检索范围:
排序: 展示方式:
Multi-stage emergency medicine logistics system optimization based on survival probability
Ke WANG, Yixin LIANG, Lindu ZHAO
《工程管理前沿(英文)》 2017年 第4卷 第2期 页码 221-228 doi: 10.15302/J-FEM-2017020
关键词: emergency medicine logistics ambulance drone survival probability critical illness
针对无人机系统安全的新型层级式软件架构 Special Feature on Intelligent Robats
Xiao-rui ZHU, Chen LIANG, Zhen-guo YIN, Zhong SHAO, Meng-qi LIU, Hao CHEN
《信息与电子工程前沿(英文)》 2019年 第20卷 第3期 页码 353-362 doi: 10.1631/FITEE.1800636
基于人工智能技术的无人机遥感探测具有感染松材线虫病特征的树木 Article
Mutiara Syifa, Sung-Jae Park, Chang-Wook Lee
《工程(英文)》 2020年 第6卷 第8期 页码 919-926 doi: 10.1016/j.eng.2020.07.001
最近,松材线虫病(PWD)导致韩国大量的松树受损。鉴于松树对于韩国人的重要性,PWD被视为一个严重的问题,因此必须妥善处理这个问题。先前我们调查了PWD的历史,发现它已扩散到韩国的一些地区,这些成为了我们的研究领域。必须尽早对PWD进行检测。我们利用无人机遥感技术来探测具有与感染松材线虫病的树木相似症状的树木。之所以使用无人机遥感,是因为它能够生成高质量的图像,并且可以很容易地到达松树的位置。为了区别健康的和感染了PWD的松树,我们利用从Anbi和Wonchang两村采集到的无人机图像制作了一份土地覆盖图(LC),使用两种方法将它们分类,即人工神经网络(ANN)和支持向量机(SVM)。此外,比较了使用无人机和手持设备收集的两类全球定位系统(GPS)数据的准确性,以确定感染PWD的树木的位置。随后,我们将每个研究区域的无人机图像分成6个LC类,发现SVM在区分是否感染PWD的树木时比ANN更准确。在Anbi村,SVM的总体准确率为94.13%,与ANN总体准确率87.43%相比,高出了6.7%。在Wonchang村我们也得到了相似的结果,SVM和ANN的准确率分别为86.59%和79.33%。在GPS数据方面,我们使用了两种手持GPS设备。GPS设备1参照两个位置的基准点来校正,GPS设备2为未校正设备,仅使用GPS的默认设置。在Wonchang,手持GPS设备1采集的数据优于手持GPS设备2。然而,在Anbi,GPS设备2获得的结果优于GPS设备1获得的结果:GPS设备1的数据误差为7.08 m,而GPS设备2的数据误差为0.14 m。总的来说,这两种分类器都能根据LC数据辨别健康树木和患有PWD的树木。LC数据也可以用于其他类型的分类。这两个区域的手持GPS数据集和无人机GPS数据集存在一些差异。
标题 作者 时间 类型 操作
Multi-stage emergency medicine logistics system optimization based on survival probability
Ke WANG, Yixin LIANG, Lindu ZHAO
期刊论文