otn系统中常用的电层_安防报警系统中常用附件的参数

1、红外线探测报警器:

1、发射频率:315MHZ正负0.075MHZ

2、发射电流:35毫安/工作电压9V或者50毫安/工作电压12V

3、发射功率:200毫瓦

4、无线报警距离:300米(空旷地)

5、探测距离:8~18米(探测器正前方,室温25度)

6、探测角度:水平120°,垂直60°

a7f9af4f0c0bf913801feefc62c51d42.png

2、浸水探测报警器

技术参数:

供电电压 DC 9V (1节6F22电池)

工作温度 0℃~50℃

工作湿度 20%RH~100%RH

误 报 率 0

静态功耗 0

发射电流 5秒 28mA

输出形式 无线信号

工作频率 默认315M

无线报警距离 50米(空旷地)

702e0f246f35acee93bffc9b78a1f117.png

3、烟火报警器:

工作温度:-10℃ - 50℃

电源:DC12V

工作湿度:10-90%

使用电流:待机10μA

报警30mA

安装方式:吸顶安装

信号输出:常开/常闭可选

报警浓度:0.65-15.5%FT

外壳:阻燃树脂

报警音量:10英尺处85dB

尺寸:107×44mm 重量:130g

无线报警距离 50米(空旷地)

35bc0d04eed7763496c5d4cbbea2175a.png

4、燃气报警器

1、感应气体:煤气、天然气、液化石油气

2、工作电源:220VAC

3、报警浓度:煤气0.1 ~ 0.5%,天然气0.1 ~ 0.3%,液化石油气0.1 ~ 0.5%

4、报警输出:无线发射输出,LED每1秒闪一次

5、使用环境条件:室内,环境温度-10 ~ 50℃,相对湿度≤95%

6、重量:100g

7、外形尺寸:长×宽×高(115mm×70mm×40mm)

8、无线报警距离 50米(空旷地)

9ab80a18b578ac7814f5981c2e64094e.png

5、门磁探测器

工作电压:DC12V

动作距离:15MM

发射频率:315MHZ

发射距离:50米

外型 尺寸:7.5*4*1.5CM

94737bc87a326677b425cb04cdee7212.png

6:、温度报警器

电源:9V电池

工作电流:静态电流小于10uA,工作电流在20~50mA之间

警报温度:标准45℃-70℃(可按客户要求改动报警温度)

运作湿度:10%一90%

蜂鸣器声能级:10英寸处为85分贝

发射距离:50米

发射频率:315HZ

6feddb8395adcb9a19482bca06e82b82.png
  • 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 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