|
搜索
搜 索
高等教育领域数字化综合服务平台
新型生物电信号检测技术
可穿戴生物电信号监测允许前所未有的健康监护进入人们的生活，是当下IOT（Internet of Things)处于爆发前夜的一个重要发展分支，与互联网+相结合，将会推动智能医疗的发展，为医疗带来一场革命。 干性和非接触检测技术作为生物电信号可穿戴检测必要技术，均需极高输入阻抗和极高的电路噪声抑制能力，且面临监测距离与噪声之间的矛盾，尚无法满足应用需求。
南京大学
2021-04-14
猪肉冷冻储藏期快速无损检测技术
目 前已有的研究， 尚无直接针对猪肉冻藏期的检测方法，虽 然冷冻猪肉的品质指标与冷冻储藏期有密切的联系，但是其检测方法大都存在检测时间长、操作步骤繁琐、需对样品进行解冻的缺点。极大的限制了对冷冻猪肉状态监督检测的开展，造成了对冷冻肉品监管
西华大学
2021-04-14
稻米品质近红外快速检测技术
中试阶段/n该项目是利用近红外来检测稻米，其光谱区为780-2526nm，主要是由低能电子跃迁、含氢原子团伸缩振动的组合频和倍频吸收产生。稻米中含有较多的含氢基团，所产生近红外光谱可用于稻米成分、理化特性等的定量分析。确定了稻米主要营养成分（蛋白质、脂肪含量）和加工指标（出米率等）、稻米品质的特征波长、建立了稻米品质的预测模型和开发了稻米品质近红外检测软件，由于近红外光谱分析技术具有快速无损、测试简单、检测成本低和重现性好等优点，可广泛应用于农业领域（稻谷、小麦等粮食加工企业），实现稻米全产业链生产
华中农业大学
2021-01-12
既有桥梁检测、评估、加固的成套技术
项目简介： 目前，由于桥梁自然老化、超载、重载、原设计标准低等原因，很多现役桥梁很难满足交通运输的发展要求。有必要对这些有缺陷的旧桥进行检测试验、状态评估、加固维修设计和施工，最后通过荷载试验验证加固效果，提出一整套的处治方法，可提高桥梁的使用寿命和可靠性能。 首先，通过对旧桥的检测试验对其
南京工业大学
2021-01-12
浙江高联检测技术有限公司
浙江高联检测技术有限公司具有一定开发与生产能力的科技技术企业。公司主要研发、生产、销售教学用各类传感器实验仪，传感器检测技术实验台系统以及光电信息、测控技术、物联网、机器人、汽车实训、高级过程控制、工业自动化相关的实验设备。公司开发的产品已遍布全国各地。高联、CSY、GOLINK, GO-LINK系列商标字号产品深受广大用户青睐
浙江高联检测技术有限公司
2021-02-01
上海仪电检测技术有限公司
上海仪电检测技术有限公司
2022-05-24
Ai视觉检测机器人
Ai视觉检测机器人是一款搭载了六轴工业机械臂、视觉人工智能和工业大模型的高科技设备，充分利用机械臂的多轴灵活运动、重复定位精度高等优势，主要用于复杂外形工业产品的缺陷检测，特别是汽车零配件、新能源、核电领域等高端制造、品控要求高的产品外观检测。
浙江航视智能科技有限公司
2024-08-17
微小型精密零件检测技术与装备（技术/产品）
成果简介：所研制的微小型零件显微视觉检测系统，适用于各种块类、板类微小型零件及小模数微小型直齿轮的任意边缘的微米级精度测量和微结构在线快速测量。 技术指标：X/Y方向测量范围：0.01mm-50mm；Z方向测量范围：0.01mm-100mm；X/Y方向位置检测分辨率：0.05m;X/Y方向测量精度：(1+1000/L)m；可进行模数≤0.2mm微小型模数直齿轮的基本参数、几何尺寸、主要单项误差和综合误差测量。荣获国防科技进步三等奖1项，兵器科技进步一等奖1项，申请发明专利1项。
北京理工大学
2021-04-14
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10