一般是一张二值化后的图像。 2、图像形态学也叫数学形态学，是指一系列处理图像形状特征的图像处理技术，是一门建立在格伦和拓扑学基础上的图像分析学科，是数学形态学图像处理的基本理论。其基本思想是利用一种特殊的结构元来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别
2024-04-16
发表了主题帖： STM32MP135F-DK开箱测评

本帖最后由 Zhao_kar 于 2024-4-16 23:11 编辑 STM32MP135F-DK开箱测评+虚拟机的环境搭建备注：感谢eeworld提供本次机会让我学习Linux的板卡，该板卡是基于Arm®的单cortex®-A7 32位STM32MP135微处理器，本节我先只更新开箱测评和讲一下我搭建虚拟机的一些问题。然后因为本人是Linux的新手，还有因为vivado下了好几个版本的关系，我的D盘清理过后只有100G，因为数据比较多，还有很多软件在里面，我就没分盘，但是我现在学下来看到的大部分都说最好是单独留一个盘出来（我的笔记本不能扩容），这一点还不知道影响大不大，后续进度我感觉也悬，但是都拿到了，那就先自己学着学着研究研究吧。一、开箱测评 1、首先是本次板卡，我觉得设计的挺好的，因为是之前的寄回板卡，目前是没有出厂设置的，然后我还没搭建好开发环境，现在也只能看到个上电的情况。 2、打开包装可以看到板卡，上面连接的屏幕，还有一个摄像头模块，同时官方也给留了一个SD卡，16GB的。所有的硬件如下图： 3、然后这个板卡有四个开关，可以在说明手册了解这个如何选择和各个模式的情况，然后他有两个led，如果没放sd卡，会呈现红色，放了则会使用另一个led显示蓝色，如下图：基本上开箱就这些内容。二、虚拟机的配置我这部分只讲我出现的蓝屏问题，我原先是按照某点原子的教程，使用的VMware15.5和Ubuntu18.04两个版本，但是按照实际流程来，最后会出现，启动Ubuntu系统的时候，电脑直接蓝屏重启，然后然后然后，所有网上能试过的方法我都试过了，我真不知道是什么问题，接着我看了stm的官方手册，我觉得还是换一下吧，接下来就用VMware17来安装，把15.5删掉了，重新试了一下，结果发现是ok的。我就直接按照网上帖子的教程走了一遍，然后又出现了第二个问题。就是默认好像是会选择英文，也不是说英文不能用，问题是某点的资料都是中文的，接着我就在里面改设置，因为需要联网才能下载中文的包，结果就是没有wifi的配置，系统没办法联网，我本来打算试一下网线以太网，后面发现某点启动教程好像不太一样，我试了一下确实是可以直接选择中文的，然后暂时还不知道这个是什么情况还有一个问题就是，SD卡插在u盘里面没办法读取，这个好像是跟sd的配置有关系，我知道有这么个东西，但是没有详细去了解，先写在这里了，等到后续研究明白了我应该会补充一下。哦对了还有一个就是mp135里面确实没有m4核，我之前一直看的mp157资料，才发现，确实是没注意 PS：上述均为我自己安装虚拟机和Ubuntu的一些问题，因为本人是新手，有一些可能比较抽象的现象和问题，还请多多包涵。
2024-04-14
发表了主题帖：《深度学习与医学图像处理》阅读分享二

本帖最后由 Zhao_kar 于 2024-4-14 23:39 编辑阅读分享二——几个常见的，且医学图像所用到的，成像原理以及常见格式本节主要解释几个检测的原理，以及dicom的组成和结构。一、常见的医学图像数据首先本书以X线检查、磁共振检查、超声检查等为例 1、先是X射线的成像原理：当其通过人体时，密度高的部位吸收X线多，密度低的部位吸收X线少，投照到特殊的感光胶片时，表现为：密度高的部位呈现白色，密度低的部位呈灰或黑色。由此可以得到X线片，这个就不放图了，网上随便找一个x光片看看就行了，可以明显看到人体骨骼，也就是密度高区域，是很明显的白色，而对于平时低密度的部位，如果出线了明显白色，那么说明那个部位密度变高了，也就是有可能出现了病变。当然这种方法不是通用的，对于一部分部位，需要对比剂，也就是注射造影剂来进行造影检查。然后这里第一个成像，提到了计算机体层成像，也就是CT，上一节有提到过，他有一个便于理解的对比点：CT不同于x线的地方是，用x线对人体进行厚度扫描，然后再由计算机计算后，以不同的灰度显示出来。也就是逐层显示，这里这个知识我确实不了解，还专门去搜了一下，这里放一篇别的博主发的文章，里面比较详细的提到了CT的具体内容算法等等：章节一: CT (computed tomography) 计算机断层扫描 - 知乎 (zhihu.com)。其实比较简单的理解就是从2D变成了3D，但是仍是2维展示，但是通过灰度来显示3D数据，有点像地图上的等高线吧，我也忘记那个叫什么图了，就是地图上，通过不同颜色来显示海拔高度，是一个道理。 2、第二个成像是磁共振成像：其原理比较复杂，但是简单解释就是，人体置于特殊的磁场时，用无线电射频脉冲激发人体内氢原子核，引起氢原子核共振，并吸收能量。在停止射频脉冲后，氢原子核按特定频率发出射电信号，并将吸收的能量释放出来，被体外的接受器收录，经电子计算机处理获得图像，这就叫做核磁共振成像。然后是MRI图像，在氢原子恢复原始状态的这个过程所需的时间，叫弛豫时间,分为纵向时间T1和横向时间T2，对这两个进行采集，编码和计算后，得到的就是图像了。这里面以一个脑脊液的加权成像为例，有些学术词我也不是很清楚，但是简单的描述这个过程就是：T1和T2在一个组织内的时间会不一样，进而影响加权成像，同时通过其他方法，如水抑制T2成像可以让脑脊液信号减弱，有利于其余病变区域的显示；还有磁敏感加权等等，这里只是据举例，大概了解就行。然后MRI同时也可用于血管成像，一般叫MRA，分为两类，一个是不需要对比剂的普通MRA，一个是要对比剂来显示小血管。 3、第三个成像为超声成像：主要是声波的物理特性来进行检查，包含反射、折射、散射、衍射等等。我这里举个我个人的理解+比较简单的例子来解释，比如一个正常人的喉咙，若没有感冒，此时声带发出的声音是直接从里面正常传出来的，要是感冒或者等等病症导致喉咙发炎，他肿了，那么声音通过大概是会有个阻碍的过程，导致声音变化，这个例子可能比较抽象，不太符合波的这个体现，那么更简单的理解就是，假如身体有个肿瘤或者硬块，本来声波正常过的时候是没什么的，有病变后，声波经过他衰减了，那么最后仪器测试的数据就是不符合正常情况。上述例子只是理解，实际定义为：声波经过组织器官等后产生了衰减，这些衰减信息经过接收放大处理后就得到了最后的声像图。然后现在超声检查主要分为ABMD四个类型，A是一维声波，B是二维声波，M是当前最常用的，是基于B的二维上加了个慢扫描波，然后D就是多普勒超声。最后还补充了一个心电图，这个比较简单，我就不解释了，感兴趣的搜一搜就知道了。二、常见的影像格式首先是几个常见的格式：DICOM、Analyze、Nifti、Minc，目前DICOM和NIFTI是实用最广的。 1、DICOM：这个目前一般用于射线照相、超声检查、CT、MRI等首先他的数据集是多个数据元素合到一起的，每个数据元素又细分为：标签、元素值类型、元素值长度、元素值域。数据元素又可以分为3类，首先都包括标签、元素值长度、元素值域，然后不同的地方在于元素值类型，有两个是有这个的，叫显式VR，第三个是没有的，叫隐式VR，前两个区别在于元素值长度的表达方式不同。这个数据集肯定是很多个数据元素合到一起的，这里有一个标准就是显式和隐式不能一起用，即不能嵌套。然后本书以一个python的例子解析了dicom，我这边就不放出了，后续需要补充我再加吧。 2、Analyze 这个格式包括两个二进制文件，一个img的数据文件，包括像素，一个是元数据头文件，因为其不支持无符号16为格式等其他缺陷，现在基本已经被nifti取代，这个了解了解就行。 3、Nifti 这个其实就是analyze的进化版，他不仅有那两个文件，还支持无符号16位数据格式，还可以区分左右结构，这个也是了解了解就行，书上也没多讲。 4、Minc 其有两个版本，一个Minc1，一个Minc2，1已经停止维护，现在Minc2基于HDF5，这个也没有细说，了解了解即可，感兴趣的可以查查看，目前主流还是DICOM和Nifti。上述为本节内容，后续应该就会在pycharm上面试试看代码和学习医学图像处理算法的内容了
2024-04-03
回复了主题帖：《深度学习与医学图像处理》阅读分享一

bigbat 发表于 2024-4-3 12:16 DICOM重要的内容是通讯和图像描述，如果想了解可以看看DICOMK C/C++编写，fo-DICOM C#编写。还有java语言的 ... 谢谢科普，我现在也是刚接触这些方面的知识
2024-04-02
发表了主题帖：《深度学习与医学图像处理》阅读分享一

本帖最后由 Zhao_kar 于 2024-4-2 23:26 编辑《深度学习与医学图像处理》阅读分享一感谢本次eeworld提供的阅读机会，本人属于大概了解过有深度学习这么一个东西，但是没有系统学习过，同时图像处理是我目前在学习的一部分内容，但是同样的，我从来没有接触过医学图像处理，还是想学习一下这方面的知识，比如本书里面提到的常见的影响格式DICOM，就是我不了解的内容，所以之后会分享学习记录。同时本节为第一章的内容，按照计划和实际读起来，这一章更多的是一个引入和一些基础概念的学习，这里附上我个人的心得和记录一、人工智能概述+机器学习+深度学习首先是机器学习概念的引入，机器学习算法分为监督学习、非监督学习和强化学习三种在监督学习中，是具有输入与输出的，即我们通过算法，把数据输入放入合适的函数模型，将其与数据输出对应起来，以实现机器学习的过程在非监督学习中，只有输入，没有输出，其主要目的为寻找数据的潜在结构信息，类似人类，我们就是通过观察去发现原理和规律，并不是直接被告知规律的。而强化学习，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略，达成特定目标的问题，这里我不知道这个智能体是个什么东西，还去查了一些资料，这里附上一个比较通俗的解释强化学习中两个核心的概念就是：「智能体」agent和「环境」environment。环境表示智能体生存以及交互的世界。每一次交互时，智能体会观察到世界当前所处「状态」state的「观测值」observation，然后决定采取什么「动作」action。环境会随着智能体的动作而发生变化，当然环境自身也可能一直处于变化中。本节中有一句话我不太理解，这里放出 “机器学习开发的算法使得计算机无须显式编程就能从现有数据中进行学习”，这里的显式编程，我查了资料后，个人的理解为：这里结合例子理解，在常规的算法时，一般我们通过确定的函数等等去规定计算过程，机器只负责执行这个过程，也就是机器不会思考，比如区分苹果和梨，一个红色一个黄色，如果机器在识别的时候，你只要根据人为计算的规律，并且告诉他，红色的是苹果，黄色的是梨，那么机器就会执行你的过程，去进行分类，但是实际上区分的这个过程绝对不会这么理想，上述这种就是显式编程，即为自定义规则去计算。但是在机器学习中，他不需要这个，这样子就可以理解书中的这句话了。然后深度学习是机器学习的一个分支，是一种使用包含复杂结构或者多重非线性变换构成的多个处理层对数据进行高层抽象的算法。目前深度学习框架有如下：卷积神经网络、深度置信网络、递归神经网络等应用在：计算机视觉图像、音频语音识别、自然语言处理、生物信息学领域二、人工智能在医学的应用 1、优化医院管理和医学教育：如构造在患者床位轮转方面的预测模型，制定更优决策，以及物资调配方面 2、辅助医学诊断：比如ct图像识别肺结节，超声图像的诊断 3、实现疾病预测：如通过fMRI识别大脑中与阿尔茨海默病识别发病相关的区域，进行预测。三、医学图像方面的应用 1、医学图像采集与重建：目前已用于计算机断层图像：CT，可实现低分辨率到高分辨率的重建，比如不同场强下的MR图像，一个3T，一个7T，可以将3T转换为7T的MR图像。（这里解释一下这个T是啥意思：T代表的是tesla，就是场强的大小，场强越大，信噪比SNR越高，T越大通常意味着可以提供更高的分辨率，但是也会带来缺陷，因为随着场强的增加，氢核会以更高的频率共振，所以超高场磁共振必须使用更短的波长，从而使用更高能量的无线电脉冲来使质子摆动。人体组织也会从这些波中吸收更多的能量。） 2、医学图像变换 3、基于医学图像的病灶区域检测与分割 4、基于医学的智能诊断后续会根据实际学习记录进行更新，个人大概看下来，感觉书中真的有很多医学的知识，对我来说是完全没见过，希望后续的学习能按照计划推进
2024-03-21
回复了主题帖：测评入围名单：STM32MP135F-DK(第二批)

个人信息无误，确认可以完成评测计划
2024-03-13
回复了主题帖：读书入围名单：《深度学习与医学图像处理》

个人信息无误，确认可以完成阅读分享计划