|
搜索
搜 索
高等教育领域数字化综合服务平台
深圳市长丰影像器材有限公司
深圳市长丰影像器材有限公司成立于2011年，总部设立在广东深圳，是一家集产品研发、生产、销售于一体的高新技术企业，多年来一直致力于影像器材以及声音技术的开发制造。
长丰公司长期服务于摄影摄像和广播电视行业，为主流媒体、传媒工作室以及广大的摄影摄像爱好者提供从影像稳定系统到声音输入输出系统的整体解决方案。公司目前拥有三个自主品牌：Saramonic枫笛、BOYA博雅、SEVENOAK七棵橡树，自主研发和生产的产品销往全球100多个国家和地区。
经过近10年的发展，目前长丰拥有占地万余平米的生产基地和产品研发中心，配备了国内外最先进的研发测试设备和专业声音实验室，建立了专业的研发团队和完善的质量管理体系。2013年，长丰公司通过ISO9001质量管理体系认证，出口销售的产品均获得相应的质量认证如CE、ROHS、FCC、NCC、KCC、TELEC、EN300等。经过多年创新和沉淀，公司拥有百余项国内外各类发明和创新专利，2018年，公司荣获“国家高新技术企业”认证，并得到深圳市政府和科创委的大力扶持。
深圳市长丰影像器材有限公司
2022-07-04
机器视觉智能检测与定位技术
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。
太原科技大学
2021-05-04
基于精密测量技术的检测设备
西安交通大学
2021-04-10
高精度气体泄漏检测技术
本项目包括容器类和管道类两种测试对象的泄漏测试和泄漏点定位技术。1）研制了系列化的高精度气密性检测仪；2）研制了基于红外图像处理技术进行泄漏点检测及定位的装置；3）研制了多种主要针对汽车变速器/离合器壳体的高效率、高精度在线式自动试漏机，满足了当前实际生产需要，并取得了较大的经济效益。4）将模式识别理论与方法应用于气体管道的泄漏诊断中，实现气体管道动态泄漏和稳态泄漏的检测与定位。
北京理工大学
2021-04-14
卫星转发器盗用检测技术
随着通信事业的发展和各类通信网的建立，卫星通信系统中的干扰和盗用问题显得尤为突出。盗用大致可分两种情况，其一是利用空闲转发器的频带资源进行传输，另一种则是在正常业务信号上叠加直接序列扩频（DSSS）信号进行盗用信号的传输。前一种盗用方式比较易于检测，而后一种盗用方式则成为卫星通信与无线电管理领域的重要问题。 本系统采用现代信号处理技术，可以根据对接收混合信号的分析来确定信号中是否存在盗用信号，具有检测效率较高，正确率较高的特点。
大连理工大学
2021-04-13
基于光电读出技术的浓度检测
浓度是衡量工业产品质量的一项非常重要的指标，采用光学原理测量浓度的方法如旋光法、分光光度法、干涉法、折射率法等，光学方法采用非接触式测量手段能够方便快速测量液体浓度，但诸多光学方法存在成本高、灵敏度低和测量范围窄等不足之处，为了避免现有技术所存在的不足，提出了一种基于光电读出技术的浓度检测仪，在降低装置成本的基础上能有效提高光电检测透明溶液浓度的灵敏度，并实现设备小型化。
安徽理工大学
2021-04-13
气密性检测及泄漏点定位技术（技术）
成果简介：本项目包括容器类和管道类两种测试对象的泄漏测试和泄漏点定 位技术。1） 本项目得到了北京市教委产学研教育基金、国家自然科学基金、 “211 工程”、“985 工程”等基金的资助；2） 研制了系列化的高精度气密 性检测仪；3） 研制了基于红外图像处理技术进行泄漏点检测及定位的装置；4）研制了多种主要针对汽车变速器/离合器壳体的高效率、高精度在线式自 动试漏机，满足了当前实际生产需要，并取得了较大的经济
北京理工大学
2021-04-14
计算机视觉检测技术的QR码检测识别方法
本发明主要由计算机、数字摄像机、补光装置和声光提示装置组成,数字摄像机的视频信号输出给计算机,接受到视频传感器输入后计算机控制补光设备和声光提示设备,计算机内安装有QR码智能检测模块,通过循环读取扫描视频中的帧数据,检测其中的QR码图形,并提取和译码。
四川大学
2021-04-10
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10