产品详细介绍SC-E型大米外观品质检测分析仪1用途：用于各种类大米（精米、糙米、糯米等）各项外观品质指标的精准自动检测，可进行多参数、批量化的自动分析。2系统组成：双光源扫描成像仪及附件、分析软件和电脑（电脑另配）。3 主要性能指标：★配光学分辨率4800×9600、A4加长的双光源彩色扫描仪来成像（中晶 ScanMaker i800 Plus）。透扫幅面30 cm×20 cm，最小像素尺寸0.0053mm ×0.0026 mm。★可自动一次性测量分析30g以上大米样品的：垩白度/率、碎米率及小碎米率、整精米数量、整精米率、可直接检测大米透明度的国标等级（国家发明专利号ZL 2013 1 0172280.X）、黄粒米、杂质量、异品种粒、不完善粒（未成熟粒），及糯米的阴米率、病斑或黄变率。还可自动分析大米的裂纹率，糙米胚芽率。自动测量每粒的面积、长径、短径、长宽比、圆度、等效直径（长度测量误差≤±0.05mm，长宽比测量误差≤±0.05，重现性误差≤±0.02；整精米率、碎米率指标测量误差≤±1.0%、重现性误差≤±0.25%）。可大批量自动分析处理与输出结果。与国标GB/T1350稻谷、GB/T17891优质稻谷或GB1354-2018大米、农业部新标准【大米】NY/T2334-2013、大米粒型分类判定LS/T6116-2016、粮食行业标准 大米LS/T 3247—2017、GBT35881-2018粮油检验 稻谷黄粒米含量测定 图像分析法等标准相对应，检测各项指标的质量比和粒数比。各分析图像、分布图、结果数据可保存，分析结果输出至Excel表，可输出分析标记图，以及按宽度、长度、面积等输出的排列图和测量图。★具有自动学习与识别特性，可自动分割粘连的大米、种粒，可做自动分类分析。★具有样本条码、电子天平RS232数据软件接口。可兼测的种粒范围0.25-20mm，自动数粒精度≥99%，交互修正后准确率达100%。4．环境条件： 温度10~30℃，相对湿度≤85%，防止强光照射。仪器应放在平稳工作台上，周围无强烈的机械振动和电磁干扰；电源要求220V±10%，50Hz。注：本技术标书中打★款项必须响应，否则为重大偏离选配电脑推荐：品牌电脑（酷睿i5 CPU / 8G内存/ 19.5”彩显/无线网卡，5个以上USB2.0口，运行环境Windows 10完整专业版或旗舰版）

产品详细介绍LA-S植物图像分析仪系统（叶分析独立版）1、用途：用于植物叶面积分析、病斑面积分析、虫损叶面积分析、叶片叶色分析、作物冠层分析等2、系统组成：扫描和拍照成像装置、分析软件和电脑（电脑另配）。3、主要性能指标：配光学分辨率4800×4800 dpi的EPSON V39彩色扫描仪（加带450*300mm背光板）、自动对焦的大景深800万像素拍摄仪、移动电源辅助背光源板（外框大小400*300mm）可野外背光照明3小时。最大测量面积为A4幅面，有自动标定和自动图像校正特性。可对拍照野外活体叶面积进行一键测量。可同时分析多片叶叶面积、病斑面积、虫损叶面积（含分析2/3以上叶片被严重虫损的虫损叶面积）、分析叶片叶色（具有按英国皇家园林协会RHS比色卡的比色特性）、测量植物的叶绿素相对含量或“绿色程度”，以及分析作物冠层。叶面积等参数可大批量全自动分析，并标记叶片边缘以便核对正确性。可分析小至1mm2的叶片，分析误差＜0.5%、测量中的分析时间＜2秒，自动独立标记的各叶片图可保存，分析结果可输出至Excel表。可交互进行植物相关的各种尺寸、角度测量。选配电脑：笔记本电脑（酷睿i5 CPU/ 8G内存//1G显存/500G硬盘/无线网卡）。

产品详细介绍LA-S植物图像分析仪系统（全能型版）1、用途：用于植物年轮分析、根系分析、叶面积分析、病斑面积分析、虫损叶面积分析、叶片叶色分析、作物冠层分析、瓜果剖切面分析等2、系统组成：成像装置、分析软件和电脑（电脑另配）3、主要技术指标：1）配光学分辨率4800×9600、A4加长的双光源彩色扫描仪。扫描年轮、叶面积、根系的反射稿为A4加长幅面（35.6 cm×21.6 cm），正片为30 cm×20 cm，最小像素尺寸0.0053mm ×0.0026 mm；800万像素拍摄仪、带移动电源的辅助背光源板可野外辅助照明3小时。该野外成像背景板最大测量面积A4幅面，具有自动图像校正与自动测量标定特性，可分析小至1mm2的叶片，分析误差＜0.5%、测量中的分析时间＜2秒。2）植物年轮测量分析：可自动判读年轮数、各年轮平均宽度、早材及晚材宽度、各年轮切向角度和面积。可自动划分出年轮边界、早材边界、晚材边界，以及识别出很窄的树轮，可交互删除伪年轮、插入断年轮，可自动生成分析年表。具有【精细】分析选项，可自动分析出≤0.2mm宽度的年轮，分析获得的测量数据具备进一步做交叉定年、数据分析处理能力。可计算树盘总面积，分析木材的边材面积。3）可一键化拍照测量野外活体叶面积。可全自动地大批量分析计算叶面积，并以叶片目标边缘标记来核对其正确性。可同时分析多张叶片面积，及可分析小至1mm2的叶片，叶面积分析误差＜0.5%、分析测量时间＜2秒。可分析多片叶叶面积、病斑面积、虫损叶面积（含分析2/3以上叶片被严重虫损的虫损叶面积）、测量植物的叶绿素相对含量或“绿色程度”，分析叶片叶色（具有按英国皇家园林协会RHS比色卡的比色特性）、可分析作物冠层。可交互进行植物相关的各种尺寸、角度测量。4）植物根系测量分析：（1）根总长、根平均直径、根总面积、根总体积、根尖计数、分叉计数、交叠计数、根直径等级分布参数、根尖段长分布，（2）可不等间距地自定义分段直径，自动测量各直径段长度、投影面积、表面积、体积 等，及其分布参数；能进行根系的颜色分析，确定出根系存活数量，输出不同颜色根系的直径、长度、投影面积、表面积、体积。（3）能进行根系的拓扑分析，自动确定根的连接数、关系角等，还能单独地自动分析主根或任意一支侧根的长度和分叉数等，可单独显示标记根系的任意直径段相应各参数（分档数、档直径范围任意可改，可不等间距地自定义），并能进行根的分叉裁剪、合并、连接等修正，修正操作能回退，以快速获得100%正确的结果。（4）能用盒维数法自动测根系分形维数。可分析根瘤菌体积在根系中的占比，以客观确定根瘤菌体贡献量。（5）大批量的全自动根系分析，对各分析结果图可编辑修正。还可用A4幅面的灯板来拍照分析根系。（6）能自动测量油菜、大豆等果荚的果柄、果身、果喙部分的粗细、长、弧长、玄高等参数。能自动测量各种粒的芒长。（7）能测各类针叶的叶面积、长度、粗细。（8）能做根系生物量分布的大批量自动化估算。4）瓜果剖面各部位分析：可测西瓜的：纵径、横径、果形指数、总面积、皮厚、空心面积、瓤色分档分析、外周长；可测哈密瓜等甜瓜的：纵径、横径、果形指数、截面积、肉厚、外周长、瓤色分档分析、种腔（纵径、横径、面积）；可测苹果、梨等的：纵径、横径、果形指数、总面积、核心面积、肉色分档分析、外周长；可测柑橘类水果的：纵径、横径、果形指数、总面积、皮厚、肉色分档分析、外周长。5）各分析图像、分布图、结果数据可保存，分析结果输出至Excel表，可输出分析标记图。选配品牌电脑：品牌电脑（酷睿i5 CPU / 8G内存/ 19.5”彩显/无线网卡，5个以上USB2.0口，运行环境Windows 10完整专业版或旗舰版）

产品详细介绍产品简介：　　MesoMR岩心核磁共振成像分析仪是纽迈公司于2010年推出的多功能核磁分析仪，可实现岩心分析与岩心成像功能，还可搭配自主研发的多种硬件模块（如低温高压控制模块，高温高压功能模块），可实现多种温压条件下的模拟研究。在地质研究、能源勘探等领域应用广泛。　　根据客户的实际需求，MesoMR岩心核磁共振成像分析仪器已有多种变体，可以从进样方向、温度控制、压力控制、线圈口径进行多方位组合，以满足客户的订制化需求。技术指标：1、磁体类型：永磁体；2、磁场强度：0.5±0.08T，仪器主频率：21.3MHz；3、探头线圈直径：60mm；应用解决方案：1、常规条件下岩心分析 岩心、岩屑孔隙度与孔径分布测量岩心、岩屑渗透率测量 岩心、岩屑流体饱和度测量束缚流体饱和度、可动流体饱和度、含油饱和度流体流动性/粘度分析 MRI孔隙流体分布测定 任意角度、多层面二维成像孔隙成像观察 钻井液含油含水率分析2、高压驱替、变温、冻融、吸附解吸、渗流研究等，请细情况请联系我们应用案例一：孔隙与裂缝弛豫分析图谱应用案例二：岩心裂缝成像注：仪器外观如有变动，以产品技术资料为准。

产品详细介绍产品简介：　　MiniQMR清醒小鼠体成分分析仪适用于测量活体小鼠及其他小动物体内全组分的台式核磁共振分析仪，可快速、无损准确的测量小鼠脂肪、水分、瘦肉含量。　　MiniQMR清醒小动物体成分分析仪（动物脂肪/代谢测量仪），是基于核磁共振（NMR)原理的分析技术。不同组织中H质子含量以及H质子的弛豫时间均有一定的差异，可通过核磁共振信号强度与弛豫时间差异，用特定的信号处理与算法将脂肪、水分、瘦肉含量快速的区分开来。该方法可在小动物清醒状态下完成测试，测试过程对动物没有伤害，可对同一动物模型进行长期持续研究，排除个体差异影响。该仪器可用于从事糖尿病、肥胖症、代谢研究和营养学的科研机构、相应的大学和制药公司。技术指标：1、磁体类型：永磁体；2、磁场强度：0.5±0.08T，仪器主频率：21.3MHz；3、探头线圈直径：40mm；应用领域：1、肥胖研究2、糖尿病3、营养学研究4、药理学5、骨质疏松症6、心脏病学等研究仪器优势与功能：1、脂肪含量测定2、瘦肉含量测定3、自由水含量测定4、几分钟内检测全身的肌肉、脂肪和水分含量5、适合不同体位的测试，放样对测试无影响6、永磁体，无维护费用，使用成本低7、适用于裸鼠、小鼠8、测试过程无损伤，对动物无风险9、动物可在清醒状态下测试，无需麻醉，测试过程简单应用案例一：快速测定老鼠脂肪，瘦肉含量测试应用软件注：仪器外观如有变动，以产品技术资料为准。

XM-MZ02便携式中医面诊检测分析系统（中医面像仪）   XM-MZ02便携式中医面诊检测分析系统通过对病人面部图像进行分割、人机病症问诊作答，结合医生专业诊断，给出专业诊断结果并打印成报告，该系统能达到辅助中医临床诊断的作用，从数据库中读取面诊以及问诊信息数据，建立和编辑病例，建立中医诊断报告。   功能特点： ■ 软件界面简洁、操作简单。 ■ 随时可以添加、删除病人信息并自动保存。 ■ 采集分析流程：新建病人、问诊采集、面象采集、分析 结论、保存病例。 ■ 问诊采集主要是病人对照数据库中的各种症状进行挑选，通过回答 88 道试题( 病人起病和转变的情形，寒热、汗、头身感、大小便、饮食、胸腹、耳、口等各种状况)，最后进行提交并由系统自动判断。 ■ 面象采集主要是在特定的光源环境下，采用高清晰摄像头 获得患者面部的图像信息，将这些特征值与特征数据库中的阈值进行比对，给出面色分析结果。可分析12种面色：青色、赤色、黄色、白色、黑色、正常、淡白、淡红、红、 深红、暗红、紫黑。 ■ 分析结论主要是给出问诊和面诊的结论。问诊部分的结论有定位结论和定性结论，面诊部分的结论为面诊概述。 ■ 测试结果用表格显示，简洁易懂，并可以生成PDF文件保存以便查询，也可以打印体质报告。 ■ 软件建议丰富，包括体质特征、运动养生、饮食养生、起居调理。 ■ 软件一机一码，使用安全。

产品详细介绍品牌：久滨型号：JB-DSC-500B名称：差示扫描量热仪一、产品概述：　　DSC测量的是与材料内部热转变相关的温度、热流的关系，应用范围非常广，特别是材料的研发、性能检测与质量控制。材料的特性：如玻璃化转变温度。冷结晶、相转变、熔融、结晶、热稳定性、固化/交联、氧化诱导期等，都是DSC的研发领域。二、仪器符合国家标准：GB/T 19466.2 – 2004 / ISO 11357-2: 1999第2部分：玻璃化转变温度的测定；GB/T 19466.3 – 2004 / ISO 11357-3: 1999第3部分：熔融和结晶温度及热焓的测定；GB /T 19466.6- 2009/ISO 11357-3 :1999 第6部分氧化诱导期 氧化诱导时间（等温OIT)和氧化诱导温度（动要态OIT）的测定。三、技术参数：1、DSC量程：0～±500mW2、温度范围：室温～500℃   3、升温速率：0.1～80℃/min4、温度分辨率：0.01℃5、温度精度：±0.1℃6、温度重复性：±0.1℃7、DSC精度：±2%8、DSC分辨率：0.001mW9、DSC解析度：0.001mW10、控温方式：升温、恒温、降温、循环控温（全程序自动控制）11、曲线扫描：升温扫描12、气氛控制：气体质量流量计自动切换两路气体13、显示方式：24bit色，7寸LED触摸屏显示14、数据接口：USB标准接口，配套相应操作软件15、参数标准：配有标准校准物，带一键校准功能，用户可自行对温度进行校准16、工作电源：AC220V  50Hz/60Hz17、全封闭支架结构设计，防止物品掉入到炉体中、污染炉体，减少维修率

南京第四分析仪器有限公司前身南京第四分析仪器厂，创建于1976年，是国内金属高速分析仪器的首创厂家，中国非接触式引弧电弧炉的创始者，电弧燃烧法检测碳硫的标准起草单位，是集化学、光学、电子、机械多学科为一体、铁道部扶持、冶金部钢铁研究总院和江苏省机械工业厅专业生产高速分析仪器的技术密集型推广企业，也是代表高速分析学科领域的江苏省分析测试协会的会员单位，山东省铸造协会、浙江省铸造协会、精铸协会会员及华东地区铸造协会会员单位，中国质量诚信企业会员单位、江苏质量诚信AAA级品牌企业，ISO9001:2000国际质量管理体系认证企业，东南大学数字化分析仪器研发中心、东南大学教学科研实验基地。 “四分”公司系自行设计制造高速分析仪器的专业化公司。历年来，公司凭借悠久的生产历史，雄厚的技术力量，精良的加工设备，先进的生产工艺，高精度的检测手段，以一贯奉行“诚信待客、以人为本、科技兴企、勇于创新”的企业经营理念，外抓市场，内挖潜力，严格按照《公司法》，依照 ISO9000质量体系标准运行，不断开发生产性能卓越、质量上乘、具有国内先进水平的高速分析仪器。其产品广泛应用于冶金、铸造、采矿、建筑、机械、电子、环保、卫生、化工、电力、技术监督等部门，可检测钢、铁及铁合金、铝合金等多种材料中各种化学成份的含量，如碳、硫、锰、磷、硅、铬、铜、镍、钼、钛、钒、稀土总量、镁、钨、钴、硼、铁等元素的测定，与传统法比较，其速度和精度已有了极大提高，常规的炉前控制元素检测速度达到了“读秒”水准。

一种无监督的跨受试者适应方法，用以预测未被标记信号的目标受试者的运动意图，将受试者和研究人员从标记大量数据中解放出来。 准确预测人体运动意图有助于控制可穿戴机器人在不同地形上的运动，从而辅助人类平稳行走。传统的预测人类运动意图的方法需要收集和标记人体信号，并训练每个新受试者使用特定的分类器，这给受试者和研究人员都带来了繁重负担。

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