医院wifi解决方案靠谱吗

随着临床信息化,医院正逐步地实现无纸化、无胶片化和无线化,随着无线局域网技术的不断成熟和普及,无线局域网在全球范围内医疗行业中的应用已经成为了一种 趋势。作为医院有线局域网的补充,无线局域网有效地克服了有线网络的弊端,利用平板无线电脑和移动手推车随时随地进行生命体征数据采集、医护数据的查询与 录入、医生查房、床边护理、呼叫通信、病人标识码识别等等,充分发挥医疗信息系统的效能,突出数字化医院的技术优势。同时,完善的无线覆盖,也能提高患者 对医院服务的满意度。

医院无线覆盖的需求分析如下:
1、需满足各区域无线全覆盖,如挂号处,门诊部和住院部等区域;
2、人流动性大,需满足无线终端移动过程中自动切换接入点,业务不断线,即无线漫游;
3、终端分布不均,需满足自动负载均衡,保证无线网络使用效果;
4、无线网络主要供医生内部办公使用和患者上网,AP需支持设置多个SSID,且不同SSID有不同的网络权限;
5、对无线安全性要求高,尤其是办公网络,须进行身份认证,限制非法终端接入,如采用MAC地址认证;
6、AP外形应美观大方,需支持PoE供电,满足消防及布线需求;
7、AP支持统一管理、配置,并实时监控各AP工作状态,运维简便;

网络拓扑

安装部署
医院挂号处一般环境相对空旷,阻隔物较少,吸顶式AP在空旷环境中覆盖直径20-30米,可根据规模酌情确定使用数量,布点点位均匀分布,如下图所示:
挂号处AP布置
门诊部和住院部结构较为类似,可将吸顶式AP安装于走廊,覆盖范围约为半径10-12米,可根据实际环境酌情确定使用数量。如下图所示:

门诊、住院楼AP布置
方案特点
方案使用TP-LINK商用无线产品实现覆盖,采用无线控制器AC和FIT AP的方式进行部署。有如下特点:
高可用性:AP采用专业天线,发射功率线性可调,可根据实际环境,合理调整AP发射功率,满足不同区域的覆盖需求。
灵活漫游:FIT AP无线部署架构,可设置不同AP发射相同的SSID,无线终端在同一VLAN下的不同AP之间移动时,可以在不同AP之间快速切换,实现跨AP二层快速漫游。
高可靠性:采用FIT AP方案,支持负载均衡,AC能够动态调整用户在不同AP间的均匀分布,防止个别AP过载。
高扩展性:支持MAC认证、Portal认证等多种用户接入认证方式,可结合外置portal服务器和认证服务器实现短信认证,微信认证等多种认证方式。
便于部署:AP采用86型面板设计,美观大方,支持802.3af标准PoE网线供电,可直接替换原有网络面板,无需重新布线,不破坏房间原有装修,施工简单。
易管理性:FTT AP统一由无线控制器AC管理,自动发现并统一管理AP,可实时查看AP运行状态,方便网络管理和维护。

组建稳定、符合实际需求的无线网络,要求选择合适的组网设备。无线网络完整的解决方案包括路由器、交换机、PoE设备、AP、AC控制器等设备,由于规模、需求的不同,不同医院网络方案中需要的设备也可能不同,TP-LINK提供了多样化的网络设备以满足差异化需求。

  • 0
    点赞
  • 1
    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