1. 痛点问题 PDF电子工程图作为一类重要的非结构化数据，承载了丰富的业务知识和信息。然而，因其复杂性和专业性，PDF工程图难以被机器直接处理，目前主要还是靠人来读取、理解、核对和应用，限制了工程建设领域行业的深层次智能发展。若机器能够像人类一样理解图纸的内涵，就可以支撑丰富多彩的下游智慧应用。如规范智能审查、3D模型智能重建、面向应急逃生、无障碍等特定应用场景的信息智能提取等。这些基于图纸的智慧应用，其核心挑战就是对图纸内容的有效识别和理解。 2. 解决方案 清华大学软件学院BIMChecker Group，自主研发了“图智”-PDF工程图AI识别与审查重建系统，基于深度学习技术和工程领域业务知识应用的有效融合，解决了现实PDF工程图纸信息高分辨率、高密度、相互遮挡等识别难题，实现了对建筑平面图图元和空间布局的智能识别和结构化表达。主要特点如下。 1） 适用于住宅建筑、公共建筑等民用建筑以及仓库、厂房等工业建筑； 2） 支持建筑设计说明、表格、建筑平面图的一键式AI识别； 3） 支持Revit模型一键生成和面向《建筑设计防火规范》的一键审查； 4）支持对现有防火条文、其他国家规范、企业规范的修改和自定义，系统的审查算法可自动适配更新。 合作需求 寻找在AI审图、室内矢量模型重建、图纸特定信息智能提取及其它基于图纸的智能应用场景方面有需求的合作方；开展系统的应用推广、定制化图纸内容识别服务等内容，为各类下游应用、平台提供核心AI图纸理解技术支撑。合作方需具备项目或资金支持。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试

可以量产/n该成果涉及一种稻米食品全产业链信息系统，包括信息采集模块，信息传输模块，信息处理模块，综合决策模块，信息存储模块，信息输出模块，所述信息为稻米食品全产业链各环节信息，包括育秧信息、种植信息、仓储管理信息、加工管理信息；所述稻米食品全产业链各环节包括育秧环节、种植环节、仓储管理环节、加工管理环节；所述信息传输模块包括将从稻米食品全产业链各环节现场所采集到的原始信息经有线或无线方式经过通讯模块传递到远程监控终端，和远程监控终端的控制信息经过通讯模块传递到控制终端。本发明通过全产业链信息平台，监控和防止各种危害因子的产生和迁移，可为稻米食品产业链的高效安全生产奠定基础，真正做到食品溯源，全称监控并实现在线检测。

成果简介：随着智能手机、移动通信技术、多媒体技术的不断发展，近年来 涌现出了米聊、TalkBox、微信等语音及时通信工具。语音及时通信工具通 过移动互联网免费传递语音短信的方式，方便了信息输入的同时节约了电话 资费，已经提出就迅速流行起来。可以预见，随着语音及时通信技术和应用 模式的不断成熟，语音及时通信将成为智能手机上的一种主流通信模式。使 用语音信息隐藏技术将保密信息隐藏于语音短信，具有隐蔽性、便利性和安全性等优点。本系统实现具有不可感知性、鲁

团队联合中美研究成员，应用三维激光成像技术，研发了具有世界先进水平的三维激光道路路面智能检测车，可在最高采集时速100km/h的情况下，对约4m宽的路面范围实现毫米级三维扫描。 一、项目分类 重大科学前沿创新 二、成果简介 团队联合中美研究成员，应用三维激光成像技术，研发了具有世界先进水平的三维激光道路路面智能检测车，可在最高采集时速100km/h的情况下，对约4m宽的路面范围实现毫米级三维扫描。同时，创新应用先进的深度学习技术，开发了路面病害及路面特殊构造物智能识别算法，可精准识别路面裂缝、坑槽、灌缝、修补、错台、标线、伸缩缝、板缝、伸缩缝、井盖等多种路面病害及路直特殊构造物。相关研究成果在中国、美国、巴西、南非、日本、印度等多个国家的道路检测工程实践中已得到大量应用。

苏州大学智能信息处理平台的目标是能处理多模态文字数据，精准分析语言内部结构，对人类语言进行深层理解，以支持各种应用需求。 一、项目分类 显著效益成果转化 二、技术分析 苏州大学智能信息处理平台的目标是能处理多模态文字数据，精准分析语言内部结构，对人类语言进行深层理解，以支持各种应用需求。系统可以处理多种非结构化数据，比如说明书、技术标准、车间工单等纸质文档或电子文档。把图像识别技术(OCR)和自然语言理解技术(NLP)相结合，从表单图像中抽取关键要素信息。在此基础上，我们搭建了包括知识图谱问答 (KBQA)、常见问题检索 (FAQ)、对话 (Chatbot)在内的智能问答及对话系统、以及面向大数据的文档信息抽取系统。能够对给定的自然语言问题通过查询、推理提供精准满意的答案，和面向大规模文档提供信息抽取和舆情分析等服务。目前已经向多家公司提供各项相关服务。

可以量产/n该成果涉及一种稻米食品全产业链信息系统，包括信息采集模块，信息传输模块，信息处理模块，综合决策模块，信息存储模块，信息输出模块，所述信息为稻米食品全产业链各环节信息，包括育秧信息、种植信息、仓储管理信息、加工管理信息；所述稻米食品全产业链各环节包括育秧环节、种植环节、仓储管理环节、加工管理环节；所述信息传输模块包括将从稻米食品全产业链各环节现场所采集到的原始信息经有线或无线方式经过通讯模块传递到远程监控终端，和远程监控终端的控制信息经过通讯模块传递到控制终端。本发明通过全产业链信息平台，

       计算全息与信息安全综合实验系统是用光电传感器件（如CCD或CMOS）代替干板记录全息图，然后将全息图存入计算机。全息图可以通过用计算机模拟来实现被测物体的数字再现和处理。也可以利用空间光调制器（SLM）实现光学再现。数字全息与传统光学全息相比具有制作成本低、成像速度快、记录和再现灵活等优点。近年来，随着计算机特别是高分辨率CCD的发展，数字全息技术及其应用受到越来越多的关注，其应用范围已涉及形貌测量、变形测量、粒子场测试、数字全息显微、防伪、三维图像识别、医学诊断等许多领域。        TP-XOS1 计算全息与信息安全综合实验系统使用高精度CMOS相机和空间光调制器（SLM）进行采集和再现，降低了对环境（暗室、防震）的要求，免去了冲洗的不安全隐患，可以对数据进行二次开发，如滤波、存储、传输、加密安全等，拓展了全息的应用领域。 主要实验内容： 数字记录数字再现实验 光学记录数字再现实验 数字记录光学再现实验 光学记录光学再现实验 信息安全光学加密原理实验    

哈尔滨工程大学高分辨海洋信息获取系统设备采购及服务竞争性磋商