本发明公开了一种用电设备智能充电接入系统及其控制方法，该系统包括：智能插座、高频电源、高频电能发射端、高频电能接收端、车载充电机和服务器。智能插座用于测量交流输入侧的电参数，并上传至服务器，对系统进行一级保护；高频电源用于将工频电转换成高频电至发射端，并监测电流和红外传感器信息，对系统进行二级保护；发射端用于产生高频电磁波传送至接收端；接收端用于接收高频电磁波，并将高频能量输送至车载充电机；车载充电机用于将高频能量转换为电池充电电压；服务器用于对用电设备进行充电调度、状态监控以及对异常状态的应答。本发明在智能插座和高频电源形成了两级保护机制，为系统的智能、自动安全运行提供了保障。

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。

该技术建立了在役输电铁塔结构性能弱化模型和评估方法，提出了适用于瞬变载荷测量的输电铁塔状态全面感知技术，考虑台风、龙卷风、覆冰等灾害气象条件下载荷的瞬变特征，完成了输电线路瞬变载荷状态感知系统及终端设备研制，提出以架空导线载荷、铁塔结构倾角和应力状态实时测量为基础，与数字仿真模型深度融合的输电铁塔状态全面感知技术，构建输电铁塔的边缘智能感知端与云端协调工作架构，实现输电铁塔结构状态全面高速感知，可以实现输电线路巡护重点定位和输电铁塔灾害反演。 该技术的应用将解决重要架空输电线路通道中铁塔结构的健康状态智能感知与评价问题，能够实现架空输电线路结构健康状态全面感知，有效提升输电铁塔结构健康状态感知的准确度和智能化水平，为定位输电线路的巡护重点提供重要技术手段，为我国坚强智能电网的建设，提供重要理论支撑、技术保障和实践依据。 1 系统功能 （1）输电线路地理信息 以电子地图方式显示输电线路的地理信息，展示输电线路走向及铁塔位置信息。同时，可标识当前的气象信息。 （2）输电铁塔结构状态感知实时监测数据 以表格、图形的方式显示状态感知实时数据，对异常的状态感知数据实现声光报警，并可进行历史状态感知数据的查询。 （3）输电铁塔灾害反演 建立塔线体系三维模型，在三维模型上显示导线位移、导线和绝缘子的应力计算结果，并可实现灾害过程反演。 （4）输电铁塔实时健康状态 建立输电铁塔的三维模型，在三维模型上显示输电铁塔的杆件应力计算结果、输电铁塔结构变形结果及实时的健康状态评价结果。 （5）输电线路结构健康状态及巡护重点定位 显示输电线路结构健康状态评价结果，提供输电铁塔薄弱环节定位功能，为输电线路重点巡护提供支持。 2 系统组成 输电线路结构健康状态智能感知平台的系统结构分为感知装置和主站系统构成，如下图所示。 图1 系统图 系统客户端界面如下图所示。 图2 客户端界面

高校科技成果尽在科转云

成果介绍智能控温薄膜可以实现高温下对红外线的反射和低温下对红外线的透射，是一种无需能源的智能空调。技术创新点及参数室温可用（20℃-40℃）节能减排（无需能源）满足了实时反馈的需求满足了温度控制的需求提出了在室温下实现智能变色的可能性

面向当前人工焊接效率低下、焊接质量难于保证的缺点，以线结构光传感器为主要感知工具，构建了一套面向3D空间曲线焊缝的焊接机器人智能导引编程系统，实现了对3D空间曲线焊件的在线感知、焊缝精确提取，以及焊缝轨迹编程轨迹的优化生成等。具体技术指标： （1）焊缝扫描精度在0.2mm以内、扫描速率最高可达1kHz； （2）可面向多种不同类型的焊缝实现自动化作业； （3）无需人工示教编程，可根据扫描模型自动生成机器人的焊接路径。 创新点： （1）基于3D视觉处理方式，受环境影响小，无需光照条件； （2）可处理的焊缝类型多，适用面广； （3）去人工示教，智能化编程方式。

本发明公开了一种实时跟踪运动目标区域的智能监控装置,包括一视频输入设备、一视觉分析系统和一网络输入输出设备。为了高实时高精度地进行运动目标的跟踪,该系统采用了基于模型动态切换的目标跟踪算法,通过对遮挡状态的有效判定,对未遮挡的单运动目标采用基于区域跟踪的简单快速模型,对相互遮挡的复合运动目标采用基于SIFT特征的窄基线图像匹配模型,系统结构简单、高实时高精度、可扩展性强,具有有线以太网和无线GPRS多重网络接入功能,有效的实现了运动目标区域实时跟踪功能。

面向物联网研制一类适合无线传感网络环境下使用的智能家居无线控制系统，该系统基于Zigbee协议，远程控制家居生活中的各类电器设备，还可对房间中的烟雾进行检测和报警（自动拨打设定电话）。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：

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%