广东东莞市石龙镇UV能量计校准第三方仪器测量机构
仪器检测服务有限公司2012年由广东世通出资2000余万元在江苏昆山成立，地址位于江苏昆山市昆嘉路379号。
拥有产权实验大楼，实验室面积达3000多平方米。2013年经*实验室认可委员（CNAS）认可，认可号L6634，国际实验室互认组织（ILAC-MRA）互认授权！ 2014年由苏州质量技术局备案。实验室校准源齐全，人才队伍精良。中心设有：力学、长度、衡器、电学、电磁、热工、几何量、轻工等*校准检测实验室。
传统光学计量离不开图像处理技术，对条纹/散斑的图像处理可以理解为由捕获的原始强度图像反演出所需的待测物理量的过程。通常情况下，该过程并非“一步到位”，而是由三个具有逻辑层次的图像处理步骤所构成——预处理、分析和后处理。每个步骤都包含一系列图像处理算法，这些算法层层叠加，形成一个“流水线”结构[图2]，其中每个算法对应于一个“映射”运算，其将图像/类似图像的矩阵输入转化为相应维度（或重采样的）的输出。
（1）预处理：图像预处理通过抑制或*小化不必要的干扰信号（如噪声、混叠、畸变等）来提高图像质量，光学计量中代表性的图像预处理算法包括图像去噪9、图像增强10、颜色通道分离11、图像配准与校正12等。
（2）分析：图像分析是图像处理算法的核心步骤，用于从输入图像中提取与待测物理量相关的重要信息载体。在相位测量技术中，图像分析的主要任务是从条纹图像中重建相位信息，其基本算法包括相位解调13与相位展开14；对于立体匹配技术，图像分析是指确定散斑图像（样品表面形变前后的散斑图案/多视散斑图像）对应点间的位移向量，一般包括子集匹配和亚像素优化两个步骤15。
（3）后处理：图像后处理的目的是进一步优化测量得到的相位数据或散斑位移场，并*终将它们转化为待测物理量。光学计量中常见的后处理算法包括去噪16、误差补偿17、数字重聚焦18、参量转换19等。图3给出了光学计量图像处理层次结构的概貌以及不同层中分布的各种图像处理算法。
去年的成都燃气展，现场热谈的超声波燃气计量话题让环球表计小编颇有感触，专门写了一篇type="2" hasload="1" tab="inner自去年6月开始，环球表计面向行业一直持续开展type="2" hasload="1" tab="inner
拥有150多年历史的埃尔斯特(Elster)，是全球气体计量和调压设备的研发生产领域的头部企业，是世界上*的天然气，电力和水测量和控制供应商。2015年，Elster被霍尼韦尔收购。现如今，霍尼韦尔所提供的能量计量系统、超声波流量计、涡轮流量计、腰轮流量计、膜式燃气表以及高、中、低压气体调压产品等，涵盖了燃气行业的所有领域。目前，超声波流量计是继孔板流量计、涡轮流量计之后的第三类适用于高压力、大口径、高精度的天然气流量计，在我国长输天然气管道分输站场中占比也*。超声波流量计凭借着测量精度高、测量范围大、维护简单的优点，以及配备全数字式计量系统，易于实现数字化通信等*特性，在市场中深深扎根。
近期，霍尼韦尔发布了M.Sonic?中低压超声波气体流量计，可以替代多款传统的机械式流量计，并凭借*的*技术，大大提升天然气测量的度和可靠性。该产品的流量测量范围广，整体精度高，可广泛灵活地应用于各种城市燃气现场。M.Sonic?具有高量程比，*可达1:160，树立了霍尼韦尔超声波气体流量计产品系列的新。在气体流量低至Qmin=1m3/h时，M.Sonic?也可*计量，其优异的小流量计量还可用于气体泄漏评估和偷盗气检查等其他应用。
霍尼韦尔M.Sonic?中低压超声波流量计专为高精度与可靠性的测量应用而诞生，它不但一一化解挑战，解决了低压力计量、宽量程比、高可靠性、适用性与替换性、智能诊断的几大技术难题，而且降低了全球城市燃气行业的天然气流量计全生命周期成本，正在*城市燃气进入超声波计量新时代。
深度学是机器学领域的一个重要分支，它通过构建模拟人脑信息处理神经结构的人工神经网络（ANN），使机器能够从大量历史数据中进行自底向上的特征提取，从而实现对未来/未知样本的智能决策。ANN起源于McCulloch和Pitts在1943年建立的生物神经元的简化数学模型20[图4a]。1958年，Rosenblatt等21受生物神经元模型的启发首次提出了可模拟人类感知能力的机器——单层感知机。如图4b所示，单层感知机由单个神经元构成，神经元以偏置（b）和权重（w）为参数，通过非线性激活函数将输入映射到输出。感知器的提出激发了大量研究人员对ANN的兴趣，对神经网络的发展具有里程碑式意义。然而，单层感知器只能处理线性分类问题的局限致使随后神经网络的发展停滞了近20年。80 年代，反向传播（BP）算法的提出使多层神经网络的高效训练成为了可能。其基于链式法则不断调节神经元间的权值以减小多层网络的输出误差，有效解决了非线性分类和学的问题，引发了“浅层学”的繁荣22。1989年，LeCun等23受哺乳动物视觉皮层结构启发提出了卷积神经网络（CNN）的思想，为现代计算机视觉与图像处理奠定了深度学的基础。随后随着神经网络层数的增加，BP算法的梯度消失/爆炸问题日益凸显，致使90年代中期ANN的发展又陷入了停滞。2006年，Hinton等24提出了一种深度置信网络（DBN）的训练方法来应对梯度消失问题；同时伴随着计算机硬件性能、GPU加速技术的发展以及大量标记数据集的出现，神经网络步入了第三次发展高潮，从“浅层学”阶段迈入了“深度学”阶段。2012年，基于CNN构架的AlexNet于ImageNet图像识别比赛中一举夺魁，使得沉寂20余年的CNN成为深度学的主流框架25。与此同时，一些新的深度学网络架构及训练方法（如ReLU26和Dropout27）被提出以进一步解决梯度消失问题，促使了深度学的爆炸式增长。2016 年，谷歌旗下AI公司DeepMind所开发的人工智能系统AlphaGo击败围棋世界*李世石，引发了全人类对深度学技术的广泛关注28。图4给出了人工神经网络和深度学技术的发展历程与典型神经网络的结构示意图。AS6040和AS6031超声波流量传感器集成了32位CPU内核，包括驱动外部换能器所需的所有功能，可将超声波飞行时间测量值转换为流量计算。这些传感器以其低功耗、高精度和高灵敏度而著称。*AS6040流量传感器兼容主流MCU，可与多种超声波换能器配对使用；同时包含片上处理器，能够计算经校准的流量测量值。该器件专门针对燃气表进行优化，且易于集成至系统设计中，并与几乎所有主机微控制器相兼容，亦适用于水流量测量应用。AS6040的推出为用户带来了一种全新且更简便的方法，从而在计量应用中充分利用超声流量测量的优越特性。
四方光电是一家从事智能气体传感器和高端气体分析仪器的科创板上市企业（股票代码688665）。2008年进入超声波气体传感器领域，依托工信部物联网发展专项等项目的长期研究，已经掌握超声波燃气表模块的核心技术，产品系列从G2.5、G4到G65，覆盖民用、商用、工商用等应用领域。在气体传感器方面，近年来我国气体传感器产业快速增长，国内气体传感器优势企业逐步具备在境外市场与国际*厂商开展竞争的能力。四方光电2021年2月9日在科创板上市，募资主要用于几个方面：1.8亿元用于气体传感器与气体分析仪器产线建设项目，2.5亿元用于新建年产300万支超声波气体传感器与100万支配套仪器仪表生产项目，5000万元用于智能气体传感器研发基地建设项目，4000万元用于营销网络与信息化管理平台建设项目，5000万元用于补充流动资金项目。
再查看几家上市表企的2020年报，都能看到超声波计量产品在企业持续为之投入的研发分量。
三川智慧，2021年，公司表示将继续坚持创新*，为未来发展储备足够的有竞争力的拳头产品。首当其冲的就是超声波智能水表的量产，以积极应对国际与国内两大市场；此外，云智联平台要尽快上线运行，验证以后全力进行市场推广。同时，对现有产品进行持续优化改进。采集方式要从原来的干簧管或者光电，全面转向无磁传感；推行精钢化，所有智能化的产品都要能够同时兼容不锈钢表壳；线路板以及大的结构组件要模块化，方便维修、更换、在线升级；正式启动智能工厂的建设，力争今年投入建设，2022年之前竣工。
上述单层感知机是*简单的ANN结构，仅由单个神经元构成[图4b]。深度神经网络（DNN）由多层神经元相互连接而成，相邻层间的神经元通常以全连接形式堆叠[图4g]。在网络训练期间，神经元将相应的输入乘以一个权重系数并与偏置值相加，通过非线性激活函数输出至下一层，同时网络损失被计算并反向传播以更新网络参数。不同于常规的全连接层，CNN使用卷积层对输入数据进行特征提取29[图5a]。在每一层中，输入图像与一组卷积滤波器和添加的偏置进行卷积以生成一个新的输出图像[图5b]。CNN中的池化层利用图像的局部相关性原理对图像进行子抽样，在减少数据处理量的同时保留了有用信息[图5c]。这些特征使得CNN广泛应用于计算机视觉的任务中，如目标检测30和运动跟踪31等。传统的CNN构架大多面向“分类”任务，在输出端舍弃了空间信息并产生了“向量”形式的输出。然而，对于光学计量技术中的图像处理任务，神经网络必须能够产生一个与输入相同的（甚至更高）全分辨率输出。为此应该使用没有全连接层的全卷积网络结构，这样的网络构架接受任意尺寸的输入，用回归损失进行训练，并产生像素级的矩阵输出。具有此类特征的网络称为“全卷积网络结构”的CNN，其网络架构主要包括以下三类：
（1）SRCNN：Dong等32跳过传统CNN结构中的池化层，采用几个卷积层简单堆叠的方式在输出端保留了输入维度[图6a]。利用该思想构建的SRCNN成为用于图像分辨任务的主流网络框架。
（2）FCN：全卷积网络（FCN）是由Long等提出的用于语义分割任务的网络框架33。如图6b所示，FCN使用传统CNN[图5]的卷积层作为网络编码模块，将全连接层替换为反卷积层作为解码模块。反卷积层能够对*一个卷积层的特征图进行上采样使其恢复到与输入图像相同尺寸的输出。此外，FCN通过跳级结构将粗糙的高层特征与细致的低层特征相结合，使网络在保留像素级输出的同时更好地恢复了细节信息。
（3）U-Net：Ronneberger等对FCN作出改进并提出U-Net网络34。如图6c所示，U-Net的基本结构包括一个压缩路径和一个扩展路径。压缩路径作为网络的编码器，使用四个卷积块（每个卷积块由三个卷积层和一个池化层构成）对输入图像进行降采样并获得压缩特征表示；扩展路径作为网络解码器使用转置卷积的上采样方法来输出与输入相同尺寸的预测结果。U-Net采用跳跃连接对压缩路径和扩展路径进行特征融合，使得网络可以在浅层特征和深层特征中自由选择，对语义分割任务来说更有优势。
cyx19941995xhy