一种无人机遥感影像建筑物三维损毁检测方法，包括生成灾前的 DSM 和灾后的 DSM 并配准，识 别损毁建筑物疑似区域;根据灾前的 DSM 获取建筑物的矢量信息，进一步分割灾前建筑物区域和灾后 建筑物区域;根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行特征提取，得到特征证据; 根据证据理论原理，采用特征证据计算建筑物发生倒损的置信度，得到检测结果。本发明充分利用了多 重叠影像生成的点云三维信息，同时结合灾前后的遥感影像房屋损毁特征，显著提高了建筑物损毁检测 的精度。

本发明公开了一种平面度误差测量装置其包括激光器、柔性铰 链、静光栅、动光栅、测量头、压缩弹簧、底板以及光电探测器，测 量头固定在柔性铰链的第一端部处并伸出，动光栅设置在柔性铰链的 第一端部内，压缩弹簧一端与底板连接且另一端与柔性铰链的第一端部连接，压缩弹簧位于测量头的下方，柔性铰链的第二端部与底板固 定，静光栅固定在底板上，其与动光栅平行相对且相邻设置，激光器 也设置在底板上，光电探测器设置在静光栅出光端。本发明还提供一 种二维扫描工作台。

本发明属于半导体存储器技术领域，具体为一种基于二维半导体材料的电荷超注入存储器及其制备方法。本发明通过存储叠层能带设计，在实现闪存的非易失性存储特性；通过横向电场设计以及器件的仿真模拟设计，利用二维半导体材料的原子级薄层特性，显著增强最大横向电场从而提升电荷的注入效率，实现存储器中电荷的超注入机制，进而实现闪存的亚纳秒编程。本发明存储器在维持十年数据保持能力的同时，大幅提升了电荷注入效率，将编程速度提升至亚纳秒，为解决电荷存储领域超快编程和长保持时间无法共存的重大挑战提供新的解决方案。

一种结构光三维测量系统的参数重标定方法及其设备，在具有一台相机与一台投影仪的系统中增加辅助相机对投影仪内参数进行重标定。放置高精度的白色平板，投影仪投射结构光图案，原系统相机和辅助相机采集白色平板图案。首先对双相机进行标定，获得辅助相机参数；其次采用拍摄的照片依据立体视觉原理重建白色平板，再次将重建的点云反投影到投影仪发射相面上，计算出对应的投影相位，并与其实际相位做差得到相位残差值，最后利用最小二乘原理计算得到投影仪横向等效焦距和横向光心的误差值，完成投影仪内参数的重标定，提高结构光三维测量系统的标定精度。

本发明公开了一种吩噻嗪基二维共价有机框架材料及其制备方法和应用。所述二维共价有机框架材料具有如下式(I)或式(II)所示的结构：本发明的二维共价有机框架材料具有高的结晶性和比表面积，孔径分布均一并且热稳定性良好，同时还有着良好的光敏基团、适合的光学带隙，在光催化氧化偶联方向有着良好的应用。

产品详细介绍 1.扫描模式：手持精细扫描，手持快速扫描 ★2.尺寸精度：手持精细扫描模式：±0.05mm，各方向误差≤0.3mm/m；手持快速扫描模式：±0.1mm，各方向误差≤0.3mm/m； 3.扫描速度：线扫描模式：1,000,000点/秒；面扫描模式：1,500,000点/秒； ★4.可变分辨率：≥0.2mm，扫描时分辨率可以通过系统软件在扫描后根据需要调整，无须通过更换硬件镜头来实现 5.单幅扫描范围：135*100mm——225*170mm 6.工作中心距离：400mm 7.景深：200mm ★8.光源：三色LED（非激光，不污染环境及危害人身健康） ★9.拼接模式：标志点拼接，特征拼接，手动拼接，混合拼接 10. 输出数据是否可直接打印： 无须借助第三方软件，软件自带修补孔，标志点修补，平滑，锐化，缩放，简化，数据编辑等功能，直接输出融合后的完整STL模型，直接进行3D打印 11.移动终端实时显示功能：在扫描过程中，借助移动终端设备，可实现扫描状态在计算机与移动终端的同步分屏显示，实时监测扫描进程，更便利地观察扫描实况。 12.数据输出格式：STL，ASC，OBJ，PLY，3MF 13.系统支持： Win7,Win8,Win10,64bit  14.电脑要求：显卡：NVIDIA GTX1060及以上，显存：>4G，处理器：I7及以上，内存：16G及以上 15.扫描头含数据线重量：≤1.13kg ★16.素材支持：配备一个3d素材库，素材库数量须大于2万个，素材涵盖人物、卡通、教育、建筑、时尚、玩具、动物、植物、家居、工具、动漫游戏等类别，素材拥有25个以上特色专题，每个专题包含至少5个以上同类别优质素材。素材库包含网站及APP，APP同步支持安卓及IOS下载，素材库系统须取得电脑终端与iphone移动终端及Android移动终端《计算机软件著作权登记证书》。 2. 提供生产厂商对本项目的原厂项目授权委托书及售后服务承诺书原件。（须加盖生产厂商单位公章） 3. 投标单位配备的3D模型库需提供《软件著作权登记证书》。（复印件并加盖软件供应商单位公章）

产品详细介绍

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN