世界体育博彩公司评级,全讯网开奖回顾,大众娱乐城开户地址(中国)·官方网站

威布三維reeyee x5工業(yè)級(jí)三維3d掃描儀

產(chǎn)品詳細(xì)介紹 1. 主要參數(shù)： ★掃描方式：激光手持照相式 ★掃描技術(shù)：激光線網(wǎng)格掃描技術(shù) 幀掃描區(qū)域：250mm×250mm 景深：250mm（自動(dòng)）工作距離：300mm ★掃描速率： 300000次/秒掃描分辨率：0.100（毫米） ★測(cè)量精度：0.03 mm ★體積精度：0.020 + 0.100（毫米/米）體積精度（結(jié)合DigiMetric）：0.020 + 0.025（毫米/米）測(cè)量范圍（物件尺寸）：0.1 ～6米，可擴(kuò)展傳輸方式： USB3.0 工作溫度：-10 - 40℃ 工作濕度：10 - 90 % 三維光學(xué)掃描系統(tǒng)配置與功能數(shù)據(jù)采集傳感器：高速、高精密工業(yè)級(jí)相機(jī)2臺(tái) ★內(nèi)置微慣性傳感器，實(shí)時(shí)輸出設(shè)備位姿； ★測(cè)量光源：10束交叉激光線，激光級(jí)別ClassII(人眼安全)，波長(zhǎng)大于600納米計(jì)算機(jī)系統(tǒng)：支持windows 7，32位和64位操作系統(tǒng)，支持內(nèi)存16G以上拼接方式：系統(tǒng)整合“專業(yè)模式”全自動(dòng)標(biāo)志點(diǎn)拼接模塊全局誤差控制方式：GREC Pro全局誤差控制 ★掃描方式：FLESA可變點(diǎn)距掃描 ★使用方便：整個(gè)過程全部手持完成，無需三腳架等支撐裝置所測(cè)量的物體表面可不做任何形式（如噴白）的預(yù)先處理防抖設(shè)計(jì)：采用先進(jìn)的防抖動(dòng)算法，防止掃描過程中人為的抖動(dòng)對(duì)誤差的影響自動(dòng)探測(cè)被掃描物體顏色材質(zhì)，從而自動(dòng)調(diào)節(jié)激光亮度及CCD曝光可一鍵自動(dòng)過濾掃描背景數(shù)據(jù)，自動(dòng)刪除雜點(diǎn)及過濾不良點(diǎn)云數(shù)據(jù) 軟件界面實(shí)時(shí)捕捉靜態(tài)圖像，一鍵截圖功能 ★碳纖維材質(zhì)標(biāo)定板，輕量化，抗壓耐高溫，不易變形，非石英玻璃材質(zhì)。雙面標(biāo)定，白平衡標(biāo)定功能，有效減少掃描噪聲三維光學(xué)掃描系統(tǒng)軟件功能 ★全中文軟件界面 ★自適應(yīng)形面掃描模塊自動(dòng)調(diào)節(jié)系統(tǒng)參數(shù)，自適應(yīng)各種材質(zhì)/顏色表面的不同掃描對(duì)象，無需手動(dòng)調(diào)節(jié)； FLESA可變點(diǎn)距掃描，在同一次掃描中，可對(duì)點(diǎn)距進(jìn)行靈活設(shè)置和改變，同時(shí)滿足高速掃描以及精細(xì)掃描的需求 ★自動(dòng)拼接模塊智能標(biāo)志點(diǎn)識(shí)別技術(shù)：系統(tǒng)自動(dòng)跟蹤識(shí)別標(biāo)志點(diǎn)；慣性—光學(xué)混合式傳感器定位技術(shù)，實(shí)時(shí)將數(shù)據(jù)自動(dòng)配準(zhǔn)到同一坐標(biāo)系； GREC Pro全局誤差控制模塊，可對(duì)拼接后的誤差進(jìn)行全局控制； ★全局框架掃描模塊全局框架掃描技術(shù)，對(duì)框架點(diǎn)累積誤差進(jìn)行全局控制；兼容DigiMetric系統(tǒng)，搭載全局?jǐn)z影測(cè)量技術(shù)可將掃描范圍擴(kuò)展至幾十米； ★后處理模塊掃描數(shù)據(jù)后，可進(jìn)行點(diǎn)云噪聲處理及修剪內(nèi)置友好的網(wǎng)格處理控制參數(shù)人機(jī)交互界面，可對(duì)去除釘狀物、精簡(jiǎn)、平滑、特征銳化等網(wǎng)格處理參數(shù)進(jìn)行設(shè)置自動(dòng)生成STL三角面自動(dòng)對(duì)三角網(wǎng)格數(shù)據(jù)進(jìn)行補(bǔ)洞、去除釘狀物、精簡(jiǎn)、平滑、特征銳化等處理數(shù)據(jù)輸入輸出導(dǎo)出結(jié)果為ASC，STL，OBJ，OKO等格式數(shù)據(jù)輸出接口廣泛,測(cè)量結(jié)果可與CATIA、Geomagic Studio、Imageware等逆向工程軟件自由交換數(shù)據(jù) 配備三維數(shù)據(jù)管理系統(tǒng) 1套采用三維引擎實(shí)現(xiàn)對(duì)三維模型、圖片和文字的顯示； ★采用Access數(shù)據(jù)庫(kù)，可實(shí)現(xiàn)對(duì)對(duì)象的樹狀管理和從圖片上選擇區(qū)域進(jìn)行切換等功能，從而實(shí)現(xiàn)對(duì)三維數(shù)據(jù)、圖片和文字的有效管理； ★能對(duì)三維數(shù)據(jù)進(jìn)行多層次樹狀結(jié)構(gòu)管理，實(shí)現(xiàn)從大場(chǎng)景到局部細(xì)節(jié)的有效管理； ★支持對(duì)三維模型、圖片和文字的綜合管理，并能相互切換；支持從圖片上選擇區(qū)域切換，用戶可以隨心所欲的瀏覽對(duì)象的每一個(gè)細(xì)節(jié)； ★截取高清晰的光照?qǐng)D信息； ★實(shí)現(xiàn)對(duì)三維模型的分析如距離等進(jìn)行量測(cè)，得到最準(zhǔn)確的測(cè)繪資料；數(shù)據(jù)庫(kù)基于Windows XP操作系統(tǒng)；三維模型的支持格式為： STL，OBJ，VRML，IGES，OKO；圖片支持的格式為：JPG，BMP；文字支持的格式為：html； ★素材支持：配備一個(gè)3d素材庫(kù)，素材庫(kù)數(shù)量須大于2萬個(gè)，素材涵蓋人物、卡通、教育、建筑、時(shí)尚、玩具、動(dòng)物、植物、家居、工具、動(dòng)漫游戲等類別，素材擁有25個(gè)以上特色專題，每個(gè)專題包含至少5個(gè)以上同類別優(yōu)質(zhì)素材。素材庫(kù)包含網(wǎng)站及APP，APP同步支持安卓及IOS下載，素材庫(kù)系統(tǒng)須取得電腦終端與iphone移動(dòng)終端及Android移動(dòng)終端《計(jì)算機(jī)軟件著作權(quán)登記證書》。 2. 提供生產(chǎn)廠商對(duì)本項(xiàng)目的原廠項(xiàng)目授權(quán)委托書及售后服務(wù)承諾書原件。（須加蓋生產(chǎn)廠商單位公章） 3. 投標(biāo)單位配備的3D模型庫(kù)需提供《軟件著作權(quán)登記證書》。（復(fù)印件并加蓋軟件供應(yīng)商單位公章） 4. 投標(biāo)人所投3D掃描儀具有中美青年創(chuàng)客大賽指定3D掃描品牌證書第1條所列產(chǎn)品參數(shù)為招標(biāo)基礎(chǔ)要求，加★部分為必須滿足項(xiàng)，投標(biāo)產(chǎn)品的參數(shù)值應(yīng)符合或高于本條要求。投標(biāo)單位須提供投標(biāo)產(chǎn)品的印刷彩頁，并加蓋生產(chǎn)廠商單位公章，否則視為不能響應(yīng)招標(biāo)參數(shù)。第2條項(xiàng)目授權(quán)委托書及售后服務(wù)承諾書須提供原件并加蓋生產(chǎn)廠商單位公章，否則視為不能響應(yīng)招標(biāo)文件參數(shù)。第3條《軟件著作權(quán)登記證書》須提供復(fù)印件并加蓋軟件供應(yīng)商單位公章，否則視為不能響應(yīng)招標(biāo)文件參數(shù)。第4條要求為招標(biāo)附加要求，投標(biāo)產(chǎn)品如符合要求，可加5分，如不符合，須減5分。

南京威布信息科技中心（有限合伙） 2021-08-23

一種通過scout ESI和CNN解碼EEG運(yùn)動(dòng)想象四分類任務(wù)的新方法

導(dǎo)讀東北電力大學(xué)和長(zhǎng)春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動(dòng)皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對(duì)MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫(kù)上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對(duì)左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對(duì)象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國(guó)際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國(guó)際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動(dòng)想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對(duì)EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動(dòng)轉(zhuǎn)化為源空間的活動(dòng)。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動(dòng)皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動(dòng)相關(guān)的活動(dòng)。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L(zhǎng)1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對(duì)時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動(dòng)想象任務(wù)。每個(gè)受試者針對(duì)以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會(huì)想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動(dòng)想象的scout分別命名為L(zhǎng)1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號(hào)，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動(dòng)皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對(duì)于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測(cè)試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動(dòng)皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動(dòng)想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對(duì)于Physionet數(shù)據(jù)庫(kù)，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對(duì)于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號(hào)頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對(duì)特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測(cè)試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測(cè)試集。在選定的scout上對(duì)所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測(cè)試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對(duì)應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級(jí)統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測(cè)試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對(duì)scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對(duì)四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較?？梢园l(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號(hào)T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長(zhǎng)春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

東北電力大學(xué) 2021-04-10

网上赌场真人发牌-澳门网上赌场空城