Deep-Learning-Assisted Micro Impurity Detection on an Optical Surface

Zhang Yao;  ; Zhang Yun-Bo; Chen Li;

doi:10.7498/aps.70.20210403

Deep-Learning-Assisted Micro Impurity Detection on an Optical Surface

Acta Physica Sinica ◽

10.7498/aps.70.20210403 ◽

2021 ◽

Vol 70 (16) ◽

pp. 1-9

Author(s):

Zhang Yao ◽

◽

Zhang Yun-Bo ◽

Chen Li ◽

Keyword(s):

Deep Learning ◽

Optical Surface ◽

Impurity Detection

Download Full-text

Impurity detection of juglans using deep learning and machine vision

Computers and Electronics in Agriculture ◽

10.1016/j.compag.2020.105764 ◽

2020 ◽

Vol 178 ◽

pp. 105764

Author(s):

Dian Rong ◽

Haiyan Wang ◽

Lijuan Xie ◽

Yibin Ying ◽

Yinsheng Zhang

Keyword(s):

Deep Learning ◽

Machine Vision ◽

Impurity Detection

Download Full-text

Variation of the amount of hydrogen along the galactic ridge

Symposium - International Astronomical Union ◽

10.1017/s0074180900100889 ◽

1967 ◽

Vol 31 ◽

pp. 171-172

Author(s):

Th. Schmidt-Kaler

Keyword(s):

Surface Brightness ◽

Milky Way ◽

Neutral Hydrogen ◽

Line Of Sight ◽

Optical Surface ◽

Hydrogen Density ◽

Continuous Radiation ◽

Galactic Longitude

The integralNHof neutral-hydrogen density along the line of sight is determined from the Kootwijk and Sydney surveys. The run ofNHwith galactic longitude agrees well with that of thermal continuous radiation and that of the optical surface brightness of the Milky Way.

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text