在脊柱外科临床治疗中，进行脊柱稳定性重建时，对生物材料的需求巨大。鉴于NBA/CDACP复合材料的优良性能，我们将该复合材料用于研制脊柱重建内植物，拟完成以下主要研究目标和任务： 1）设计制备NBA/CDACP复合材料脊柱内植物产品（脊柱椎间融合器、人工椎体、人工椎板），并进行产品的生物力学研究； 2）完成NBA/CDACP复合材料脊柱内植物产品的动物实验； 3）完成NBA/CDACP复合材料脊柱内植物产品的临床应用研究； 4) 培养2-3名生物纳米材料临床应用研究方面的科研人才和研究生，在国内外发表约5篇相关科研论文，申请2项国家专利，3项省内专利； 5) 初步建立活性纳米复合生物材料及制品的标准动物实验和临床应用研究程序和模式，初步形成该类材料和制品的行业评价标准，为将来制定国家标准奠定基础； 6）临床应用研究完成后，将该产品向国家申请生产许可证，进行批量生产，进行临床推广使用。

该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。 主要技术指标 不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。 （1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。 （2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。 （3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。 表 1.PaviaU 大学数据的训练样本选取与分类结果 表 2. 不同窗口大小下的特征生成时间比较

本发明的目的是提供一种可供极细的33G针头注射用的膦甲酸钠眼玻璃体腔内释药物，可以延长药物作用、减少给药次数、减少玻腔反复注射引起的不良反应。本发明是对普通膦甲酸钠注射剂的改进，将膦甲酸钠、可生物降解的药用聚乙二醇类辅料和GPQ肽类交联剂，制备成具有缓释作用的可供极细的33G针头注射的眼玻璃体腔内缓释药物。本发明包含A组分与B组分，A组分为膦甲酸钠和可生物降解的药用聚乙二醇类辅料共同构成的均质的混合溶液，B组分为肽类交联剂溶液。注射前，只需用配33G针头的注射器抽取等体积的A组分与B组分，轻轻混匀即可进行眼玻璃体腔内注射。A组分与B组分在混匀后的10分钟内为普通液体，注射进眼玻璃体腔内后，因药用聚乙二醇类辅料在肽类交联剂的作用下形成凝胶状植入剂，阻滞膦甲酸钠快速释放，从而起到缓释药物作用，延长给药。为减少玻璃体腔穿刺注射引起的严重并发症，使用针头的直径越细(也就是G值越大)的针头进行玻璃体腔注射是临床的发展趋势，使用药物制备成缓释剂，也可有效减少玻璃体腔注射频次。此发明专利具有较好的临床应用前景。间隔时间。

本发明涉及一种连铸中间包内旋型湍流控制器，包括控制器本体和形成在控制器本体内的中空腔室，所述中空腔室上端设有出口，中空腔室底部四周设置有旋向一致，不与侧面垂直的立方体旋流挡片。本发明通过在在中间包长水口的正下方，与浇注的长水口对应的中空腔室底部设置旋向一致的立方体旋流挡片，使经中间包长水口注入的钢水形成一个旋流的速度场，即能防止液面波动过大，稳定钢液，降低湍动能，产生的离心力又很大程度的促进了非金属夹杂物的碰撞几率，碰撞聚集长大后更好的上浮，能更有利于去除，最终达到了净化钢液的目的。本发明结构简单，加工简便、操作方便；能在内部形成旋流的速度场，有效除去夹杂物，有效降低湍动能。 （注：本项目发布于2014年）

本申请实施例提供一种用于空心板梁内腔作业的智能维修装置，涉及桥梁维修技术领域。启动支撑腿控制器，通过可折叠支撑腿将履带式轮组顶紧于空心板梁内腔底板之中，通过轮组控制系统驱动主动轮，主动轮带动从动轮转动，通过主动轮和从动轮带动履带运动，履带的运动可以使得本维修装置在空心板梁的内腔运动，便于对空心板梁内腔进行高效且便捷的打磨处理操作；通过可伸缩连接件调整打磨组件刷头连接杆以适应内腔空间尺寸；启动打磨组件圆盘，打磨组件圆盘上分布八个可伸缩的打磨刷子，通过打磨组件圆盘的转动可以实现对空心板梁的内腔进行全面细致的打磨操作，打磨产生的粉末等建筑垃圾通过打磨刷子中间的管道经由打磨组件圆盘内部进入废料收集箱；检测评估圆盘圆周方向布设系列高清摄像头，通过采集内腔打磨后的效果图片，输入到评估系统进行自动评估打磨后的粗糙度，以满足腔内注浆维修要求。该装置可以极大提高打磨作业的质量和效率，从而保证空心板梁内腔与注浆维修材料具有可靠的粘结性，提高空心板梁的抗剪承载力。

XM-MN100高仿真泌尿内镜技能训练人体模型   功能特点： ■ XM-MN100高仿真泌尿内镜技能训练人体模型主要用于膀胱镜、输尿管镜的技能训练。 ■ 可练习的操作包括：膀胱镜（硬性、软性）检查、输尿管逆行插管及输尿管（硬性、软性）镜检查等。 ■ 配合超声、气压弹道、钬激光等多种能量方式，湿式模型（即可浸入液体环境的模型）还可用于膀胱镜、输尿管镜碎石、输尿管狭窄段内切开等多种操作。 ■ 通过训练可以让学员掌握膀胱镜进镜手法、输尿管逆行插管原则、半硬性输尿管镜进镜技巧等相关知识。 ■ 还可让学员掌握膀胱镜、输尿管镜碎石技巧、软性输尿管镜进镜的操作流程及肾盏探查顺序等。 ■ 男、女性人体任选。

主要功能和应用领域： 本技术可实现人粪便样本显微镜检有型成分图像的自动识别与分类，利用计算机图像处理、模式识别及人工智能的理论与技术，对显微镜下拍摄到的粪便样本图像进行研究，通过对各种有型成分形态和颜色信息等进行特征匹配与分类计数，分别标示出红细胞、白细胞、虫卵和真菌孢子等不同种类的有型成分，从而达到在线自动识别有型成分的目的，作为医院临床诊断的依据。该技术可扩展应用于医院尿液、白带、脑脊液、胸腹水、胃液、精液等常规检查，并可用于脱落细胞学的癌及癌前病变检测及分析。 特色及先进性： 1）复杂背景环境下的自动识别。采用自适应双闭值分割算法进行粗分割，提取出ROI区域中的单个细胞或细胞群作为分析目标，细胞图像的精细分割将在每个ROI区域里完成，极大地减少了数据运算量。 2）针对形态各异和边缘模糊图像的精准分割。针对有型成分的显微生物图像特点，去除边界拓扑结构复杂、细胞各组成区域内灰度不均匀以及成像易受噪声干扰等因素的影响，基于Chan一Vese模型，提出几何活动轮廓模型方法，使用几个独立的水平集进行有型成分图像的分割，与传统分割方法对比准确率提升30%。 3）针对种类繁多的神经网络集成识别。基于普通神经网络泛化能力不高的问题，提出利用有限个神经网络进行集成并将其结果进行合成，显著的提高整个分类学习器的泛化能力，提高了整个系统的识别能力。 4）采用重叠分离算法精准分类。有型成分分离、细胞个数的准确读取决定了整个系统的精准程度。通过寻找到合适的分离点并构建分离线，实现重叠区域的快速合理分离，从而将粘连、重叠的细胞分离开来，并进行准确计数。 技术指标： 有型成分 漏检率 误检率 白细胞 5% 15% 脓球 20% 30% 吞噬细胞 20% 30% 红细胞 5% 15% 孢子 15% 25% 夏科雷登结晶 10% 10% 寄生虫 5% 15% 脂肪球 10% 15% 单张图片检测时间：＜0.5 s 关键问题和实施效果 现今国内大多数医院和研究单位对生物细胞或微生物病菌等检测还是采用人工处理的方式，即将样品制成涂片，在显微镜下观察并根据大小、形状等特征进行分类计数以得到数据结果，医务人员再通过这些数据结果凭借自身的知识和经验诊断病症或得出研究数据。该技术能够实现样本显微镜检有型成分的自动识别，满足了临床开展常规及特殊检测需要，使得生物检测在自动化、无异味、无危险性的情况下进行，提高了检测效率，改善工作环境，保护工作人员，降低检测成本和检测时间，提高在国际市场的竞争力，有利于医疗检测行业的智能化发展。该技术可识别的部分生物细胞图像如下图所示。 红细胞 白细胞 霉菌 虫卵

本技术可实现人粪便样本显微镜检有型成分图像的自动识别与分类，利用计算机图像处理、模式识别及人工智能的理论与技术，对显微镜下拍摄到的粪便样本图像进行研究，通过对各种有型成分形态和颜色信息等进行特征匹配与分类计数，分别标示出红细胞、白细胞、虫卵和真菌孢子等不同种类的有型成分，从而达到在线自动识别有型成分的目的，作为医院临床诊断的依据。该技术可扩展应用于医院尿液、白带、脑脊液、胸腹水、胃液、精液等常规检查，并可用于脱落细胞学的癌及癌前病变检测及分析。

印染织物电脑对中纠偏系统及其装置，具有布边卷取、展开、扩布和对中控制功能。可连接棉印行业的烧毛机、水洗机、镀层机、丝光机、定型机、平网印花机、圆网印花机以及造纸机、塑料薄膜生产线等机械的入口处。自动对中修正偏斜，减少偏斜式边缘弯曲不正所产生的摺纹式色泽光泽不均现象，提高产品品质，实现生产自动化。 本系统采用微电脑与红外数码技术，将模糊智能识别用于对中纠偏，较模拟电路的对中装置上一档次，属国内首创。该系统具有抗干扰性能强、动作稳定可靠、灵敏度高等优点，不受织物厚薄和幅宽的限制，可自动控制中心位置，可高速运行，是提高印染产品质量的好帮手。本系统还可选配笔记本电脑监控工作状况连接Internet网络。

图1. 矿识的4个页面 a: 选取待识别的矿物，可现场拍照获取或从手机相册中选取 b: 截取待识别矿物中心图 c: 输入便携硬度仪测量或经验估计所得的硬度值后得到识别结果 d: 可以不使用硬度值，仅用图片进行识别 表1 矿识与其他相关工作的对比 图片类型 相关研究 性能 可识别矿物数 准确率(%) Raman spectroscopy 拉曼光谱 Computers & geosciences 2013 6 83.0 Microscope 显微镜 Sensors 2019 4 90.9 Mathematical and Computational Applications 2011 5 93.9 Photo 相机图片 Artificial Intelligence in Theory and Practice, 2008 6 91.0 Minerals 2019 12 74.2 photo & hardness 相机图片+硬度 矿识 36 90.6   表2 矿识能够识别的36种矿物及其准确率 矿物名 样本数  仅用图片识别的正确数 结合图片与硬度识别的正确数 Agate玛瑙 5 5 5 almandine铁铝榴石 6 4 4 azurite蓝铜矿 2 1 2 beryl绿柱石 1 1 1 chalcopyrite黄铜矿 2 1 2 cinnabar辰砂 1 1 1 copper铜 2 2 2 fluorite萤石，氟石 11 8 10 galena方铅矿 3 2 3 halite石盐 1 1 1 hematite赤铁矿 8 1 5 malachite孔雀石 6 5 5 opal欧泊 1 1 1 orpiment雌黄 3 1 3 pyrite黄铁矿 6 5 6 quartz石英 4 4 4 sphalerite闪锌矿 1 0 0 stibnite辉锑矿 8 7 8 sulphur硫磺 2 2 2 total 73 52 65 Accuracy \ 71.2% 89%