项目简介 本成果涉及一种手术导航设备，尤其是用于骨科髋关节置换手术中对患者股骨腔的 切削导航仪。151 有益效果是：股骨腔髓腔锉切削导航仪的中央处理单元对图像采集单元采集的数据进行 分析，模拟并在现实单元上显示出的髓腔锉切削参考导路，通过这种方法可确保股骨柄 假体一次植入成功，保证定制型人工髋关节股骨柄假体与患者股骨腔的匹配程度。该成 果已获得发明专利授权。 适用范围、市场前景 适用范围：骨科髋关节置换手术髓腔锉切削患者股骨腔松质骨手术导航。市场前景： 我国地大物博，医学水准参差不齐，

项目背景：目前电力机器人在作业过程中，由于环境恶 劣，电磁刚绕强度高，造成控制系统不稳定；同时在巡检过 程中，要对各种线路金具、各种作业仪表进行识别与检测， 通常采用机器视觉技术。但由于机器人作业在野外或阴暗照 明等复杂环境，存在识别率低，不稳定等问题。本项研究针 对特殊应用环境，拟开发一套基于机器视觉的巡检机器人控 制系统。 所需技术需求简要描述：1.基于多传感器信息融合的机 器人越障系统：主要包含视觉、激光雷达、超声、红外等传 感器信息，能够实现对巡检路径上障碍物的实时识别与定 位；2.巡检机器人远程监控平台：用于对巡检机器人采集到 的信息进行远程传输和监控，包含巡检路径上的实时视频传 输、机器人运行状态信息显示、巡检故障诊断与显示等；3. 小样本深度学习算法：针对极端环境下数据采集困难，数量 少等问题，研究基于小样本学习的深度学习算法，提高极端 环境下的障碍物识别精度；4.图像增强算法：针对高空强光、 阴暗、潮湿等极端环境所带来的图像识别困难问题，研究相 应的图像增强算法，提高识别精度。主要技术指标：1.开发 设计一种适合高压线路金具视觉检测与识别技术，对输电线 路各种金具进行动态识别与检测，解决野外环境下识别率低 的问题，形成一套完整的线路金具机器视觉识别与检测方 法。2.开发设计一种适合地下阴暗、潮湿、多尘环境下视觉检测与识别技术，形成一套完整的机器视觉识别与检测方 法。包括线路金具的识别模型和线路金具的定位方法与双目 测距技术。  对技术提供方的要求:拟与高校联合开发，要求团队具 有类似经验，具备电力机器人研究经历，具有电力线路识别 研究基础，最好有研发案例。 

830mm×320mm×240mm，锥体能“爬”到轨道顶部。轨道夹角可调，配有圆柱，可测量锥体轴与底板的高度。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

由于航空发动机和燃气轮机叶片型面是空间异型曲面，因而其设计、制造及维修都面临巨大挑战。为了在设计加工层面提高叶片加工质量，同时在修复层面提高叶片使用寿命，开展叶片高效高精测量研究至关重要。 本项目面向叶片制造研发了一套基于四轴运动平台与线激光扫描相结合的叶片型面检测装置，并开发了集运动控制、数据采集与处理、精度评估等多功能于一体的软件系统，可实现多类型叶片的二维截面高精度测量与三维型面自动化高效重构,有效克服因叶片复杂结构特征带来的扫描数据密度差异性大、重叠区不足等因素对重构精度的影响。本项目面向叶片3D打印修复，研发了一套高效高精度的叶片检测方法与集成系统，可实现批量化叶片截面轮廓位姿及其轮廓的自动化测量、数据重构和叶片配准，为叶片修复工艺流程中的3D打印和后续机加工等工艺环节提供关键的数字化测量、加工工艺数据，有效提升修复精度与效率，并降低成本。 本项目的开发成果可应用于航空发动机、燃气轮机等叶片制造、修复全生命周期的测评、重构、反求等场景，市场规模大。 图 面向叶片3D打印修复的检测方法与集成系统硬件平台

杭州冠力智能科技有限公司是建筑增材智能制造全方案提供商和建材智能智慧型试验检测设备研发生产的科技型企业，总部位于杭州，在山西设有机加工基地，山东设有建筑3D打印基地。拥有发明专利3项、实用新型专利17项、外观专利9项、软著8项，专著3部，主参编行业内标准31部。   组建了一支由具有多年土工工程行业背景、全球知名高校硕博毕业高级知识分子构成的研发团队，涵盖建筑结构、建筑材料、算法开发、软件开发、机械设计、电控设计等多专业、多学科融合，主要研发人员包括清华大学、浙江大学、澳大利亚斯威本科技大学等知名高校的6名博士、6名硕士，其中6人具有高级职称，6人具有中国建筑科学研究院、中国建筑技术中心等国内建筑领域知名央企高管从业背景。

国内首次提出利用图像重构技术结合3D打印技术进行结合的构想。依靠自 主研发超声影像图像分割与三维重构技术、数字化测量技术、3D打印等技术， 进而丰富医疗服务内容。本项目最突出的特点不仅是一项新技术在市场的尝试， 更是将科技元素包裹在文化艺术当中，让科学体现出亲情的温度，将人文化的情 感关怀融入其中。