成果与项目的背景及主要用途：无创检测动脉血液成分中的血糖、血脂和蛋白质等。 技术原理与工艺流程简介：根据课题组提出的动态光谱理论研制。技术水平及专利与获奖情况： [1]中国发明专利：无创动脉血液成分测量仪器及其测量方法 ，专利申请号：02121372.0。 [2]中国发明专利：动脉血液成分检测的空域分光差分光谱仪及检测方法，专利申请号：200410019316.1。 [3] 中国发明专利：动脉血液成分检测的时域分光差分光谱仪及检测方法，专利申请号：200410019317.6。 [4] 中国发明专利：组织成分检测的变光路时域分光差分光谱仪及检测方法，专利申请号：200410019320.8。 [5]中国发明专利：组织成分检测的双探头差分光谱仪及检测方法，专利申请号：200410019318.0。 [6]中国发明专利：组织成分检测的变光路空域分光差分光谱仪及检测方法，专利申请号：200410019319.5。 应用前景分析及效益预测：市场巨大、成本低、使用便捷。 应用领域：医院和家庭保健。 技术转化条件（包括：原料、设备、厂房面积的要求及投资规模）：不需特殊设备和条件。 合作方式及条件：技术入门费＋产值提成：400 万＋5％。

浓度是衡量工业产品质量的一项非常重要的指标，采用光学原理测量浓度的方法如旋光法、分光光度法、干涉法、折射率法等，光学方法采用非接触式测量手段能够方便快速测量液体浓度，但诸多光学方法存在成本高、灵敏度低和测量范围窄等不足之处，为了避免现有技术所存在的不足，提出了一种基于光电读出技术的浓度检测仪，在降低装置成本的基础上能有效提高光电检测透明溶液浓度的灵敏度，并实现设备小型化。

本项目检测系统通过高帧频面阵相机动态实时采集纱线图像，配合鲁棒性图像处理与参数检测算法，实现对纱线条干均匀度的全面评价，建立电子黑板和电子织物构建模型，实现纱线条干均匀性的可视化，预测纱线条干在黑板和织物中的外观效应。该项目同时可用于纱疵分类、竹节纱参数检测以及纱线等级预测评定。 关键技术 （1）纱线传动控制各单元的协调与配合：包括传动装置与采集设备各组件的配合设计，纱管退绕装置与主动轮连轴传动时的张力控制，运行中纱线的抖动和跳动问题，暗箱、相机镜头和光源位置的优化调整以及纱线速度、光源亮度与相机帧频、曝光时间的配合问题。 （2）基于 C++与 Opencv 的多线程实时处理框架的搭建，在纱线图像采集的过程中，实现图像的边采集边处理，提高系统的实时性，缩短检测所用时间，杜绝纱线信息丢失现象，从根本解决纱线图像高速检测的问题。 （3）鲁棒性纱线图像处理算法的研发：包括配合实时检测的纱线图像分割算法的研发，相邻图像间重合部位查找算法的研发以及纱线图像可视化模块电子黑板构建算法和电子织物仿真算法的研发。 知识产权及项目获奖情况 已授权发明专利 2 项。发表相关 SCI 论文 6 篇，EI 论文 4 篇 项目成熟度 采用图像式纱线条干检测系统已对多种类型的纱线进行检测，并将检测结果与成熟的仪器和人工结果进行了对比，无论在段片段不匀、周期性不匀，还是相关性分析和长片段不匀方面，该检测系统都可获得与成熟仪器较为一致的结果。 

产品详细介绍轻便小巧，便于携带，使用方便，操作简单 全中文界面标准软件，使用简单操作方便（可按客户需求定制） 2*2in Nai探测器（可按需求配置不同尺寸的各种探测器） 高性能精确度高，有1024道，2048道，4096道（可定制） 可自行设定报警阀值 准确的核素识别功能 标准核素库，用户可自由添加，删改，选用核素 大容量锂离子电池，充满电可以连续工作20小时 PDA掌上电脑，蓝牙数据通讯。PDA数据可传至电脑进一步分析处理。 手持式便携数字化能谱仪的主要特征： l      外接智能NaI(TI)探测器，内置GM管 l        NaI(TI) 探测器与主机用螺旋电缆连接，探测器伸到测量部位，可就近方便观察测量结果 l        三种工作方式：     a.剂量率测量 一 任何工作方式都兼顾剂量率测量 b.寻找放射源 c.实时核素识别 一 可存无数个核素库文件 l        可指示不同核素的剂量率贡献，可分别设置不同核素的报警阀值 l        核素识别采用了Genie2000软件完备成熟的分析处理核素识别技术。即便存在多种核素（4种以上），或者源放置在存储蓄（屏蔽影响）中，也能正确识别各种核素。同时指示是否存在核素库内没有编辑的未识别核素。 l        可识别核素种类（128种！），可同时识别核素多（同时识别数十种核素！） 高品质、可触摸操作彩色显示屏 一 国内市场独此一款！ l        可选规格NaI(TI) 探测器规格：1.5″×1.5″，2″×2″，3″×3″ l        可配置中子探测器（慢化3H管） l        与计算机采用USB通讯，谱数据、核素库、刻度参数和分析步骤下载和上传 l        大容量：可存储512个1024道的谱 l        更多道数：4096道MCA l        独特的专利稳谱技术一 内置高稳定发光LED，随时实现稳谱。＜±2％＠–20℃～＋50℃ l        可通过USB实现固件升级 l        时间预置：1～106S，（实时间／活时间） l        自动谱采集分析处理   2主要技术指标： l        计量（率）范围：10nSv∕h～100mSv∕h，10nSv-10Sv l        能量范围：50KeV～3MeV-NaI(TI)，30KeV～1.4MeV-GM l        计数通过率：＞50KCPS l        输入计数率：＞500KCPS 售后服务 硬件免费保修三年； 软件终身免费升级 可根据用户需求定制软件、硬件功能  

本发明公开了一种基于开放磁路的磁致伸缩导波检测传感器，该检测传感器包括激励线圈、接收线圈和磁性装置，磁性装置包括多 个检测模块，并且这些检测模块周向均匀布置，以用于吸附到被检细 长构件的外侧;每个检测模块均包括外壳、永磁铁和导磁板;相邻两 外壳通过一调节装置连接;激励线圈和接收线圈靠近检测模块并同轴 套设于被检细长构件的外侧，激励线圈输入正弦交变电流，以在接收 线圈中产生感应电压，以使计算机接收到此感应电压的信号并判断被 检细长构件内是否存在缺陷。本传感器结构简单，具有体积小、重量 轻、安装方便的特

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

主要技术内容： （1）提出了基于神经网络的多电平 SVPWM 控制技术，研发了基于 FPGA 技术的多电平 SVPWM 控制器，实现了塑料片材挤出装备驱动电源的高效性。采用神经网络技术，实现参考电压矢量所在区域判断及矢量作用时间计算，降低了计算量；将多电平 SVPWM 控制器集成到一片 FPGA 芯片上，为挤出装备用交流电机驱动控制提供高性能的专用 SVPWM 控制器，可以直接与通用变频器对接。 （2）提出了分离型螺杆结合 CRD 分散混合器的高速螺杆技术，提升了挤出效率及效果；研发了塑料片材挤出螺杆高频电磁感应加热装置，有效降低了挤出机运行能耗。将常规三段式螺杆设计成五段式，改变了传统螺杆直径对挤出产量的限制。在螺杆机筒外壁上缠绕电流线圈，线圈外再包覆隔热层，线圈两端连接控制线圈电流的高频电源模块；在常规加热瓦加热的基础上，通过电磁感应原理使螺杆产生热量，使得螺杆及螺杆机筒同时加热，缩短了机筒内聚合物塑化时间、降低了能耗。 （3）提出了面向塑料片材挤出成套装备运行过程的全息生产车间制造物联感知技术，开发了成套装备运行的全息感知系统。构建了 RFID-WSN 数据采集集成网络，提出了 LZM - WKPSO 优化算法，在保证覆盖率的前提下使干扰最小；借鉴昆虫协作机理，提出了基于昆虫协作机理的源节点选择概率算法，最大化降低了网络能量消耗。（4）提出了塑料片材挤出成套装备多目标柔性资源优化调度模型，研发了塑料片材挤出装备精益管控软件平台，实现了成套装备的高效能运行。建立了多目标柔性资源优化调度模型，采用重力粒子群混合优化算法进行求解。按照 SOA 思想，设计了集成平台；开发了塑料挤出成套装备运行功能模块，并与底层全息车间无缝集成，形成塑料挤出成套装备精益管控平台。 行业意义： 本项目针对高效能塑料片材挤出装备的关键技术取得了创新性成果，解决了我国塑料片材挤出装备业目前普遍存在的高能耗、高污染、低附加值、低劳动效率等问题，提升了塑料片材挤出装备的自动化与信息化水平，促进了塑料片材挤出装备的自动化、信息化深度融合；完成了塑料挤出装备产业技术上的跨越式发展，极大地推动了塑料挤出装备产业结构的优化升级，实现了产业结构由高消耗向高效率的转变。 获奖情况：2015 年获中国商联联合会科学技术进步奖特等奖。 成果的技术指标、创新性与先进性: 目前市场上还没有完全一样的同类产品出现，国外主要有德马克、克虏伯、巴顿菲尔,日本的住友重工等公司在致力于开发塑胶挤出装备产品，但是他们开发的还是将单一系统的简单组合，无法从单机与成套装备精益化管控两方面集合提高系统的能效。由于本项目是从单机关键设备能效优化设计和成套装备精益化管控能效优化设计两个方面入手，开发料挤出成套装备，产品具有能耗低、效率高等特点。综上所述，本项目产品目前拥有先入的一定优势，竞争对手在技术方面无法与本项目产品直接竞争。 本项目产品具有如下技术和性能优势： （1）螺杆的速度从同行的 100 转/分钟提高到 200 转/分钟，挤出量从类技术的 200kg/h 提升 400kg/h；挤出效率的提升导致能耗降低 10%左右；同类技术目前直径 105mm 的螺杆需要配置 115KW 左右的电机，而本项目技术只需要配置90KW 左右的电机，降低了能耗。 （2）螺杆高频感应加热装置使得加热系统能耗降低 15%左右； （4）克服了同类技术在高速混合挤出时混合效果差导致温度不均衡、色差大等问题，提高了制品的品质； （5）生产工艺数据自动数采率 95%以上； （6）生产效率提高 30%左右；优等品率提高 20%；产能提高 1.5 倍； （7）填补国内针对塑料挤出装备生产过程的精益化生产软件的空白； （8）本项目实现生产流程的闭环优化，现有的 ERP、MES 系统则为开环控制； （9）本项目的软件平台有效提升了塑料挤出成套装备的附加值。 技术的成熟度: 相关技术已经形成产品，在广东达诚机械有限公司及其下游企业进行了产业化。 项目成果转化造价：130 万元； 投资预算：硬件成本（不包含塑料片材挤出机本体部分）85 万元；软件开发45 万元。 成果应用范围：塑料包装行业、包装机械行业。 应用案例及单位：成果在广东达诚机械有限公司等行业龙头企业进行了产业化，并在广东、江浙等地区的 10 多家塑料企业进行了推广应用。 经济和社会效益：项目成果能够有效降低能耗 25%，提高生产效率 30%左右，使得企业投资效益大幅度提升。近 3 年来，据不完全统计，累计新增产值约 67206 万元，新增利润 5040 万元，新增税收 2872 万元。项目成果解决了我国塑料片材挤出装备业目前普遍存在的高能耗、高污染、低附加值、低劳动效率等问题，提升了塑料片材挤出装备的自动化与信息化水平，促进了塑料片材挤出装备的自动化、信息化深度融合；完成了塑料挤出装备产业技术上的跨越式发展，极大地推动了塑料挤出装备产业结构的优化升级，实现了产业结构由高消耗向高效率的转变。 

研究团队全面对比了现有的河流障碍物检测方法（记录、计数和分类），包括实地调查、建模模拟、自动化检测等。研究表明，不完整的障碍物数据库，特别是当大量的小型障碍物数据缺乏时，会导致水资源管理不可靠和低效的生态修复效率。