PCH--NFC皮肤贴片产品,使用场景广泛

PCH,一家定制产品解决方案设计商正制造及销售一款使用NFC RFID及光敏染料制成的薄粘贴片,以帮助用户跟踪阳光中的紫外线(UV)辐射。欧莱雅也计划推销该纹身类设备My UVPatch,该产品是由马萨诸塞州初创企业MC10开发的。欧莱雅企业通讯总监Emily Stephens称,该皮肤贴片正处于Beta版测试阶段,公司将在今年稍晚时候启动更多试用活动,发放给皮肤科办公室,和妇女皮肤病学会及一些特定的零售商。

PCH(总部位于爱尔兰科克,运营总部位于中国深圳)也正使用MC10可穿戴互动贴片平台(WiSP),不仅仅针对美容保健市场。由于该柔性贴片内置NFC芯片,因此它可以用于多种场合,公司正和多家客户洽谈,将该产品用于支付或者音乐会、主题公园等类似场合的身份认证。PCH及MC10称,超薄的外形,可以附着到用户皮肤是WiSP的特色。该系统可以用于多种场景,例如入口处身份验证或无卡、无手机支付。

PCH设计工程部门联合创始人Andre Yousefi称:“PCH将设计、制造WiSP产品以满足市场对智能贴片平台的需求。目前,已经有几家主要的第三方品牌对使用该技术平台创造精彩客户体验感兴趣。”

MC10是由伊利诺伊大学香槟分校教授John Rogers于2008年创建的,主要开发底层NFC及传感技术,最开始是为了商业化学校实验室的可穿戴式生物传感器而创建的。这些贴片内置电子器件。

MC10业务发展 VP Ben Schlatka称:“过去的电子技术都是刚性和笨重的,但现在已能够弯曲,扭曲和拉伸,可以附着到人体上。我们发现,医疗行业是最适合的应用场景。”

MC10还提供了BioStamps穿戴式传感器贴片,但该产品并不内置NFC技术。

My UV Patch可以直接附着在皮肤上,监控紫外线强度。该附着式贴片面积约为1平方英寸,厚度为50微米(头发丝的一半)。该穿戴贴片外形为心形,内置填充蓝白格子的图案(内含光敏染料)。公司解释,它可以充当人体的“第二层皮肤”,最多可以穿戴5天。当贴片暴露在紫外线中,正方形块状颜色将随着紫外线强度不同而改变,而非正方形格子颜色将保持不变,以提供比较基准。

消费者还可以下载My UV Patch应用程序,然后使用手机读取贴片内置的NFC RFID内嵌。用户还可以使用手机进行拍照然后上传到欧莱雅服务器上。服务器上的软件将分析颜色变化,然后判断紫外线强度。接着,该软件将给出合适防晒系数(SPF)的保护措施。欧莱雅将使用该产品帮助用户防晒。

Yousefi称:“PCH在制造这样一个头发丝厚度,内置NFC芯片及天线的贴片时遇到了一些困难。” MC10开发了WiSP技术,PCH则负责其商业化生产。为此,PCH建立了NFC天线,薄膜层压,高精密丝印,高公差分层堆叠和模切的生产流程。

该贴片产品可以无缝适用于用户的日常生活中,用户几乎感觉不到其存在。此外,该产品很难令人察觉,它也可以定制成一个其他Logo或图像。

目前,该平台正探索一些特殊的用户场景。包括娱乐(如体育赛事和音乐会)及酒店,游轮或主题公园中。该补丁为一次性使用,并可进行规模生产。

尽管Yousefi拒绝透露该贴片的价格,但该产品为为一次性使用,因此成本比传统的可穿戴产品便宜。

PCH正和多家品牌进行洽谈开发基于用户场景进行定制。Yousefi称:“我们渴望和第三方合作,探索该产品的应用场景。”
本文转自d1net(转载)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值