|
搜索
搜 索
高等教育领域数字化综合服务平台
无线高清图传监看/零延迟传输
产品详细介绍专业F55 F5 F65 艾匹克 斯嘉丽 红龙 RED 艾丽莎 FS7 FS700 F3 及 专业单反GH4 A7S 5D3 PRO800无线高清影音传输系统，由发射机和接收机组成，采用全球唯一无压缩零延时无线传输技术，真正实现1080i无线影音传输，为您轻松组建移动机位、实况转播、影视制作及导演监控、大型活动直播、会议直播、影视剧车戏场景拍摄、突发事件直播、室外小型活动会场快速搭建及飞猫摄影系统等各种无线高清影音传输网络。该设备使用全向天线系统，能够在800米的范围内传输未经压缩的1080i帧/秒原始电影高清影像。工作频率5.1GHz-5.9GHz，受到其他RF设备信号干扰时，自动调整至无干扰频率。 随着高清影视设备越来越广泛的应用，其布线过程中也出现了多方面的问题，如线材成本较高，使用寿命短，如果现场保护不够，路过人群的踩踏可能影响线材表现，甚至引发直播事故。本方案为影视直播场景提供了更加便捷安全的解决方案，可有效的摆脱拍摄现场仪器线材束缚，大大提升拍摄效率，其远距离传输多频点支持配合大容量锂电池系统，即插即用设置，能充分的满足各种室内外拍摄需求，尤其是免布线的特点，将带给您更安全，更专业的享受。【产品特点】1.支持点对点、点对多传输功能，图像加密功能，可多台同时工作、互不干扰2.HDMI/SDI接口、1080P/60Hz，3Gbps速率3.采用实时无线高清视频传输技术，图像无压缩、无延时、图像无损4.全硬件设计，无需安装软件，即插即用，简单方便5.用户可通过按键自由切换频道，防止干扰,可移动拍摄和穿越障碍物6.发射机和接收机体积小，发射端可安装于任何摄像机上和佳能、尼康等单反相机7.无线传输距离以大于800米为半径360度范围内
德维尼（北京）科技有限公司
2021-08-23
肿瘤医学图像智能诊断算法
简介：
1、胰腺肿瘤CT图像诊断算法。针对胰腺肿瘤分类问题，从医学CT图像出发，搭建深度学习模型。对于肿瘤分类，我们将问题建模成两部：胰腺定位查找和胰腺肿瘤分类。我们建立级联分割网络，从病人腹部的CT图像中将胰腺器官分割出来。级联分割网络比之前的层级分割网络结果提升10各点。之后建立多模态分类网络，针对CT图像的特性，将多切片多造影剂时期多区域的数据进行融合，在胰腺肿物分类中取得了较好的结果。
层级分割模型示意图
分类模型可视化热图
2、现有的乳腺癌腋窝淋巴转移的医疗诊断措施为病理活检，是一种过度医疗。基于乳腺钼靶图像的术前无创的乳腺癌腋窝淋巴转移预测手段能够有效避免过度医疗。我们构造了基于乳腺钼靶图像的深度卷积神经网络模型来处理乳腺癌腋窝淋巴转移问题。我们对乳腺钼靶数据进行了预处理和数据集的整理、划分。我们构造了三个不同的深度卷积神经网络，患病侧单体位网络、患病侧双体位网络和双侧双体位四视图网络。其中，患病侧单体位网络分为 CC 位网络和 MLO 位网络。在乳腺钼靶数据的测试集上，患病侧 CC 位网络、患病侧 MLO 位网络、患病侧双体位网络、双侧双体位四视图网络的结果依次递增。这表明了同时使用同一患者的四张钼靶图像的双侧双体位四视图网络具有更好的预测效果，更适合乳腺癌腋窝淋巴转移预测任务。对于双侧双体位四视图网络，我们不仅使用了双侧测试集 1，还使用了额外的双侧测试集 2 进行测试。
钼靶乳腺图像预处理
双侧双体位深度学习网络
优势：从客观的医学图像数据出发，结果可重复，而且高效快捷，提高识别准确率的同时，便于临床推广。
中国人民大学
2021-05-15
肿瘤医学图像智能诊断算法
1、胰腺肿瘤CT图像诊断算法。针对胰腺肿瘤分类问题，从医学CT图像出发，搭建深度学习模型。对于肿瘤分类，我们将问题建模成两部：胰腺定位查找和胰腺肿瘤分类。我们建立级联分割网络，从病人腹部的CT图像中将胰腺器官分割出来。级联分割网络比之前的层级分割网络结果提升10各点。之后建立多模态分类网络，针对CT图像的特性，将多切片多造影剂时期多区域的数据进行融合，在胰腺肿物分类中取得了较好的结果。层级分割模型示意图 分类模型可视化热图 2、现有的乳腺癌腋窝淋巴转移的医疗诊断措施为病理活检，是一种过度医疗。基于乳腺钼靶图像的术前无创的乳腺癌腋窝淋巴转移预测手段能够有效避免过度医疗。我们构造了基于乳腺钼靶图像的深度卷积神经网络模型来处理乳腺癌腋窝淋巴转移问题。我们对乳腺钼靶数据进行了预处理和数据集的整理、划分。我们构造了三个不同的深度卷积神经网络，患病侧单体位网络、患病侧双体位网络和双侧双体位四视图网络。其中，患病侧单体位网络分为 CC 位网络和 MLO 位网络。在乳腺钼靶数据的测试集上，患病侧 CC 位网络、患病侧 MLO 位网络、患病侧双体位网络、双侧双体位四视图网络的结果依次递增。这表明了同时使用同一患者的四张钼靶图像的双侧双体位四视图网络具有更好的预测效果，更适合乳腺癌腋窝淋巴转移预测任务。对于双侧双体位四视图网络，我们不仅使用了双侧测试集 1，还使用了额外的双侧测试集 2 进行测试。钼靶乳腺图像预处理 双侧双体位深度学习网络 优势：从客观的医学图像数据出发，结果可重复，而且高效快捷，提高识别准确率的同时，便于临床推广。
中国人民大学
2021-04-10
前景图像提取方法及装置
其中的前景图像提取方法包括：获取第i帧与第i-1帧中位置相同的像素点之间的距离，获取距离大于预定值的像素点集合Z，获取像素点集合Z中与第i-1帧中的前景区域的像素点位置相同的像素点集合U，将像素点集合U进行背景差分处理，获得像素点集合E，根据像素点集合E、像素点集合T以及像素点集合W的并集确定第i帧的前景区域，像素点集合W为像素点集合Z中与第i-1帧中的前景区域的像素点位置不相同的像素点集合，像素点集合T为第i-1帧的前景区域中与像素点集合U中的像素点位置不相同的像素点集合。上述技术方案能够快速准确的提取出第i帧中的前景图像。
电子科技大学
2021-04-10
高速 CMOS 图像传感器
已有样品/n主要技术指标：图像分辨率 800×600；量化位宽 12bit；图像帧率 1000fps；动 态范围 70dB；工作温度范围在-25℃至 85℃；芯片功耗 0.67W；同时定制的图像传 感器工艺和设计流程，具有更佳的高速图像获取能力。 高速图像传感器可应用于工业生产、农业生产、智能交通、虚拟现实、科学研 究、国防军事及其他民用领域。具体来说，高速图像传感器可应用于汽车碰撞试验、 火箭发射、弹道测试、体育赛事、目标追踪、微表情研究和高速车牌识别等领域。
中国科学院大学
2021-01-12
基于内容的图像检索（产品）
成果简介：基于内容的图像检索是近年来兴起的新技术，与传统的基于文字 的检索相比，其直观、高效、通用等特点，受到了越来越多的重视。基于内 容的图像检索的基本思想是通过分析图像的视觉特征和上下文联系来进行检索。通常图像的特征分为低层物理特征（如：颜色、纹理、形状、轮廓、 图像内容的空间关系等）和高层语义特征（是人们对图像内容概念级的反映， 一般是对图像内容的文字性描述）。基于内容的图像检索突破了传统的基于 关键字的表达方式检索的局限，直接对图像内容进
北京理工大学
2021-04-14
机器视觉图像处理开发平台
产品详细介绍一、嵌入式机器视觉图像处理平台 MV-VS800是一款高性能数字图像信号处理平台，具有极强的处理性能，高度的灵活性、工作稳定性和可编程性，平台功耗低、接口丰富，体积小巧，智能化程度高、拥有大量常用的图像处理软件库，是用户构造机器视觉图像处理系统的理想选择。二、机器视觉图像处理软件1、MV-MVIPS图像处理软件、HALCON机器视觉软件 2、HALCON机器视觉软件 MVIPS 机器视觉图像处理软件平台是一款高性能的工业机器视觉软件工具包，用户可以利用其快速开发图像处理和机器视觉应用软件，快速搭建自己的机器视觉应用系统，它功能强大，测量、检测、识别速度快，可靠性高。MVIPS机器视觉图像处理软件提供了图像测量、字符识别、彩色分析、缺陷检测和目标定位等多个库函数，软件开发平台具有良好的人机界面，有图像输入、程序代码、参数设置、数据输出窗口，用户可以用简单的下拉式菜单界面，在软件中只需要快速调用相应函数就可以实现自己想要的功能。三、应用领域1、缺陷检测；2、尺寸测量；3、OCR&OCV；4、颜色比对；5、匹配定位。6、其他。
陕西维视数字图像技术有限公司
2021-08-23
基于图像识别的高速精密直驱三维运动平台监控系统
基于直线电机的运动平台监控系统，可以支持直驱平台实现二维、三维或多维的超高速和超精密运动，精度和分辨率均在微米级。应用直驱运动平台可大大提高工业设备的速度和效率，推动现代装备及自动化设备制造业向高速、高精密方向发展。典型的应用领域：LED封装装备、办公机具、精密机械制造业、石油化工业、航空与国防工业、半导体加工及芯片制造业、工业机器人和机械手、激光及检测设备、医疗设备、电梯及仓储行业、食品与纺织机械行业等。
北京航空航天大学
2021-04-13
一种卫星序列图像中点目标实时检测与跟踪系统及方法
本发明公开了一种卫星序列图像中点目标实时检测与跟踪系统及方法，该系统包括：图像数据接收模块、图像帧头检测模块、单帧图像目标检测模块、序列图像关联检测模块；图像数据接收模块，每次从卫星红外图像生成系统接收预设 N 字节长度的数据包，并缓存到环形缓冲区中；图像帧头检测模块在环形缓冲区中对图像的起始位置与结束位置进行位置检测，并将帧图像数据缓存到图像缓存区中；单帧图像目标检测模块，用于处理图像缓存区的图像数据，获取疑似目
华中科技大学
2021-04-14
一种基于图像处理技术的群集运动数据采集方法及系统
本发明公开了一种群集运动实验数据采集方法及系统，方法包括以下步骤：在实验场景中采集群集运动目标的视频；从当前视频帧中提取目标运动区域；对目标运动区域滤除背景；将滤除背景的目标运动区域与目标灰度阈值进行比较，判定大于目标阈值的像素点为可疑目标像素点，将邻近的可疑目标像素点视为一个可疑目标；将可疑目标与预定目标长度、宽度和面积阈值进行比较，判定可疑目标为个体目标、多目标重合、非目标中的一种；根据历史目标位置、速度和
华中科技大学
2021-04-14