^产品参数

1 、操作简单：可对当前成像图片，或历史图像，一键便可进行自动化表型提取；

2 、可扩展性：不仅支持自动化提取，还支持通过添加模型功能任意扩展个性化指标；

3 、热成像传感器：红外分辨率不低于 640*480 ；热灵敏度 (NETD) 不低于 30mk(0.03° C) ；测温范围 -20°C~700°C ；

4 、适用范围：适用多尺度组织和器官，支持类型不少于 5 种主流尺度，包括不限于种子、叶片、花、果实、整株等；

5 、系统功能：涵盖表型提取、模型预测、可视化绘图三大功能，支持个性化指标的升级扩展，支持海量图像批量分析，支持根据电脑配置自动调节占用的 CPU 核数速度；

6 、操作方式：傻瓜式操作界面，用户只需点击界面上两个按钮即可进行分析；

7 、选择方式：支持两种文件选择方式，支持选择文件夹，支持海量图像批量分析，当选择文件夹时支持用户前后翻阅查看；

8 、自定义界面：支持用户拖拽工具栏，按照使用偏好可放置上、下、左、右四个区域；

9 、图像格式：支持所有主流图像格式，包括不限于 JPG 、 PNG 、 Tif 等；

10 、提取指标：针对可见光图像可提取不少于 50 个表型指标，包括不限于小区面积、覆盖度、小区纹理、 NGRDI 、 ExG 、 CIVE 、 VEG 、 ExGR 等，针对热红外图像可提取温度等指标；可灵活配置要提取的表型类型和分析区域；

11 、模型预测：功能支持传统机器学习模型和深度学习模型两大类型，其中支持的传统机器学习模型覆盖所有 joblib 保存的模型， 包括不限于 SVM 、 Random Forest 、 GBDT 、 Decision Tree 、 AdaBoost 、 BPNN 、 KNN 、 Naïve Bayes 、 Logistic Regresion 等 , 支持的深度学习支持所有 keras 保存的模型， 包括不限于 VGG 、 ResNet 、 NasNet 、 DenseNet 、 EfficientNet 、 Xception 、 MobileNet 等；支持客户上传标记文件，自动评估模型准确度；

12 、可视化绘图：该功能支持分析图表自动化存储，并可描出目标轮廓方便用户查看识别精度，以及自动标记目标编号方便用户查看表格数据；

13 、添加模型：对于较复杂的分析场景，支持添加所有主流框架或产品下的深度学习模型用于分割，包括 Pytorch 、 TensorFlow 、 Keras 、 GrowthBrain ；

14 、测量修正：区域测温支持区域发射率修正；

15 、测温精度： -20 ° C ~ 120° C 测温量程， 0° C-100° C 士 1° C ；其它 ±2 ° C 或 ±2% 取大值；