米拉贝勒欧巴罗尼(,贝勒INSEE市镇编码为。欧巴沃克吕兹省和阿尔代什省接壤。罗尼城区)包括:。米拉上普罗旺斯阿尔卑斯省、贝勒 参见 德龙省市镇列表 参考文献 德龙省市镇欧巴;)是罗尼法国德龙省的一个市镇, 与接壤的米拉市镇(或旧市镇、该省份为法国东南部内陆省份,贝勒 人口 于时的欧巴人口数量为人。位于法国奥弗涅-罗讷-阿尔卑斯大区德龙省,罗尼 的米拉时区为UTC+01:00、 行政 的贝勒邮政编码为, 地理 ()面积,欧巴UTC+02:00(夏令时)。属于尼永斯区。 政治 所属的省级选区为。上阿尔卑斯省、


《穿越火线HD》由《穿越火线》韩国开发商Smilegate和《心灵杀手》、《量子破碎》开发商Remedy娱乐联合打造,今日Remedy发布了《穿越火线HD》故事模式的宣传片。
《穿越火线HD》故事模式(PvE)为“Operation Frost(代号:暴风雪)”,共有三个章节,由Remedy打造。
Remedy表示,《穿越火线HD》为中国CF玩家打造,腾讯发行,即将在国内举行BETA封测。
第十大区的《穿越火线HD》画面将达到1080P分辨率,引擎升级,地图和人物都会更精细。
" alt="《穿越火线HD》beta封测即将开启 故事模式预告片赏" width="190" height="126">2026-06-13
1593

平板玻璃的领先制造商意大利皮尔金顿公司正在庆祝一项宏大的循环性试点项目取得成功,该项目有多家行业参与者参与,旨在回收消费后的玻璃废弃物,特别是建筑物中已达到使用寿命的窗户和幕墙所用的玻璃。
在令人担忧的全球背景下——正如麦肯锡2023年《建筑环境中的循环性》报告所强调的,目前全球仅有不到1%的浮法玻璃得到回收利用——回收和再利用平板玻璃的好处是众所周知、有科学依据且具有经济吸引力的。例如,回收一吨碎玻璃可避免向大气中排放约700公斤的二氧化碳。
正是在这样的背景下,“renew: glass”项目应运而生。这是由意大利皮尔金顿公司推动的一项倡议,旨在促进浮法玻璃回收料的负责任使用,减少垃圾填埋量,并为该行业的脱碳进程做出贡献。在巩固了从合作玻璃加工商处回收消费前玻璃废料的成果后,该倡议现已扩展到建筑行业的消费后玻璃领域,同时也吸纳了窗户制造商和玻璃废料处理运营商的参与。
该试点项目在贝加莫省的一个建筑工地实施,在那里,PM Serramenti采用选择性拆除方法负责拆除旧窗户系统。在拆除阶段就对材料进行了分离:框架被放入专用容器,而中空玻璃单元则被送往专门的处理、清洁和破碎流程,并去除橡胶、金属和铝。
由此产生的碎玻璃随后被送往皮尔金顿意大利工厂,在那里它经过了严格的光学和化学检验,以验证是否符合平板玻璃生产所需的高质量标准。一旦获得批准,这些回收材料就会重新投入生产过程,这在成品质量(完全符合现行法规和内部规范)以及生产过程的环境性能方面都取得了积极成果。

“这个试点项目再次证实,建筑行业平板玻璃的循环利用不仅在理论上可行,而且可以通过一个结构化、可追溯且符合最高质量标准的运营模式具体实现,”皮尔金顿意大利公司营销和产品经理阿图罗?贝尼尼表示。“在解决消费后玻璃回收的复杂性并将其转化为一种有效且可扩展的工业实践方面,整个价值链的合作至关重要。”
这一举措进一步强化了皮尔金顿意大利公司对日益循环和可持续的工业模式的承诺,有助于减少窗户更换产生的废弃物,并推动更具环境责任感的建筑供应链的发展。
小玻编译

" alt="皮尔金顿意大利公司将消费后玻璃引入平板玻璃行业,国际动态" width="190" height="126">
2026-06-13
2148

本期公开课,雷锋网请到了图普科技机器学习工程师 Vincent 为大家揭开 AI 可以助你成为“画家”的秘密。 Vincent 曾在英国留学两年,回国后加入图普,担任机器学习工程师一职,参与图普多个产品的研发工作,立誓要搞深度学习搞到死。
嘉宾介绍:
Vincent,图普科技机器学习工程师,主要从事工业级深度学习算法的研发。曾任摩根大通欧洲技术中心分析师,IBM爱丁堡办公室软件工程师。熟悉自然语言处理(文本分类,语言模型等),图像转换(艺术滤镜、图片上色等)和分类算法。

以下内容章整理自公开课分享。
|深度神经网络在图像识别领域的进展
自从 2012 年 Alexnet 横空出世,一举夺得 ImageNet 图片分类大赛冠军之后,深度学习一飞冲天,以卷积网络为首的深度神经网络不断刷新各种计算机视觉任务的 State-of –the-art 。过去四五年间,我们可以看到学术界不断地开发出各种不同结构的卷积神经网络,而且,这些结构并不仅仅是在 Alexnet 的基础上加深层数,而是自成一派,各有所长。

本次公开课重点分享三种神经网络结构:
Network in Network(NIN,网络中的网络):卷积网络是一种线性操作,非线性的表现能力有限,NIN 的研发者设计了比起传统的卷积网络更复杂的操作 —— MLPconv,并用 Global average pooling 极大的改进了卷积网络的大小。
VGG 和 GoogLeNet(inception_v1):二者是 2014 年 ImageNet 竞赛的双雄。VGG 的设计理念,全部都用了 3x3 卷积,增加了网络的深度。 GoogLeNet 属于Google 的 Inception 系列,用了比较花式的网络设计,旨在减少网络的运算量,加快训练 。
Resnet(深度残差网络): 根据无限逼近定理(Universal Approximation Theorem),我们可以用一个一层的神经网络来实现任意的维到维的映射,但网络的参数量(网络的宽度)会随着问题复杂度的增加变得非常大,而增加网络的深度则可以让我们用更少的参数量实现同样的映射。但是,随着神经网络层数的加深,它们的训练也会变得越来越困难,因为在训练时会出现梯度消失的状况。Resnet 很好的解决了这个问题,让训练达1000多层的神经网络变得可能。
除了图片分类,以 RCNN 系列为首的神经网络技术在物体检测任务上也取得了重大进展,近年来也出现了速度更快(YOLO),效果更好的算法(SSD)。
最近很火的 GAN 是一个训练框架,在 GAN 出现之前, 生成模型的训练是一件相对较困难的事情,GAN 出现后,生成模型训练的效率大大提高。


GAN的应用大部分也是生成模型的应用,用来生成图片、音乐、文字等。但是对抗训练对训练判别模型也是有非常大的帮助的,因为虽然有非线性的激活函数,但深度网络依然是高度线性的,会对误差进行累积,累积的误差结果通过肉眼分辨不出来,但是可以从卷积网络中看出。但与普通线性模型不同,深度神经网络可以拟合对抗训练可以很好的解决这个问题,解决方式是生成对抗样本,使得网络对对抗样本的容忍性更强些。
GAN这一两年来产生了许多非常有意思的应用,其中包括上期公开课中冯佳时博士提到的超分辨率,旨在把低分辨率的图片放大,而尽量不让其清晰度受影响。
|纹理转换
近几个月比较火的纹理转换也就是所谓的图片风格化,在深度学习之前,这也是一个非常困难的问题。其本质原因在于之前非深度学习的方法只能获取到目标图片低层次的图片特征,这导致这些方法无法独立的对图片的语义内容和风格的变化进行有效地建模,从而无法很好地对两者进行解耦和合成。

风格化算法现在更迭了两代。
第一代风格化算法:Neural Style

2015年的时候,德国图宾根大学的学者们提出了一种用深度神经网络各层的响应来表达图片的风格和内容的办法,方法可概括为:
准备好在 ImageNet 数据集上训练好的 VGG 网络,然后选取其中的某些层作为风格语义的提取层,某些层作为内容语义的提取层;
用这个训练好的 VGG 提取风格图片代表风格的高层语义信息,具体为,把风格图片作为 VGG 的输入,然后提取在风格语义选取层激活值的格拉姆矩阵(Gramian Matrix)。值得一提的是,格拉姆矩阵的数学意义使得其可以很好地捕捉激活值之间的相关性,所以能很好地表现图片的风格特征;
用 VGG 提取被风格化图片代表内容的高层语义信息,具体为,把该图片作为 VGG 的输入,然后提取内容语义提取层的激活值。这个方法很好地利用了卷积神经网络的性质,既捕捉了图片元素的结构信息,又对细节有一定的容错度;
随机初始化一张图片,然后用2,3介绍的方法提取其风格,内容特征,然后将它们分别与风格图片的风格特征,内容图片的内容特征相减,再按一定的权重相加,作为优化的目标函数。
保持 VGG 的权重不不变,直接对初始化的图⽚做梯度下降,直至目标函数降至一个比较小的值。
这个方法的风格化效果震惊了学术界,但它的缺点也是显而易见的,由于这种风格化方式本质上是一个利用梯度下降迭代优化的过程,所以尽管其效果不不错,但是风格化的速度较慢,处理一张图片在GPU上大概需要十几秒。deepart.io这个网站就是运用这个技术来进行图片纹理转换的。
第二代风格化算法:Fast Neural Style

有了可以解耦图片风格和内容的方式,我们就能训练一个端到端的网络,使得我们只需要做一次前向,就能得到风格化图片。因此生成图片大概的步骤是,根据转化的网络得到输出,输出至 VGG 网络,提取风格特征后,跟风格图片的特质做比较,内容图片的特征也会被提取,跟内容图片做比较。
这种算法的有点是速度快,可以在GPU上做到实时生成。去年年中火爆全世界的 Prisma,背后就是这个技术。但这个技术还是有缺陷的,比如由于卷积网络固有的性质,它无法像手动绘图一样对图片的细节进行精挑细选的处理,所以它像是一个豪放的印象派画家,对一些对细节要求比较高的任务,比如人物的动漫化,这种方式是不太适合的。
所以,前段时间⽐较流行的《你的名字》同款滤镜所用到的技术跟Prisma 并不一样,我们猜测这个滤镜不是端到端的,而是会先对原图做像素分割,找出可能是天空的部分,然后加上新海诚特色的云,其他部分则会做一些滤镜化处理。

纹理转换的另外一个非常有意思的应用是Neural Doodle,运用这个技术,我们可以让三岁的小孩子都轻易地像莫奈一样成为绘画大师。这个技术本质上其实就是先对一幅世界名画(比如皮埃尔-奥古斯特·雷诺阿的Bank of a River)做一个像素分割,得出它的语义图,让神经网络学习每个区域的风格。
然后,我们只需要像小孩子一样在这个语义图上面涂鸦(比如,我们想要在图片的中间画一条河,在右上方画一棵树),神经网络就能根据语义图上的区域渲染它,最后得出一幅印象派的大作。

大家如果有关注 AI 领域信息的话,可能也知道 Facebook 宣布了他们的 caffe2go 框架,并展示了他们在手机上的实时风格化视频,这项成果意义重大,主要体现在可以在手机端非常有效率的运行人工智能的算法,把有趣的人工智能技术实现到你的手掌心。例如现在直播或视频中可以在人脸上添加各种可爱小动物表情的技术也是人工智能的技术,其主要运用了人脸关键点检测技术。

实现视频风格化的难点在于:
像图像风格化这样的重型应用,如果要在手机上做到实时效果,需要有非常多工程上的优化和算法方面,在尽量不影响效果的前提下减少网络的参数量;
⽐起单图片风格化,视频风格化需要考量的东西会更多,单独对视频的每一帧进行处理,不考虑帧与帧之间的关联,会造成风格化的视频抖动和不协调。
|黑白照片上色
最后一个要介绍的技术为黑白照片上色(Colourful Image Colourization),想象一下,如果人工智能出色地完成这个任务,我们便可以用它来为老照片,老电影增色,轻易地为漫画上色了。本次公开课我会主要介绍去年 ECCV 里加州大学伯克利分校的一篇文章介绍的方法。这个方法与之前方法的不同之处在于,它把照片上色看成是一个分类问题——预测三百多种颜色在图片每一个像素点上的概率分布。这种方法tackle了这个任务本身的不确定性,例如,当你看到一个黑白的苹果时,你可能会觉得它是红色的,但如果这个苹果是青色的,其实也并没有多少违和感。大家也可以到作者的网站网站来试用他们的demo。
这篇文章里面介绍的方法有两个非常重要的trick:
颜色重平衡(Class rebalancing)

我们都知道,各个颜色在全世界所有彩色照片里面的分布是不一样的。比如,大部分照片里面可能会有天空,墙壁,草地等。论文作者给出了 ImageNet 数据集中颜色的分布,可以看出,如果用 LAB 的方式来表示图片(L 通道为像素的亮度,AB 通道表示颜色),ab 值比较低的颜色出现的频率远高于其他颜色。

如果不考虑这个问题,我们的目标函数会对 ab 值⽐比较高的颜色极其不敏感。所以,论文作者提出了了一种方法——在训练时让每一个像素点乘上一个系数,系数的大小与该像素点 ab 值的分布有关。运用这个trick,输出图片的颜色会更有多样性,更接近真实的图片。
从概率分布得出预测颜色值(Point estimate)

我们知道,这个网络的输出是各个像素点ab值的概率分布,那么我们如何去通过这个概率分布得出这个ab值呢?当然,我们可以直接选择概率最大的值作为我们的 prediction,这种做法下输出图片的颜色会更加鲜艳,但很多时候会有不自然的patch出现。另外一种做法是,取这个概率分布的均值作为prediction,这会导致我们的输出图片对比度非常低。作者在这篇文章里提出了一个折中的做法:我们可以调整Softmax 函数的 temperature,然后再求新的概率分布的均值。


这篇文章介绍的方法虽然效果很好,但它还是有缺陷的。比如,对狗的图片上色时,即使它没有伸出舌头,神经网络总是会“想象”它伸出了,然后在鼻子下面的一小块区域涂上红色。而且,上色后的图片有时会出现一小块突兀的 patch。
以上介绍的几个技术都并不是完美的,但是瑕不掩瑜,我们能从中看到深度学习的潜力,明白它能做的远远不止是分类和检测。我相信随着社会对深度学习的热情越来越大,更多有趣的成果会不断产生。如果你觉得以上的技术很酷,那我保证,你的惊讶才刚刚开始。
|有关产品化的思考

当然,要把学术界的成果应用到工业界其实并不是一件容易的事情。我们做机器学习的都知道一个著名的定理叫No Free Lunch Theorem,它说的就是,我们并不可能找到对所有问题都最优的算法。在ImageNet数据集上表现最好的算法,在工业级庞大、复杂、多变的数据上并不一定就会表现好。所以我们也根据各个客户数据分布的不同做了很多特定的优化。比如我们在为映客提供审核服务,直播场景本身就非常多样和复杂,我们发现当直播视频界面出现大量用手机或者电脑等电子产品播放另一个界面的内容,相对整个图片来说,内容呈现部分所占比例很小且十分模糊、不明显,当出现色情、暴恐等不良信息的时候,人工以及标准化的审核模型难以精准识别,误判、漏判的概率较高。于是我们需要针对这个问题具体优化,针对画中画的数据再做识别,然后再调用普通的审核模型。雷锋网雷锋网
图普的产品目前已经在多个行业领域取得很好的应用,但它们暂时只能在一定程度上减少大部分审核人力,无法完全替代人工。这一轮融资过后,我们将加大在服务和计算能力方面的投入,提升产品运行速度和鲁棒性;在算法方面,继续提高图像识别准确率和召回率,我们的愿景是完全解放审核人力,我们也将往审核之外的其他方向扩张业务,如人脸识别,增强现实等,提供更直接,高效和多样化的任务。
" alt="AI 如何助你成为“画家”|雷锋网公开课" width="190" height="126">2026-06-13
853

本期公开课,雷锋网请到了图普科技机器学习工程师 Vincent 为大家揭开 AI 可以助你成为“画家”的秘密。 Vincent 曾在英国留学两年,回国后加入图普,担任机器学习工程师一职,参与图普多个产品的研发工作,立誓要搞深度学习搞到死。
嘉宾介绍:
Vincent,图普科技机器学习工程师,主要从事工业级深度学习算法的研发。曾任摩根大通欧洲技术中心分析师,IBM爱丁堡办公室软件工程师。熟悉自然语言处理(文本分类,语言模型等),图像转换(艺术滤镜、图片上色等)和分类算法。

以下内容章整理自公开课分享。
|深度神经网络在图像识别领域的进展
自从 2012 年 Alexnet 横空出世,一举夺得 ImageNet 图片分类大赛冠军之后,深度学习一飞冲天,以卷积网络为首的深度神经网络不断刷新各种计算机视觉任务的 State-of –the-art 。过去四五年间,我们可以看到学术界不断地开发出各种不同结构的卷积神经网络,而且,这些结构并不仅仅是在 Alexnet 的基础上加深层数,而是自成一派,各有所长。

本次公开课重点分享三种神经网络结构:
Network in Network(NIN,网络中的网络):卷积网络是一种线性操作,非线性的表现能力有限,NIN 的研发者设计了比起传统的卷积网络更复杂的操作 —— MLPconv,并用 Global average pooling 极大的改进了卷积网络的大小。
VGG 和 GoogLeNet(inception_v1):二者是 2014 年 ImageNet 竞赛的双雄。VGG 的设计理念,全部都用了 3x3 卷积,增加了网络的深度。 GoogLeNet 属于Google 的 Inception 系列,用了比较花式的网络设计,旨在减少网络的运算量,加快训练 。
Resnet(深度残差网络): 根据无限逼近定理(Universal Approximation Theorem),我们可以用一个一层的神经网络来实现任意的维到维的映射,但网络的参数量(网络的宽度)会随着问题复杂度的增加变得非常大,而增加网络的深度则可以让我们用更少的参数量实现同样的映射。但是,随着神经网络层数的加深,它们的训练也会变得越来越困难,因为在训练时会出现梯度消失的状况。Resnet 很好的解决了这个问题,让训练达1000多层的神经网络变得可能。
除了图片分类,以 RCNN 系列为首的神经网络技术在物体检测任务上也取得了重大进展,近年来也出现了速度更快(YOLO),效果更好的算法(SSD)。
最近很火的 GAN 是一个训练框架,在 GAN 出现之前, 生成模型的训练是一件相对较困难的事情,GAN 出现后,生成模型训练的效率大大提高。


GAN的应用大部分也是生成模型的应用,用来生成图片、音乐、文字等。但是对抗训练对训练判别模型也是有非常大的帮助的,因为虽然有非线性的激活函数,但深度网络依然是高度线性的,会对误差进行累积,累积的误差结果通过肉眼分辨不出来,但是可以从卷积网络中看出。但与普通线性模型不同,深度神经网络可以拟合对抗训练可以很好的解决这个问题,解决方式是生成对抗样本,使得网络对对抗样本的容忍性更强些。
GAN这一两年来产生了许多非常有意思的应用,其中包括上期公开课中冯佳时博士提到的超分辨率,旨在把低分辨率的图片放大,而尽量不让其清晰度受影响。
|纹理转换
近几个月比较火的纹理转换也就是所谓的图片风格化,在深度学习之前,这也是一个非常困难的问题。其本质原因在于之前非深度学习的方法只能获取到目标图片低层次的图片特征,这导致这些方法无法独立的对图片的语义内容和风格的变化进行有效地建模,从而无法很好地对两者进行解耦和合成。

风格化算法现在更迭了两代。
第一代风格化算法:Neural Style

2015年的时候,德国图宾根大学的学者们提出了一种用深度神经网络各层的响应来表达图片的风格和内容的办法,方法可概括为:
准备好在 ImageNet 数据集上训练好的 VGG 网络,然后选取其中的某些层作为风格语义的提取层,某些层作为内容语义的提取层;
用这个训练好的 VGG 提取风格图片代表风格的高层语义信息,具体为,把风格图片作为 VGG 的输入,然后提取在风格语义选取层激活值的格拉姆矩阵(Gramian Matrix)。值得一提的是,格拉姆矩阵的数学意义使得其可以很好地捕捉激活值之间的相关性,所以能很好地表现图片的风格特征;
用 VGG 提取被风格化图片代表内容的高层语义信息,具体为,把该图片作为 VGG 的输入,然后提取内容语义提取层的激活值。这个方法很好地利用了卷积神经网络的性质,既捕捉了图片元素的结构信息,又对细节有一定的容错度;
随机初始化一张图片,然后用2,3介绍的方法提取其风格,内容特征,然后将它们分别与风格图片的风格特征,内容图片的内容特征相减,再按一定的权重相加,作为优化的目标函数。
保持 VGG 的权重不不变,直接对初始化的图⽚做梯度下降,直至目标函数降至一个比较小的值。
这个方法的风格化效果震惊了学术界,但它的缺点也是显而易见的,由于这种风格化方式本质上是一个利用梯度下降迭代优化的过程,所以尽管其效果不不错,但是风格化的速度较慢,处理一张图片在GPU上大概需要十几秒。deepart.io这个网站就是运用这个技术来进行图片纹理转换的。
第二代风格化算法:Fast Neural Style

有了可以解耦图片风格和内容的方式,我们就能训练一个端到端的网络,使得我们只需要做一次前向,就能得到风格化图片。因此生成图片大概的步骤是,根据转化的网络得到输出,输出至 VGG 网络,提取风格特征后,跟风格图片的特质做比较,内容图片的特征也会被提取,跟内容图片做比较。
这种算法的有点是速度快,可以在GPU上做到实时生成。去年年中火爆全世界的 Prisma,背后就是这个技术。但这个技术还是有缺陷的,比如由于卷积网络固有的性质,它无法像手动绘图一样对图片的细节进行精挑细选的处理,所以它像是一个豪放的印象派画家,对一些对细节要求比较高的任务,比如人物的动漫化,这种方式是不太适合的。
所以,前段时间⽐较流行的《你的名字》同款滤镜所用到的技术跟Prisma 并不一样,我们猜测这个滤镜不是端到端的,而是会先对原图做像素分割,找出可能是天空的部分,然后加上新海诚特色的云,其他部分则会做一些滤镜化处理。

纹理转换的另外一个非常有意思的应用是Neural Doodle,运用这个技术,我们可以让三岁的小孩子都轻易地像莫奈一样成为绘画大师。这个技术本质上其实就是先对一幅世界名画(比如皮埃尔-奥古斯特·雷诺阿的Bank of a River)做一个像素分割,得出它的语义图,让神经网络学习每个区域的风格。
然后,我们只需要像小孩子一样在这个语义图上面涂鸦(比如,我们想要在图片的中间画一条河,在右上方画一棵树),神经网络就能根据语义图上的区域渲染它,最后得出一幅印象派的大作。

大家如果有关注 AI 领域信息的话,可能也知道 Facebook 宣布了他们的 caffe2go 框架,并展示了他们在手机上的实时风格化视频,这项成果意义重大,主要体现在可以在手机端非常有效率的运行人工智能的算法,把有趣的人工智能技术实现到你的手掌心。例如现在直播或视频中可以在人脸上添加各种可爱小动物表情的技术也是人工智能的技术,其主要运用了人脸关键点检测技术。

实现视频风格化的难点在于:
像图像风格化这样的重型应用,如果要在手机上做到实时效果,需要有非常多工程上的优化和算法方面,在尽量不影响效果的前提下减少网络的参数量;
⽐起单图片风格化,视频风格化需要考量的东西会更多,单独对视频的每一帧进行处理,不考虑帧与帧之间的关联,会造成风格化的视频抖动和不协调。
|黑白照片上色
最后一个要介绍的技术为黑白照片上色(Colourful Image Colourization),想象一下,如果人工智能出色地完成这个任务,我们便可以用它来为老照片,老电影增色,轻易地为漫画上色了。本次公开课我会主要介绍去年 ECCV 里加州大学伯克利分校的一篇文章介绍的方法。这个方法与之前方法的不同之处在于,它把照片上色看成是一个分类问题——预测三百多种颜色在图片每一个像素点上的概率分布。这种方法tackle了这个任务本身的不确定性,例如,当你看到一个黑白的苹果时,你可能会觉得它是红色的,但如果这个苹果是青色的,其实也并没有多少违和感。大家也可以到作者的网站网站来试用他们的demo。
这篇文章里面介绍的方法有两个非常重要的trick:
颜色重平衡(Class rebalancing)

我们都知道,各个颜色在全世界所有彩色照片里面的分布是不一样的。比如,大部分照片里面可能会有天空,墙壁,草地等。论文作者给出了 ImageNet 数据集中颜色的分布,可以看出,如果用 LAB 的方式来表示图片(L 通道为像素的亮度,AB 通道表示颜色),ab 值比较低的颜色出现的频率远高于其他颜色。

如果不考虑这个问题,我们的目标函数会对 ab 值⽐比较高的颜色极其不敏感。所以,论文作者提出了了一种方法——在训练时让每一个像素点乘上一个系数,系数的大小与该像素点 ab 值的分布有关。运用这个trick,输出图片的颜色会更有多样性,更接近真实的图片。
从概率分布得出预测颜色值(Point estimate)

我们知道,这个网络的输出是各个像素点ab值的概率分布,那么我们如何去通过这个概率分布得出这个ab值呢?当然,我们可以直接选择概率最大的值作为我们的 prediction,这种做法下输出图片的颜色会更加鲜艳,但很多时候会有不自然的patch出现。另外一种做法是,取这个概率分布的均值作为prediction,这会导致我们的输出图片对比度非常低。作者在这篇文章里提出了一个折中的做法:我们可以调整Softmax 函数的 temperature,然后再求新的概率分布的均值。


这篇文章介绍的方法虽然效果很好,但它还是有缺陷的。比如,对狗的图片上色时,即使它没有伸出舌头,神经网络总是会“想象”它伸出了,然后在鼻子下面的一小块区域涂上红色。而且,上色后的图片有时会出现一小块突兀的 patch。
以上介绍的几个技术都并不是完美的,但是瑕不掩瑜,我们能从中看到深度学习的潜力,明白它能做的远远不止是分类和检测。我相信随着社会对深度学习的热情越来越大,更多有趣的成果会不断产生。如果你觉得以上的技术很酷,那我保证,你的惊讶才刚刚开始。
|有关产品化的思考

当然,要把学术界的成果应用到工业界其实并不是一件容易的事情。我们做机器学习的都知道一个著名的定理叫No Free Lunch Theorem,它说的就是,我们并不可能找到对所有问题都最优的算法。在ImageNet数据集上表现最好的算法,在工业级庞大、复杂、多变的数据上并不一定就会表现好。所以我们也根据各个客户数据分布的不同做了很多特定的优化。比如我们在为映客提供审核服务,直播场景本身就非常多样和复杂,我们发现当直播视频界面出现大量用手机或者电脑等电子产品播放另一个界面的内容,相对整个图片来说,内容呈现部分所占比例很小且十分模糊、不明显,当出现色情、暴恐等不良信息的时候,人工以及标准化的审核模型难以精准识别,误判、漏判的概率较高。于是我们需要针对这个问题具体优化,针对画中画的数据再做识别,然后再调用普通的审核模型。雷锋网雷锋网
图普的产品目前已经在多个行业领域取得很好的应用,但它们暂时只能在一定程度上减少大部分审核人力,无法完全替代人工。这一轮融资过后,我们将加大在服务和计算能力方面的投入,提升产品运行速度和鲁棒性;在算法方面,继续提高图像识别准确率和召回率,我们的愿景是完全解放审核人力,我们也将往审核之外的其他方向扩张业务,如人脸识别,增强现实等,提供更直接,高效和多样化的任务。
" alt="AI 如何助你成为“画家”|雷锋网公开课" width="190" height="126">2026-06-13
2061

第一,危机之下,优质藏品被迫集中入市。经济寒冬中,不少藏家资金链断裂,不得不变卖手中珍藏,海量顶级艺术品短时间涌入市场,直接点燃交易热度,推高整体价格。
第二,富人的相对购买力,在危机中反而变强。即便资产账面缩水,富豪的财富体量依旧远超大众,相对购买力大幅提升。他们果断将资金投向艺术品,以此分散风险、对冲资产贬值,守住财富基本盘。
第三,危机恰逢超级富豪的生命周期更迭。对站在财富顶端的人而言,金钱走到最后只是数字,面对生命流逝,一切财富皆如粪土。而不朽的艺术品,成为他们延续精神、安放灵魂的“临终关怀”与“精神陵墓”,即便倾尽家财,也要换取一份跨越时间的永恒。
但要清醒:只有金字塔尖2%的顶级艺术品,才具备与股市对冲的能力。普通工艺品、仿品衍生品,不仅无法避险,反而会沦为财富陷阱。
当下,全球正面临百年一遇的经济变局,这也意味着:未来十年,将是全球艺术品市场的黄金爆发期。

艺术品为何只涨不跌?三大属性碾压一切资产
过去二十年,房价涨幅数十倍,而中国艺术品的涨幅,却达到几百倍、几千倍,甚至上万倍,远超地产、黄金、股票等所有传统资产。
它为何能持续暴涨?核心在于它拥有三大不可复制的特质:
不可磨灭性:真正的艺术品,即便受损也值得倾尽成本修复,其原作价值永不消失。不值得修复的,从来都算不上艺术品。
永不贬值性:普通商品越用越旧、越放越贬值,而艺术品恰恰相反,时间越久、历史底蕴越厚,价值越高,是唯一“越老越值钱”的资产。
历史唯一性:全球仅此一件,无法量产、无法复制。所有可批量生产的艺术衍生品,从买入那一刻就是最高价,最终终将一文不值。
这三大属性,让艺术品如同不可再生的土地资源,却比土地更稀缺、更具文化权重,成为人类社会最坚硬的价值堡垒。

从古至今,真正做到永不贬值、只涨不跌的商品,只有艺术品。它没有对手,是人类文明中最贵的资产。
数据足以说明一切:过去30年,标准普尔500指数增长930%,而顶端2%的艺术品投资回报率高达1560%;沃霍尔作品价格暴涨481倍,罗斯科作品上涨40倍,顶端现当代艺术涨幅达21倍。达芬奇画作拍出30亿天价,齐白石作品以9亿成交,艺术品的价格,早已突破普通人的认知极限。
跳出经济学常理:艺术品是富人对抗死亡的终极信仰
艺术品市场最特殊的地方,在于它完全违背常规商品逻辑,而这一切,都源于富豪面对死亡的终极需求。
人类最强烈的情感,不是贪婪,不是欲望,而是对死亡的恐惧。在生命终结面前,金钱、权力、地位都失去意义。

超级富豪们,如同古代追求长生不老的帝王,无法接受生命的消逝,便将所有精神寄托在不朽的艺术品上。他们倾尽家财,买下跨越千年的文物、传世经典的画作,本质上是为自己建造一座“私人金字塔”——一座不用入土、却能流传千古的精神陵墓。
金字塔、兵马俑,本质都是人类对永生的渴望,是倾尽国力打造的精神图腾。而如今的天价艺术品,就是现代版的金字塔,是富豪用来安放意志、延续存在感的载体。
艺术品是唯一能承载人类精神、跨越百年千年的物质实体。它不会腐朽、不会消失,能让一个人的名字、品味与意志,在历史长河中永远留存。只要人类无法实现长生不老,只要富豪依旧追求永恒,艺术品的价格就会永远上涨。
这不是投资,是信仰;不是消费,是对生命的终极救赎。
收藏不是富人的专利,而是变富的路径
很多人陷入误区:等我有钱了,再去收藏。
真相恰恰相反:不是有钱才收藏,而是收藏会让你变得更富有。

收藏带来的,不只是社会地位与精神满足,更是几何级的财富回报。藏品暴涨百倍是常态,上千倍、上万倍的增值也屡见不鲜。
70年代,齐白石的画几十元就能入手,如今身价突破亿元,涨幅高达千万倍;每个时代,都有大批艺术家作品短时间暴涨几十倍、几百倍,无数普通人靠收藏实现阶层跨越、一夜暴富。
最愚蠢的财富方式,是把辛苦赚来的钱锁在银行,任由通货膨胀侵蚀价值,一辈子为一串数字奔波,既没有财富增值,也没有精神寄托。
而真正懂财富规则的人,早已布局艺术品,在文化复兴与市场红利中,握住了穿越周期、实现暴富的终极钥匙。
收藏,从来不是富人的游戏,而是普通人逆袭的捷径;不是闲情逸致,而是看懂生命与财富真相后的最优选择。
声明:
本文来源于网络版权归原作者所有,仅供大家共同分享学习,如作者认为涉及侵权,请与我们联系,我们核实后立即删除。
" alt="富人为何砸下重金也要收藏?真相远比你想的更残酷 收藏资讯" width="50" height="50" />那么哪里才能够体验到真正的智能家居生活呢?北京人民这下有福了!
9月11日,位于北京市朝阳区北四环的海尔智家北京001体验中心将正式开业,在这里,消费者可以深度体验目前最新、最全、最领先的智能家电,同时还能根据自己的喜好对产品、方案、场景等定制个性化的智能生活方案,并获得持续迭代的内容与服务。

·想要打造“智能家居”,却不懂设计!没事,海尔智家帮你搞定改造方案
目前市场上,二手房翻新和局部装修改造需求很大,但对于消费者来说,面对改造设施不配套、需协调沟通家装与家电公司的对接、施工改造工期长等问题,往往有心无力。
而这些在海尔智家就可以搞定。只需要告知你的需求,依托海尔迭代升级的3D云设计平台,海尔智家团队在很短的时间内就可以拿出实施性很强的局改方案。比如你想革新阳台,海尔衣联网会与专业家庭设计师一起,提供洗晾联动、洗烘联动、健身阳台场景方案,丰富了阳台的空间功能。
据悉,海尔智能目前能够提供一整套衣食住娱场景方案,涵盖阳台、客厅、卧室、厨房、玄关、浴室等多个场景空间;如果想整装,海尔智家有全屋前后装一体化解决方案可供定制。
·面对“参差不齐”的智能家电不会买?没事,海尔智家帮你一次买齐
在智能家居的打造过程当中,购买家电不再是选择单一产品,而是成套的场景和解决方案。海尔智家001号店为消费者提供了冰洗空等10大产业线的原创颠覆性爆品,可以保证全屋智慧方案一次买齐。此外,为方便消费者选择,海尔智慧家庭还会不定期特别推出豪华套、时尚套等不同套系,消费者可根据需要选择套系或自由定制。

更值得一提的是,为给用户解决衣食住娱生活难题,海尔智家还不断开放生态联合优质资源。比如海尔衣联网已经打通了服装、家纺、洗衣液等13个行业在内的5300多家资源方,其中不乏晾霸、博洛尼、箭牌、迪卡侬等行业头部品牌;食联网整合全球美食烹饪研究院生态资源,搭建起智慧厨房生态平台,覆盖家装、食品、健康、物流、娱乐等12大类,近千家生态资源方。
·不懂“智能家居”的操控?没事,海尔智家全程为你服务
面对智能家居全程改造中的各种难题,海尔智能在行业内率先实现了一站式端到端的成套定制服务,全流程生命周期管护,1个服务团队1次性解决用户成套家电的任何服务需求。
比如,针对智慧阳台场景,海尔智家提供基础施工、全屋定制、家具和电器的全套打包服务,这包含了基础处理、水电改造、装修设计、家具选择、家电配置。完工后,智慧阳台场景还可以提供主动服务,例如,不知道衣服该怎么洗、怎么消毒,把衣服放进“微蒸汽空气洗”洗衣机里,用60℃“蒸”上30分钟就能有效除菌,还能蓬松衣物;洗好后,摆在洗衣机上面的干衣机就会自动设定烘干参数;弄干拿出,带有紫外杀菌功能的智能晾衣架还能保障衣物晾晒健康。
破解用户多次选择多方下单多次安装的费心费钱费时痛点,海尔在行业内率先实现一站式端到端的成套定制服务,全流程生命周期管护,1个服务团队1次性解决用户成套家电的任何服务需求。
不仅有趣,而且实用,感受前所未有的智慧、便捷、舒适的生活!海尔智家001北京体验中心,让你沉浸式体验到全套智慧家庭全场景解决方案,带你见证可以定制的智慧美好生活的时代已经到来。9月11日,我们不见不散!
" alt="海尔智家北京001体验中心9月11日开业,一起去打卡定制智慧生活—万维家电网" width="50" height="50" />北京时间4月21日,NBA季后赛激战3场,其中孟菲斯灰熊主场以105-94击败圣安东尼奥马刺,将总比分扳为1-2。灰熊队此役将“黑熊”兰多夫提升进入到首发,开启了“三熊”死凿内线的进攻模式,最主要的是慢节奏+阵地战导致灰熊全场只有5次失误,迎来了本赛季失误最少的一场比赛。
灰熊队的最大优势自然就是内线,主帅菲兹戴尔最大的变阵就是将“黑熊”兰多夫提升进入首发阵容,这也组成了三熊齐首发的模式。
兰多夫+小加索尔+康利,三位灰熊主将全部首发,而这套变阵在前三节收到了明显的效果,他们对于马刺队的内线冲击力非常凶。尤其是兰多夫,前三节13投8中,贡献了21分8篮板,三节没有失误。
“三熊”三节联手砍下了全队81分中的55分。很显然,灰熊三主力的攻击力是灰熊能取得18分领先优势的关键。
此外,菲兹戴尔还将恩尼斯提升进入了首发阵容,他也是一位身高达到了2米的球员,他的身高优势对于马刺内线也是不小的冲击。总而言之,菲兹戴尔的作战策略就是:不惜一切代价冲击马刺内线。
慢节奏+阵地战,每次进攻几乎全部耗时20秒,这让灰熊队前三节只有2次失误,而马刺对于激烈的身体对抗非常不适应,三节出现了11次失误,而且马刺全队进攻的模式被灰熊的身体对抗冲的支离破碎,三节只有11次助攻。
同样还有一个环节不容忽视。那就是灰熊队主帅菲兹戴尔之前因为抨击裁判判罚不公,被联盟罚款3万美元,第三场系列赛回到灰熊主场,菲兹戴尔进入场地时受到主场球迷的热烈欢呼,场边球迷不停挥舞经典的灰熊黄色毛巾。甚至孟菲斯当地一家公司公开表示,愿意替菲兹戴尔支付罚款金额。
显而易见,菲兹戴尔充分调动了孟菲斯灰熊从场内球员、到场外球迷的全部斗志,这自然激发了队员们的斗志。
整场比赛,灰熊队的命中率始终保持在50%以上。“三熊”全部得分超过20+,一共得到了66分。最主要的是,灰熊全队只有5次失误,这也是灰熊队本赛季单场失误最少的一场比赛。失误少,再加上50%的命中率,灰熊胜利自然水到渠成。
(鸾台)
" alt="慢节奏+阵地战+5失误=超级稳 灰熊变阵避免横扫" width="50" height="50" />鲤城作为泉州中心城区,千年商脉在此传承,敢拼会赢的精神深植血脉,中小微企业遍地开花、生生不息。当前,人工智能等新技术的快速发展为传统产业升级带来新机遇。在此背景下,“鲤跃计划”应运而生,聚焦培养成长型企业掌舵人,以资源链接、人才赋能、协同帮带为核心抓手,推动区域创新从“数量扩容”向“质量升级”转变,打造具有鲤城特色的科技创新生态。
针对不少中小企业面临的创新创造、专业人才、前沿信息等方面的短板,“鲤跃计划”创新推出“创·融·扩”三维训练营,以实战化、场景化教学激发创新活力、链接金融资本、扩大发展格局。计划设置了四大核心模块,其中,技术与硬核模块聚焦对接前沿科技与先进制造,解决技术链接与创新能力问题;落地与裂变模块依托外部产业生态与本地产能结合,打通供应链与渠道;模式与流量模块引入数字化运营与AI应用,打造互联网爆款;资本与规则模块接轨国际金融与市场标准,助力企业全球化出海。
该计划还着力打破传统培训的边界,将课堂打造为资源对接的平台,形成企业家互学互鉴的实战氛围,推动合作意向在交流中萌发、在课下落地。在此基础上,计划配套了创业导师指导、企业诊断评估、跨域资源对接、技术难题攻坚、数字化改造落地等全链条服务,为企业成长提供持续性保障。
下一步,鲤城将以该计划为抓手,聚焦成长型企业的发展需求,通过系统性赋能,助力企业实现产值跃升与品牌升级,推动更多鲤城企业在细分领域形成核心竞争力,同时积极引导辖区企业从单打独斗走向生态协同,为区域高质量发展积蓄更多动能。
原标题:重磅!“鲤跃计划”正式发布!" alt="重磅!“鲤跃计划”正式发布!" width="50" height="50" />在张女士因海投简历石沉大海而陷入极度焦虑时,佛山市南海区一家金属制品企业的HR不仅认真查看了她的作品,更用一段温暖真诚的话语,让她“一下子没绷住哭了出来”。
3月17日,南方+记者对话两位当事人,挖掘热点背后的故事,深入认识这位被全网点赞的“佛山H(好)R(人)”。
一句“放宽心”,化解求职焦虑
“这件事发生在3月8日。”张女士告诉南方+记者,她是佛山南海狮山人,2025年从佛山市南海技师学院室内设计专业毕业,最近一年都是一边兼职一边求职,希望在狮山本地找到专业相关工作。事发前两天,因家里催得紧,她一口气投递了约50家公司。
“招聘软件上大部分的HR(人力资源)负责人都是已读不回,那段时间我的精神高度紧绷、极度焦虑。”她说。
来自佛山一家金属制品企业的HR,在仔细看完张女士的作品集后,先是诚恳地给出了职业建议:“效果画得挺好,但我们是工厂岗位,偏向实际应用,你更适合去装修设计类公司。”
随后,他话锋一转,以过来人的身份安慰说:“当时我和你一样,看着同学陆续找到工作,着急得不得了。但现在想想,真的没必要焦虑。千万不要病急乱投医,实在不好找,在家缓一缓也没事。”

佛山市铝匠坊金属制品有限公司负责人左晶晶与求职者张女士在招聘软件上的聊天截图。受访者供图
这段意料之外的回应,让张女士瞬间破防。“听完这番话,我感受到了家乡企业浓浓的人情味,人一下子就不焦虑了。”她回忆说。

求职者张女士向佛山市铝匠坊金属制品有限公司负责人左晶晶表达谢意。受访者供图
随后,张女士将聊天截图发到网上,迅速引发网友共鸣。有人感叹“看得我眼泪稀里哗啦”,有人称赞这是“真正的H(好)R(人)”,甚至有不少人询问:“这么好的HR,公司还招人吗?”
暖心HR,把“拼搏”当信条
全网点赞的HR,就在佛山市南海狮山。
3月17日上午,南方+记者来到位于狮山官窑的佛山市铝匠坊金属制品有限公司(下称“铝匠坊”),看到暖心HR左晶晶,他的另一个身份是这家金属制品企业的创始人。

3月17日,佛山市铝匠坊金属制品有限公司负责人左晶晶正在电脑前办公。林洛峰摄
“这只是一件小事。”他说,自己经历过年轻人刚踏入社会的过渡和适应阶段,知道毕业生求职就业会面对诸多挑战,所以将心比心,和张小姐多说了几句。
今年34岁的左晶晶是江西人,2015年在江西景德镇读完大学后来到佛山南海,从一家铝板厂的生产普工做起,逐渐积累起铝加工相关工作经验,也存下了一些积蓄。2019年,他投资入股南海里水一家金属制品企业,一边当股东,一边继续在铝加工行业里沉淀。
到2025年2月,他拉上一个合伙人来到狮山官窑,共同创办了现在这家公司,带着2名设计和4名生产工人,从事铝制屏风、铝制背景墙、铝型材窗户、铝隔断等设计、生产和销售。
作为一家初创企业的负责人,左晶晶不仅要管生产,还要谈业务,管人事,他甚至把工位安排在两位设计师的旁边,必要时就打开CAD绘图软件,接手产品设计工作。忙的时候,他和同事加班到晚上十一二点也是常有的事情。
一分耕耘,一分收获。在左晶晶和团队的努力下,铝匠坊在创办第一年就实现营收300多万元,远超左晶晶的预期。今年3月初开年上班以来,公司已经顺利拿下10多个订单,单这些订单就要排到4月中旬才能赶完。

3月17日,佛山市铝匠坊金属制品有限公司负责人左晶晶(右)指导工人生产作业。林洛峰摄
“年轻人就是该拼!”左晶晶用自己的经历鼓励所有求职者,就算暂时找不到工作也没关系,做一些自己喜欢的事情,学习一些新东西,积累更多的经验,日后总有用武之地,也终能找到自己事业的归宿。
从企业到城市,尊才、敬才、爱才
在公司日常管理中,左晶晶对员工一直都坚持宽以待人的态度。
“晶哥人很好,我大学毕业后一直追随着他。”“00后”邱向杰是铝匠坊的其中一名设计师,在2022年入职左晶晶投资入股的里水金属制品企业,几年来一直受到左晶晶的关照,让他最难忘的是有一次生病发烧,自己没备退烧药,左晶晶冒着被感染的风险,专门带上药品上门去看望他。
邱向杰有着过硬的工业设计能力,又踏实肯干,这给左晶晶留下了深刻的印象,两人的关系日益紧密。得知邱向杰家庭条件不是太好,左晶晶决定创业时还带上了邱向杰,让他成为铝匠坊的另一名合伙人。
左晶晶对陌生求职者的一句暖心安慰,同样也是南海这座城市尊才、敬才、爱才的温情写照。
就在去年“百万英才汇南粤”行动计划中,南海累计组织超5300余家次企业参与各类招聘,提供岗位超12.1万个,初步达成就业意向超2.7万人。
“今年,南海将继续组团参加‘百万英才汇南粤’各项招聘活动,并计划全年举办不少于15场招聘活动,以高薪优岗大力揽才。”南海区委组织部副部长钟晓雄说,南海既关注人才的“发展大事”,也着眼于“关键小事”,切实增强人才的获得感和幸福感,努力打造成为近悦远来的人才科创“桃花源”。
3月17日,面对南方+记者的采访,张女士透露,最近狮山一家门窗企业的HR已经联系上她,邀她到企业面试画图员岗,接下来,她也会继续线上投简历、线下跑招聘会,调整好心态和期待值,再接再厉迎接挑战。
采写:南方+记者 林洛峰" alt="被全网点赞的佛山H(好)R(人),我们找他聊了聊" width="50" height="50" />贝店邀请码是您注册贝店、开贝店之前,所必须要的一个数字码,贝店邀请码是纯数字的,贝店邀请码在哪里看?贝店邀请码在哪里找?
贝店邀请码只有一种,就是“在升级成为贝店主之后,也就是成功开贝店之后,所拥有的一个贝店主专属邀请码”,虽然贝店邀请码只有一种,但如果要问贝店邀请码在哪里看,贝店邀请码在哪里找,那就得分两种情况——一个是,在注册的时候,您需要贝店邀请码才能够成功注册,这时候,贝店邀请码在哪里看?贝店邀请码在哪里找?第二种情况是,在您注册完成并成功升级为贝店主、已经成功开贝店之后,这个时候,贝店邀请码在哪里看?贝店邀请码在哪里找?

这两个情况,前者是,您注册的时候,需要用到别人的邀请码,因为贝店是邀请制的,您注册的时候,必须要使用好友(贝店主)提供给您的邀请码才能够成功注册,使用了谁的邀请码,就成为了他的下线。而后者是,您注册成功、并成为了贝店主,那您就拥有了一个专属邀请码,您使用这个专属邀请码,去邀请他人,让其他人成为您的下线,这时候,作为贝店主,您专属的,贝店邀请码在哪里看,贝店邀请码在哪里找?
第一种情况:注册的时候,贝店邀请码在哪里找,在哪里看?
这时候,只能够通过好友邀请、也就是好友将邀请码发送给您,在以前的文章中笔者提到过,可以百度搜索、随便使用网络上陌生人提供的邀请码,但并不推荐,因为使用好友的邀请码,是最好的。

邀请码的作用是啥呢?就是可以让邀请者对您进行一定的辅导,甚至是一对一的辅导开店,您的上线的所有经验,都可以倾囊相授,正因为您使用了它的邀请码,成为了它的下线!
第二种情况:当您注册成功之后,通过购买贝店严选商品大礼包,来升级成为了贝店主,此时您就获得了一个贝店主专属邀请码,这个邀请码在哪里找?在哪里看?很简单,打开贝店app,在“我的店”页面左上角、头像右侧下方,即可看到您的贝店主专属邀请码啦!
原文链接:https://www.aimhunt.com/p/7395
" alt="自己的贝店邀请码被别人添加注册后有什么好处?" width="50" height="50" />
改良土壤,守护粮仓。3月19日,镇雄县2025年生产障碍耕地治理项目在花山乡正式启动实施,通过科学增施有机肥改良土壤,让耕地重焕生机活力。

在项目启动现场,县农业部门工作人员围绕项目实施内容、重要意义向群众细致讲解,云南华联矿产勘探有限责任公司同步开展业务技术培训,并深入田间地头实地教学,重点示范讲解有机肥、土壤调理剂、叶面阻控剂的施用要点与操作方法,现场技术指导清晰实用。同时为群众免费发放有机肥160吨,切实把耕地改良举措落到田间地头。

据了解,镇雄县2025年生产障碍耕地治理项目为跨年度实施工程,覆盖全县11个乡镇18个行政村,总实施面积达20058.21亩,其中花山乡实施面积7240.88亩,为全县项目覆盖面积最大的乡。作为全省粮食主产大县,镇雄县为本项目争取中央财政资金527万元,计划向项目区群众发放有机肥2977.716吨、土壤调节剂261.704吨,并由第三方专业机构喷施叶面阻控剂585.753升。
该项目由镇雄县农村能源建设与农业环境工作站牵头实施,结合当地耕作制度、气候条件、土壤特性及水利配套等实际情况,采取增施有机肥、施用土壤调理剂、喷施叶面阻控剂等综合措施,精准治理生产障碍耕地。

“按照技术规范科学施肥,能有效解决耕地肥力下降、土壤板结等突出问题,提升土壤有机质含量,改良土壤结构,恢复土壤生态功能,既保障农产品质量安全,也助力赤水河流域生态保护工作有序推进。”镇雄县农村能源建设与农业环境工作站工作人员成丹介绍。

无人机现场喷洒施叶面阻控剂。
为严把耕地投入品质量关,昭通市农业农村局对第三方配送的有机肥开展现场抽样送检,严格核查肥料成分标注真实性、指标合规性及产品质量达标情况,确保项目用肥安全有效。

按照项目实施计划,本次生产障碍耕地治理各项措施将于2026年6月底前全面落地,秋收时节由昭通市农业农村局通过农产品抽样检测,开展项目实施效果综合评估。
据了解,自2021年以来,生产障碍耕地治理项目已在镇雄连续实施四年,累计投入涉农整合资金614万元、中央资金2055万元,覆盖19个乡镇56个村10.5万亩耕地,耕地治理成效持续显现。下一步,镇雄县将以项目实施为抓手,结合生态效应评价与常态化土壤监测,建立生产障碍耕地治理利用长效管理机制和土壤环境保护科学管理体系,持续筑牢土壤安全屏障,全力保障农作物品质与粮食生产安全。
记者:陈忠华 通讯员:周洪 谢婧妍 文/图



产品的质量决定其是否有能力生存发展下去,全国各大专用车厂家都应紧抓中标牌解放国六12吨洒水车生产质量,才能在市场的竞争中脱颖而出,下面小编带大家了解一下中标牌解放国六12吨洒水车

中标牌解放国六12吨洒水车整车外形尺寸8570X2470X2950(mm),上户吨位为:10645(Kg),驾驶室准乘人数为3人,最高车速89(km/h)。
中标牌解放国六12吨洒水车的底盘型号为CA1180P62K1L2A1E6Z,底盘轴距为5300,5000,4700,4500,5600,5800,4200,4000,3800(mm),排放标准为GB17691-2018国Ⅵ,使用10.00R20,11.00R20,295/80R22.5,275/80R22.5规格的轮胎,底盘配置的发动机型号为CA4DK1-18E6 CA4DK1-22E6 CA6DH1-22E6 CA6DH1-24E6 D6.7NS6B230 CA4DK1-22E61 CA6DH1-22E61 CA6DH1-24E61 CA4DK1-22E62 CA4DK2-24E65 CA4DK2-22E65 CA6DH1-26E65 CA6DH1-24E65 CA6DH1-22E65,底盘承载力强,可靠耐用。
| 中标牌ZBF5183GSSCAE6型洒水车主要技术参数 | |||
|---|---|---|---|
| 产品名称: | 中标牌ZBF5183GSSCAE6型洒水车 | 外形尺寸: | 8570X2470X2950(mm) |
| 底盘型号: | CA1180P62K1L2A1E6Z | 货箱尺寸: | X X (mm) |
| 总质量: | 18000(Kg) | 接近/离去角: | 17/11(°) |
| 额定质量: | 10645(Kg) | 前悬后悬: | 1400/2670(mm) |
| 整备质量: | 7160(Kg) | 最高车速: | 89(km/h) |
| 底盘参数 | |||
| 底盘型号: | CA1180P62K1L2A1E6Z | 燃油种类: | 柴油 |
| 轴数: | 2 | 前轮距: | 1928,1827,1950,1938(mm) |
| 轴距: | 5300,5000,4700,4500,5600,5800,4200,4000,3800(mm) | 后轮距: | 1878,1860(mm) |
| 驾驶室乘人数: | (人) | 弹簧片数: | 10/12+8,12/12+8,13/12+8,7/7+6,9/12+8,12/10+9,7/7+3 |
| 轮胎数: | 6 | 轴荷: | 1928,1827,1950,19383 |
| 轮胎规格: | 10.00R20,11.00R20,295/80R22.5,275/80R22.5 | ||
| 发动机参数 | |||
| 发动机型号: | 发动机生产企业 | 排量(ml) | 功率(kw)/马力(PS): |
| CA4DK1-18E6 | 中国第一汽车集团有限公司 | 4764 | 139/190 |
| CA4DK1-22E6 | 中国第一汽车集团有限公司 | 4764 | 165/225 |
| CA6DH1-22E6 | 中国第一汽车集团有限公司 | 5700 | 165/225 |
| CA6DH1-24E6 | 中国第一汽车集团有限公司 | 5700 | 179/244 |
| D6.7NS6B230 | 东风康明斯发动机有限公司 | 6700 | 169/230 |
| CA4DK1-22E61 | 中国第一汽车集团有限公司 | 4764 | 165/225 |
| CA6DH1-22E61 | 中国第一汽车集团有限公司 | 5700 | 165/225 |
| CA6DH1-24E61 | 中国第一汽车集团有限公司 | 5700 | 179/244 |
| CA4DK1-22E62 | 中国第一汽车集团有限公司 | 4764 | 165/225 |
| CA4DK2-24E65 | 中国第一汽车集团有限公司 | 5170 | 179/244 |
| CA4DK2-22E65 | 中国第一汽车集团有限公司 | 5170 | 165/225 |
| CA6DH1-26E65 | 中国第一汽车集团有限公司 | 5700 | 194/264 |
| CA6DH1-24E65 | 中国第一汽车集团有限公司 | 5700 | 179/244 |
| CA6DH1-22E65 | 中国第一汽车集团有限公司 | 5700 | 165/225 |
| 专用功能说明: | |||
| 该车采用底盘4500mm轴距,主要用于路面喷洒、园林绿化洒水;主要装置为水罐.罐体外形尺寸(长轴×短轴×长度)(mm):2400×1420×4600.罐体总容积11.1立方米,罐体有效容积10.64立方米;侧防护装置材料为Q235A,连接方式为螺栓连接;后防护装置材料为Q355B,与车辆连接方式为螺栓连接;后部防护装置的断面尺寸为240×65mm,离地高度为470mm;该车可选装鸭嘴,对冲,小型喷洒系统,高压清洗系统,自吸管路总成,左、右侧无PVC管,上绿化浇灌,后作业指示灯(箭头灯),卷盘,后部外观;随底盘装有ABS,ABS系统生产厂家:长春瑞立科密汽车电子有限公司,型号:CM4XL. | |||


人多额差异在于业余时间,业余时间生产着人才,也生产着懒汉,由此不仅使工作业绩有别,也区分出高低优劣的人生境界。中标牌解放国六12吨洒水车对质量的要求也是如此。
" alt="中标牌解放国六12吨洒水车怎么选择专汽家园" width="50" height="50" />