产品详细介绍1、用途：用于植物根系分析、叶面积分析、病斑面积分析、虫损叶面积分析、叶片叶色分析、作物冠层分析等2、系统组成：成像装置、分析软件和电脑（电脑另配）。3、技术指标：配光学分辨率9600×4800dpi、A4加长的双光源彩色扫描仪。扫描叶面积、根系的反射稿为A4加长幅面（35.6 cm×21.6 cm），透扫幅面为30 cm×20 cm，最小像素尺寸0.0053mm ×0.0026 mm。配自动对焦的800万像素彩色成像高拍仪；带移动电源的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标定特性。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，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。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）、可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)、作物冠层分析。可交互进行植物相关的各种尺寸、角度测量。可分析测量：1)根总长；2)根平均直径；3)根总面积；4)根总体积；5)根尖计数；6)分叉计数；7)交叠计数；8)根直径等级分布参数；9)根尖段长分布，10）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；11）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。12）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。13）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。14）大批量的全自动根系分析，对各分析结果图可编辑修正。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。还可用A4幅面的灯板来拍照分析根系。15）能做根系生物量分布的大批量自动化估算。16）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。17）能自动测量各种粒的芒长。18）能测各类针叶的叶面积、长度、粗细。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MV-BDP300是基于"工业4.0智能工厂"理念而设计的一套综合性平台，是进入"工业4.0"时代的必备工具。平台除了具备完整的机器视觉及工业自动化功能外，特别应用了"物料智能传递、模式识别、质量检测、数据通讯、柔性系统搭建"方面的技术。而作为一套"开发"平台，用户可以采用多台设备实现"多机互联"，也可以和机械臂联动设计智能制造系统，MV-BDP300为此预设计了大量的标准通讯接口和定位传感器。功能特性● 工程实验室建设——特别适用需要经常性测试各种不同工业项目的用户，可以形象立体的向您的客户展示机器视觉检测方案。    配套工业级图像采集系统    预设多检测工位    通用型载具托盘设计    支持二次开发的视觉检测软件    开放式的运动控制系统设计● 教学科研及成果展示——MV-BDP300适用于所有需要视觉自动化技术的教学科研应用，基于"工业4.0智能工厂"理念设计的系统平台，可以更好的展示您的技术成果。    PLC、HMI、MCGS嵌入式组态软件组合控制应用    PC与PLC串行通信    PLC与HMI的RS422通讯    双轨道环形流水线控制● 工业现场设备——MV-BDP300不仅是一套开发平台，更是一套完整的工业检测设备。系统平台设计了上料定位传感器、视觉检测工位、下料定位传感器、检测结果通讯接口等功能模块，可以把设备直接放到生产现场代替人的工作。    字符识别和判断——生产日期、字符logo、汉字等标准字符（图形）的识别检测，支持用户自定义字符库训练    尺寸测量和判断——明—暗、暗—明边界自动识别判断，获取对应边缘的尺寸信息    颜色识别和判断——获取指定区域的色度信息，根据检测精度，区分出颜色有问题的产品    缺陷检测和判断——设置模板，分析需要检测的兴趣点，判断检测区域是否有缺陷    匹配定位——获取检测对象上面的典型特征点的坐标及偏角，智能匹配检测区域，解决每次检测时产品位置摆放不一致的问题

产品详细介绍“海仕杰”Y450A详细参数：1、同时具备“一卡通+一键通”设备与电子锁联动控制管理功能，实现刷卡开锁开设备，再刷卡关锁关设备，电子锁在上课时始终处于通电状态；相关技术具有自主知识产权，如专利证书、软件权证书等，保证设备使用的合法性。2、标准1.5U高度机箱，适合任何标准机柜。3、内置4x3路VGA信号矩阵切换器，带400MHz长线驱动器。4、内置4x2路视频矩阵切换器，并带预览功能，视频频宽高达100MHZ。5、内置4x2路音频矩阵切换器。6、内置2路话筒输入带卡拉OK混响功能。7、内置3路可编程控制强电控制器，可编程控制任意控制电动屏幕、投影机延时电源、设备电源的开关时序；内置2路可编程控制弱电控制器，可任意编程控制12V、5V弱电电源输出。8、内置投影机灯泡检测延时电路，实现电动屏幕连动和完全保护投影机。9、3路独立可编程RS-232接口，可RS-232控制投影机及第三方通讯设备。10、3路独立可编程红外发射接口。11、内置智能电子锁控制器，保证电子锁长期通电不烧锁。(选配)12、内置3路数字I/O接口，可连接射频IC卡读卡器、电脑开关信号输出、无源开关量输出。13、控制面板采用高强度工程塑料一次注塑成型，有效防止静电、漏电；14、电源盒采用高强度工程塑料一次注塑成型，有效防止静电、漏电，宽电压设计，100V-260V 交流电均能正常工作。15、面板、主机、电源分离式结构，符合GB 4943-2001《信息技术设备的安全》安全标准，已经取得国家级质量技术监督局检验合格报告。16、环保无铅贴片工艺生产，低功耗设计，待机功率小于1W，能7*24小时工作。17、电源通过CQC认证。18、面板开孔尺寸：148mm*90mm。

分布式小型光伏电站系统施工建设仿真实训让学员以现场施工工程师的身份根据提供的项目说明书、施工图纸和材料到现场进行小型电站的模拟施工，提高学员的实践能力和动手能力。 1.1. 场景设计 虚拟场景主要由厂户楼顶施工场景组成； 场景模型主要包括：厂户建筑模型、支架基础桩、支架前后立柱、横梁、侧梁、接地扁钢、晶硅光伏组件、边压块、中间压块、接线盒、连接线、直流汇流箱、进线、出线、熔断器盒、断路器、避雷器、逆变器、PVC保护线管、五金螺丝螺母、安全帽、施工工具等 1.2. 互动设计 在施工场景看懂图纸，检查施工物料 根据提示到指定位置使用工具把支架、光伏组件、汇流箱、逆变器一一安装起来 进行组件阵列间串联和并联接线 进行防雷焊接 施工完成后进行投切并网操作 场景植入VR太阳模块，精准计算该项目所在位置的太阳位置，太阳高度角和方位角，在虚拟场景中全时仿真太阳产生的阴影。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破