自1985年建设起，历经34年的发展积累，达安中心始终保持着国内领先的行业地位。当前，达安中心已发展成为占地3.67平方公里，拥有1个汽车试验场和17个专业方向的试验室，形成高集中度、前瞻性、专业化的测试能力，检测范围涵盖汽车整车和零部件全系列，具备222类、1023项标准的检测能力。 当前，达安中心已形成“四个中心”（试验开发验证中心、国家智能网联汽车质量监督检验中心（湖北）、国家汽车质量监督检验中心（襄阳）、襄阳达安检查中心）的业务形态。形成以襄阳为本部，以武汉、广州、张家港、柳州、成都、郑州等地9个工作部为市场前沿，辐射全国的事业格局。 助力汽车强国梦想实现，达安中心以提升试验技术能力、提高工作服务质量，拓展检测认证业务为核心，始终致力于打造倍受信赖的汽车检测认证技术研究服务机构，业务范围遍布海内外1200余家整车及零部件企业，与十二个国家和地区的汽车认证主管部门和认证机构展开合作。 面对汽车产品电动化、智能化、网联化、轻量化、共享化的发展趋势，达安中心加快新能源和智能网联检测技术研究和积累。当前已形成完整的氢能源试验检测能力。作为首批获得批准的国家智能网联汽车监督检验中心，达安中心已形成完善的整车ADAS测试以及自动驾驶试验测试能力，并完成了现有园区的智能化网联化改造，已能进行46种智能网联场景的检测测试，在快速推进的扩建工程中，达安中心将搭建140余种智能网联测试场景，处于国内领先地位。

环测公司一直坚持在环境试验箱领域刻苦钻研，把客户难题当成我们的课题！坚持“专业、诚信、创新”的理念和广大海内外客户及行业人士一并携手合作，专注于在环境试验箱领域演绎着环测人的精彩！ 公司拥有一只专业从事产品设计、研发、生产、销售及售后服务的人才队伍，具有完整的工艺、工装、检测和质量管理制度！所有产品生产均按照ISO9001：2015国际质量管理体系实施控管！主要产品包括：专用高低温箱、可程式恒温恒湿试验箱、大型步入式高低温试验室、精密恒温老化试验室、冷热冲击试验箱、高低温低气压试验箱、三综合试验箱、高低温复合式盐雾试验箱、高低温快速温变试验箱、低温低湿试验箱、汽车环境模拟仓、LED、LCD专用高低温箱等环境试验设备。 产品广泛应用在航空、航天、科研、通讯、光电、汽车、大专院校、测试计量试验室等领域！本公司产品符合ISO、GB、GJB、ASTM、JIS、IEC等国际标准以及国标、国军标等行业标准！ 环测公司制造能力：“质量源于精密，品质创造未来”，本公司拥有一流的产品结构加工中心（主要由数控剪板机、数控转塔冲床、数控折弯机、激光镭射切割机等高精度钣金机床组成）， 具有强大的生产制造和外协加工能力！

   国家现有食品检测可以保障食品的基本安全，但如何加快合格食品检测的时间？如何战胜日益增多的未知有害物质挑战，让国人饮食更安全？   为迎接这些挑战，旭月“食品安全检测仪”以国家现有的食品检测标准为基础，利用创新的NMT生物检测技术，实现了食品的更快和更安全检测。   旭月“食品安全检测仪”的创新在于，无需事先推断可能污染被测食品的有害微生物种类，有效避免了漏检的可能性，而且无需进行微生物培养等长时间的前处理，能够实现快速检测。其操作简单，灵敏度极高，能够发现有害微生物可能存在的相互间协同加强危害性的现象，结果准确可靠，适宜在一般餐饮企业和普通家庭大规模推广使用。     特点：更简单、更灵敏、更安全、成本更低，检测速度更快。     该产品和服务由旭月（北京）科技有限公司自主生产和提供，拥有完全自主知识产权（发明专利号：ZL201210462141.6），凭借十年磨一剑的技术和优质服务，该产品和相关检测服务已为国内企业和百姓提供服务，并已成功打入欧美市场

产品详细介绍BW四合一气体检测仪 型号：GasAlertMicroClip 产地：加拿大 特点： 不锈钢鳄鱼夹，坚固耐用，连体的防震外罩能够适应最恶劣的环境。 产品介绍： 坚固耐用，紧密结构（4.2 x 2.4 x 1.4 英寸/10.7 x 6.0 x 3.6 厘米），并且重量非常轻（5.6 盎司/160 克）。 单按钮操作，使用简单。 标准的数据记录器（16 小时）和事件记录器（10 个事件）。 不锈钢鳄鱼夹，坚固耐用。 连体的防震外罩能够适应最恶劣的环境。 不间断的LCD 同时显示H2S、CO、O2 以及可燃气体的浓度(0-100 LEL 或0-5.0 甲烷）。 采用锂聚合电池供电（正常工作时间达12 小时；不到3 小时即可完成充电）。 可发出100 分贝的警报鸣声和明亮的广角闪光警报(典型)。 配有内置振动警报，适用于高噪声区。 背景光：报警（自动）以及根据指令重新启动。 个警报级别：针对所有气体的瞬时低限和高限警报； 针对H2S、CO 的TWA（时间加权平均值）和STEL（短期曝露极限）警报；以及OL（超限警报）。 简易的自动校准程序。 与BW 的MicroDock II 自动测试和校准系统完全兼容， 记录TWA、STEL 和最大气体浓度并根据指令显示读数， 用户可选择的选项包括：提示音、锁定警报、校准到期日、冲击到期日、“SAFE”显示功能、多语言、浓度值变化范围。 可燃气体传感器测量选择（0-100LEL 或0-5.0 v/v 甲烷）和静音模式 全功能自检：传感器、电池、电路和声音/闪光/震动警报。 配置：传感器、锂聚合电池、不锈钢腰带鳄鱼夹、校准软管/盖和说明书。 传感器使用寿命:O2≥2年,其它≥3年 测量范围:H2S(0-100ppm), CO(0-500ppm), O2(vol)(0-30.0/100), 可燃气体(0-100LEL)  

产品详细介绍 二氧化硫气体检测管 1、比长式气体检测管原理及使用方法原理CO、CO2、H2S、O2、SO2、NH3等检测管的基本测定原理为线性比色法，即被测气体通过检定管与指示胶发生有色反应，形成变色层（变色柱），变色层的长度与被测气体的浓度成正比。2、主要技术参数（见附表）3、附件（每盒）①胶管一段；Φ3×5，长度20cm②小砂轮一片4、贮运条件本品应避光保存于阴凉干燥处，严禁日光照射，保存温度不超过40℃，玻璃制品，小心轻放。5、使用方法各种检定管均可与CZY-50型气体检定管用圆筒型正压式采样器等配套使用。于测定现场用空气冲洗采样器后，取一定体积的现场空气，把检定管两端切开，用短胶管将检定管的下端（浓度标尺有“0”的一端）连接在采样器（检定器）的出气口上，按规定时间匀速通过检定管，然后按检定管变色柱（或变色环）上端指示的数字，直接读取被测气体的百分浓度。  各种气体检测管主要技术参数表

产品详细介绍 一氧化碳气体检测管 简介1、比长式气体检测管原理及使用方法原理CO、CO2、H2S、O2、SO2、NH3等检测管的基本测定原理为线性比色法，即被测气体通过检定管与指示胶发生有色反应，形成变色层（变色柱），变色层的长度与被测气体的浓度成正比。2、主要技术参数（见附表）3、附件（每盒）①胶管一段；Φ3×5，长度20cm②小砂轮一片4、贮运条件本品应避光保存于阴凉干燥处，严禁日光照射，保存温度不超过40℃，玻璃制品，小心轻放。5、使用方法各种检定管均可与气体检定管用圆筒型正压式采样器等配套使用。于测定现场用空气冲洗采样器后，取一定体积的现场空气，把检定管两端切开，用短胶管将检定管的下端（浓度标尺有“0”的一端）连接在采样器（检定器）的出气口上，按规定时间匀速通过检定管，然后按检定管变色柱（或变色环）上端指示的数字，直接读取被测气体的百分浓度。 各种气体检测管主要技术参数表

产品介绍 GZ100-3A是我公司自主研制开发的具有智能控制功能的蠕动泵灌装系统&控制器。灌装系统由4组基本驱动单元组成，可扩展至32通道；可安装YZ系列和DMD15泵头，为客户提供多种选择。控制器采用7寸工业触控屏，为客户清晰显示操作内容 功能特点 ◇ 任意控制执行单元各通道的启/停、左/右转。 ◇ 可控制单通道或多通道同时进行排空和回收。 ◇ 可设定回吸角度及回吸时间，所有通道同时进行回吸。 ◇ 提供密码功能：保护用户设定好的系统参数，防止误操作。 ◇ 提供灌装方案保存及调用功能。 ◇ 提供4种校准功能：比例调整、体积校准、称重校准和和多次称重校准。 ◇ 提供在线调整功能，方便用户在线调整液量输出。 ◇ 提供超强的智能功能：系统推荐不同灌装方案供客户选择，以实现高精度液体灌装。 ◇ 7寸触控屏方便操作，菜单式界面清晰、友好。 ◇ 对外通讯接口采用RS485总线，波特率可设，奇偶校验可设，通讯规约采用Modbus标准协议制定。 适用场所 自动化灌装机械上配套使用 技术参数 ◇ 灌装液量范围：0.1ml~9999. 99ml(显示调节分辨率：0.01ml ) ◇ 灌装时间范围：0.5s~6000s(显示调节分辨率：0.01s) ◇ 灌装间隔时间：0.5s~999 .9s ◇ 灌装次数：0~999999次(0为无限循环) ◇ 灌装液量校正：各通道独立进行在线比例调整、体积校准、多次称重校准 ◇ 通道使能功能：可任意设置各通道的使能或禁止 ◇ 密码保护功能：通过密码保护用户设置好的系统参数，防止误操作 ◇ 灌装系统外形尺寸(长×宽×高)：663× 218× 177mm ◇ 控制器外形尺寸(长×宽×高)：228×60×166mm ◇ 适用电源：AC9O-260V 50/60Hz ◇ 单组四通道灌装系统重量：12.1kg ◇ 控制器重量：1.7kg ◇ 外壳防护：IP31 泵头型号 灌装液量(ml) 适配软管 灌装时间(s) 精度误差 分配头内径(mm) 参考产品(pcs/min) YZ15-1A 0.3-0.5 13# 1-1.2 ≤±2% ≤0.5 27-30 1.0-2.3 14# ≤1.0 2.6-5.1 19# ≤1.5 4.6-9.1 16# ≤2.0 10-19 25# ≤3.0 15-30 17# ≤3.0 YZ25-1A 8-17 15# ≤3.0 12-24 24# ≤3.0 DMD15-1ADMD15-2A 0.1-0.9 2×13# ≤0.5 0.2-2.3 2×14# ≤1.0 0.5-5.9 2×19# ≤2.0 2.0-1.0 2×16# ≤3.0  

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

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