本发明涉及一种空间相机的几何分辨率检测方法,和一种空间相机时相分辨率检测方法,以及一种可用于空间相机几何和时相分辨率检测的移动检测车。本发明改变常规的地面固定靶标形式,将几何分辨率靶标与移动车辆结合,形成移动靶标,实现几何分辨率检测、不同时相移动定标功能,提高了光学相机任意方向几何分辨率的测试精度。车舱内可存放常规的地面固定靶标,可在应急条件快速布设,也可起到车体硬性靶标与常规软性靶标互补的作用。

本发明公开了一种适用于肠道病变检测的太赫兹内窥镜及检测方法。包括插入肠道的组合管体、太赫兹信号增强模块、太赫兹检测模块和实时成像模块，组合管体主要由套管、套头和半球形玻璃罩组成，太赫兹信号增强模块主要由可调谐激光器和安装在套管内的光纤组成，太赫兹检测模块主要由太赫兹波探测器和太赫兹波发射器以及安装在组合管体内的第一不锈钢金属线和第二不锈钢金属线组成，实时成像模块主要由图像处理与传输电路板以及安装在组合管体内的电源线、视频信号线、LED冷光源和CMOS摄像头组成。本发明实现了在肠道病变初期对其进行准确的检测，提高了检测的准确度和灵敏度，具有获取信息丰富、结构紧凑操作方便、适用范围广等优点。

本发明公开了一种用于检测水貂星状病毒的RT‑PCR引物及其检测方法，参照GenBank收录的水貂星状病毒ORF1b基因序列(序列号分别为GU985458.1、NC_004579.1、AY179509.1)保守区，分析设计一对特异性引物，根据设计的引物，探索最佳反应体系和反应条件，建立RT‑PCR检测方法，并进行特异性试验、敏感性试验、重复性试验。结果表明建立的水貂星状病毒RT‑PCR方法敏感性强，特异性高，能够快速的检测水貂星状病毒。本发明所建立的RT‑PCR检测方法具有很好的应用性，能够用于水貂星状病毒的检测。

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

产品详细介绍专为旅游景点，体育文化场所，会议中心，博览中心，行李寄存，商场，酒店,法院，监狱等重要场所设计 *严格的内部质量控制，实施工程与生产双检原则 *整机部件保障措施 #高性能网络功能 *通过国家公安部检测 *通过欧盟CE认证 *国际知名公司ISO9001认证 *通过ISO14001环境认证 *通过中国政府的辐射安全认证       ☆基本参数指标： 通道尺寸       500（宽）×300（高）mm 传送带速度     0.22 m/s 传送带额定负荷 120 kg 单次检查剂量   < 1.5µGy 分辨力         直径0.101mm金属线 穿透力                 34mm钢板 胶卷安全性     对ISO1600胶卷安全 泄漏剂量       <0.05µGy/h   ☆X射线发生器： 射线束方向       底照式 管电流              0.4~ 1.2mA（可调） 管电压               100~160 kV（可调） 射线束发散角  60° 冷却／工作周期 密封式油冷／100％   ☆使用环境： 工作温度／湿度   0℃～45℃／20%～95% (不冷凝)    储存温度／湿度   -20℃～60℃／20%～95% (不冷凝) 工作电压        220VAC(±10%)  50±3Hz 功率损耗        1.0KW（最大值） 噪声级          <65dB

本实用新型提出一种马铃薯漏播补种装置和马铃薯播种装置，该实用新型的漏播补种装置包括补种箱，以及导薯单元，其中，补种箱的底部开设有可安装导薯单元的开口，导薯单元包括卡设补种箱底部开口设置的护薯板，护薯板内部形成导薯空间，护薯板与补种箱底部开口相接处形成种薯从补种箱进入至导薯空间内部的通道；护薯板的底部设置有可落下种薯的落薯通道；护薯板内部的导薯空间中设置有转盘，转盘的圆周均布有多个可从补种箱中导入单个种薯的补种座，转盘的中部设置有可驱动转盘转动的转轴，转轴穿设护薯板外连电机。本实用新型可在马铃薯漏播时自动补种，其不仅结构简单、占用空间小，且补种效率高、工作可靠。

　　海门市春华塑料制品厂是生产与九年制义务教育教材相配套的小学数学、自然、美术学具的专业性企业。工厂现占地10000平方米，拥有厂房8000平方米，生产各类学具的设备达20世纪90年代先进水平，综合开发能力较强。现有职工200多人，其中工程技术人员28人，有教育、教学实践经验的教师以及科研人员8人。　　　　学具的生产、销售与服务已通过ISO9002质量体系认证，数学、自然、美术学具已通过专家鉴定。

机器视觉智能检测与定位技术用机器视觉取代人类视觉，为传统装备增加视觉判断与智能定位功能，可实现“无人车间”的智能检测与机械手的准确定位，实现装备智能化，解放劳动力。 该技术由太原科技大学数字媒体与通信研究所独立研发、具有独立知识产权，硬件成本低于国内外同类产品。 该技术从准确性、精度、速度、硬件成本等指标上处于国际先进水平，可实现生产线装备的实时在线智能检测与定位，检测准确度97%以上，精度0.3mm以下，定位精度可达0.01mm以下。 该技术拥有中国发明专利18项，软件知识产权5项。 2015年以来，先后应用在上海地铁隧道灾害监测、沈阳公路隧道检测、西安铁路高铁桥墩裂缝检测、爱旭太阳能义乌生产线的硅片崩边缺角及隐裂检测、通威太阳能成都、合肥生产线的硅片碎检及隐裂检测，河北电力的绝缘子检测。

项目成果/简介: 目前，公路治超主要集中在限制性的监测点或者现场人工执法，对于非限制性非现场治超才刚刚起步，技术尚不完善。在非限制性的交通场景下存在诸如车辆角度问题、遮挡问题、光照问题、车辆数据分布不均衡等问题，阻碍了非限制性非现场公路治超的推广。 该车辆精细化检测与识别组合技术可应用于非限制性非现场公路综合治理超载超限中的货车精细化检测与识别。基于该车辆精细化检测与识别组合技术，可以对货车的属性进行精细化检测与识别，融合视觉信息与道路称重信息来实现非限制性非现场公路综合治理超载超限。通过该技术的升级改造，极大地提升公司的非限制性非现场治超产品的市场竞争力。知识产权类型:其他技术先进程度:达到国内先进水平成果获得方式:与企业合作获得政府支持情况:无