登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《挪威TOMRA公司开发了一套基于深度学习的分类系统，可以快速高精度地分析和分类不同类型的铝》

  • 来源专题：先进材料
  • 编译者： 李丹
  • 发布时间：2025-04-07

  • 转自全球技术地图

    据METAL TECH NEWS 4月2日消息，挪威TOMRA公司开发了一套基于深度学习的分类系统，可以快速高精度地分析和分类不同类型的铝。TOMRA将分类专业知识应用于回收利用，开发出了一种利用人工智能区分高质量锻铝和低价值铸造合金的智能系统GAINnext。GAINnext由人工神经网络和深度学习算法驱动，能够以惊人的速度和精度分析材料。其使用RGB摄像头，可以每毫秒处理数十万张图像，使其能够根据形状、大小和尺寸对材料进行分类，相当于人类的视觉识别，但速度要快得多，每分钟最多可去除2000个不需要的碎片。

  • 原文来源：https://www.metaltechnews.com/story/2025/04/02/mining-tech/aluminum-recycling-gets-smarter-with-ai/2211.html
24浏览量
原文链接
相关报告

  • 《中国科学家开发了世界上第一套用于raman激活细胞排序和测序的仪器系统》
    • 来源专题：可再生能源
    • 编译者：pengh
    • 发布时间：2018-10-31
    • 世界上第一个用于raman激活细胞排序和测序的仪器系统(RACS-SEQ)最近在中国东部城市青岛开发出来，允许以无标签的方式对单个细胞进行功能识别、排序和测序。 该系统由中国科学院青岛生物能源与生物工艺技术研究所(QIBEBT)的科学家开发，于10月20日在中国第20届分子光谱大会和2018年光谱年会上发布。 对于地球上的大多数生命形式来说，单个细胞是功能和进化的基本单位。了解为什么细胞之间存在差异，并根据目标功能快速识别细胞和基因，在单细胞水平上进行功能分析和测序是非常重要的。 荧光激活细胞分选(FACS)是单细胞分选最常用的策略和工具。然而，在流式细胞术之前，细胞必须被荧光标记(在特定的DNA、蛋白质或代谢物生物标志物上)。因此，没有已知的生物标记物的细胞、不能荧光标记的细胞和尚未培养的细胞都是FACS无法企及的。 “RACS-SEQ以不同的方式运行，”QIBEBT公司单细胞中心主任徐健说。“它不需要标记细胞，这克服了FACS的缺点，并且通常适用于自然界中各种类型的细胞。” 该系统基于Ramanome概念和关键技术的发明，包括raman激活重力驱动细胞封装(RAGE)和raman激活微滴细胞分类(RADS)。它由四个功能模块组成，包括单细胞拉曼成像，表型和功能的拉曼门数据解释，分类单细胞的RACS-SEQ库构建。 RACS-SEQ系统配备了一个智能信息系统，由Ramanome实验室信息系统(RamLIS)、Ramanome Explorer (RamEX)和Ramanome数据库(RamDB)组成。用户可以通过RamLIS快速、准确地获取样本的Ramanome数据，通过RamEX在线对这些数据进行处理和挖掘，并将所有信息通过RamDB存储和挖掘。按照RAGE和RADS排序的单细胞可以通过微滴中的单细胞核酸提取和放大进行单细胞测序。 该系统通过诸如RAGE和RADS等新技术，不仅保留了细胞排序后的活性，而且大大提高了单细胞基因组组装的质量。单细胞中心微流体系统组组长马波表示，使用RACS-SEQ系统，单个细菌细胞的基因组覆盖率可以达到95%。 发布的RACS-SEQ系统还包括一些试剂盒，如单细胞临床抗菌素耐药性测试试剂盒、racs后单细胞基因组扩增试剂盒和RAGE微芯片试剂盒。 中国科学院深圳高级技术研究院合成生物学工程研究中心主任刘晨丽表示:“该系统将在微生物群落和合成生物学研究中得到广泛应用，并将为生物医学、生物安全、工业生物技术以及海洋生物技术产业提供支持。” ——文章发布于2018-10-29
    79浏览量
    原文链接

  • 《Nature | 手术中超快速深度学习中枢神经系统肿瘤分类》
    • 来源专题：战略生物资源
    • 编译者：李康音
    • 发布时间：2023-10-13
    • 2023年10月11日，乌得勒支大学等机构的研究人员在Nature上发表题为Structures illustrate step-by-step mitochondrial transcription initiation的研究人员。 中枢神经系统肿瘤是最致命的癌症类型之一，特别是在儿童中。主要治疗包括神经外科切除肿瘤，其中必须在最大程度切除和最小化神经损伤和合并症风险之间取得微妙的平衡。然而，外科医生在手术前对确切肿瘤类型的了解有限。目前的标准做法依赖于术前影像学和术中组织学分析，但这些并不总是结论性的，偶尔也会出错。使用快速纳米孔测序，可以在手术期间获得稀疏的甲基化谱。 该研究开发了Sturgeon，一种与患者无关的转移学习神经网络，使中枢神经系统肿瘤的分子亚分类能够基于这种稀疏的概况。在50个回顾性测序样本中的45个样本开始测序后40分钟内，Sturgeon给出了准确的诊断(放弃对其他5个样本的诊断)。此外，该研究在25例手术中实时证明了其适用性，实现了小于90分钟的诊断周转时间。其中，18例(72%)诊断是正确的，7例未达到所需的置信阈值。该研究结论是基于低成本术中测序的机器学习诊断可以帮助神经外科决策，潜在地预防神经合并症并避免额外的手术。 本文内容转载自“ CNS推送BioMed”微信公众号。 原文链接: https://mp.weixin.qq.com/s/EwmhAvFtkCbSOPF0uh_9wg
    266浏览量
    原文链接