The laser welding of magnesium alloys presents challenges attributed to their low laser-absorbing efficiency, resulting in instabilities during the welding process and substandard welding quality. Furthermore, the complexity of signals during laser welding processes makes it difficult to accurately monitor the molten state of magnesium alloys. In this study, magnesium alloys were welded using near-infrared and blue lasers. By varying the power of the near-infrared laser, the energy absorption pattern of magnesium alloys toward the composite laser was investigated. The U-Net model was employed for the segmentation of welding images to accurately extract the features of the melt pool and keyhole. Subsequently, the penetrating states were predicted using the convolutional neural network (CNN), and the novel approach employing Local Binary Pattern (LBP) features + a backpropagation (BP) neural network was applied for comparison. The extracted images achieved MPA and MIoU values of 89.54% and 81.81%, and the prediction accuracy of the model can reach up to 100%. The applicability of the two monitoring approaches in different scenarios was discussed, providing guidance for the quality of magnesium welding.

Rheumatoid arthritis (RA) and arthrofibrosis (AF) are both chronic synovial hyperplasia diseases that result in joint stiffness and contractures. They shared similar symptoms and many common features in pathogenesis. Our study aims to perform a comprehensive analysis between RA and AF and identify novel drugs for clinical use. Based on the text mining approaches, we performed a correlation analysis of 12 common joint diseases including arthrofibrosis, gouty arthritis, infectious arthritis, juvenile idiopathic arthritis, osteoarthritis, post infectious arthropathies, post traumatic osteoarthritis, psoriatic arthritis, reactive arthritis, rheumatoid arthritis, septic arthritis, and transient arthritis. 5 bulk sequencing datasets and 4 single-cell sequencing datasets of RA and AF were integrated and analyzed. A novel drug repositioning method was found for drug screening, and text mining approaches were used to verify the identified drugs. RA and AF performed the highest gene similarity (0.77) and functional ontology similarity (0.84) among all 12 joint diseases. We figured out that they share the same key pathogenic cell including CD34 + sublining fibroblasts (CD34-SLF) and DKK3 + sublining fibroblasts (DKK3-SLF). Potential therapeutic target database (PTTD) was established with the differential expressed genes (DEGs) of these key pathogenic cells. Based on the PTTD, 15 potential drugs for AF and 16 potential drugs for RA were identified. This work provides a new perspective on AF and RA study which enhances our understanding of their pathogenesis. It also shed light on their underlying mechanism and open new avenues for drug repositioning studies.