在各种类型的自动化生产线上，以工业机器人为核心集成适合于不同生产作业的机器人工作站或生产线是目前工业生产自动化的热门发展方向。北京科技大学已经在焊接、涂敷、搬运、装配及特殊作业等方面成功开发出多套工业机器人工作站。用于国内外多家企业，产生了良好的经济和社会效益。下面介绍几种典型的工作站： 用于汽车装配生产线的玻璃涂胶机器人工作站。其组成有机器人及其控制系统、单轴回转变位机、翻转机械手、胶液供给系统、保温室等。这种工作站保证了涂胶的均匀性、一致性、准确的涂敷位置以及优良的生产质量。机器人选用六自由度垂直关节机器人，最大动作半径约R1550mm，重复定位精度±0.08mm。通过在线示教，编制适合不同类型、不同尺寸的工件作业程序，由传感器判别工件型号，调用相应的作业程序，特别适用于多品种工件的混流生产。胶液采用性能优良的单组分湿气固化聚氨脂胶。供给系统由压胶泵、定量泵、胶枪、清枪器、保温室以及控制系统等构成。已在国内若干家汽车生产企业投入5套。 精密钣金焊接机器人工作站：开发出的焊接机器人工作站适用于碳钢、不锈钢和铝材的焊接。工作站由工业机器人、机器人移动滑台、工件位置变换机、夹具体、高品质电焊机、气动系统、电控系统及辅助装置等组成。机器人采用OTC公司的AX–V6L型六自由度垂直关节机器人。焊接电源采用OTC公司DP400型全数字控制脉冲MIG焊机。现已投入生产，提高了工厂的自动化生产水平和产品在国际市场的竞争力，改善了工人的劳动条件，使生产节拍更加稳定、迅速，焊接质量更加可靠，很值得在焊接加工业大力推广。 彩管搬运机器人工作站：大型彩管的特点是体积笨、重量大、温度高。在生产线上的搬运作业必须采用机器人工作站或专用的移载机。机器人工作站主要由机器人、末端执行器、同步装置、气动系统和电控系统等部分组成。开发出的适用于不同作业区的7个机器人搬运工作站投入使用后，运行稳定、可靠，取得了显著的经济和社会效益。这种技术同样适用于其它物品的搬运作业。 轿车挡风玻璃密封胶坝条粘贴机器人工作站：在轿车装配生产线上，使用机器人进行轿车前后挡风玻璃密封胶坝条的粘贴作业，是一项技术难度很大的工作。经过在试验机上的反复试验，现已经成功开发出密封胶坝粘贴末端执行器并用于实际生产。密封胶坝粘贴末端执行器机构简单、可靠，无需独立的驱动装置，适用于粘贴的特殊作业。经过轻量化设计，总重仅有5.8kg,实际生产中选用6自由度,可搬重量为6kg的工业机器人就可满足不同规格的轿车前后挡风玻璃密封胶坝的粘贴。 应用于各种产品的规模化生产，大幅度提高产品的质量和产量。

高速公路、城市高架等桥梁、地铁隧道、大坝、房屋建筑等混凝土结构或钢结构在施工或长期运营期间会出现裂纹或其他缺陷，进而带来很大的安全隐患。针对此情况，提出了混凝土、钢结构表观损伤远程非接触测量理论，研发出结构表观损伤的非接触检测仪与分布式监测系统。已经在国内外数十座桥梁、隧道与建筑上得到应用。

本平台设计一套集成学习系统用来精确预测未来时间段的流量，本系统使用随机森林，SVR，三指数 平滑、GBDT，BPNN等传统算法和机器学习算法作为单模型，并通过集成学习的方式提高预测准确率。

一、项目简介 智能计算MR成像主要是基于脉冲序列设计、成像、重建、处理与分析的全链路优化思想，利用人工智能领域的深度学习与大数据方法，研究新体制智能计算成像理论、方法与应用，突破现有系统将成像与分析分治难以兼顾的不足，从而为医学临床和科研提供新的、更快的成像手段、更好的成像质量以及更符合实际需求的成像模式。 二、前期研究基础 无 三、应用技术成果1）基于深度学习的信息保持压缩感知重建（左图为填零重建、右图为所提方法）

当前，保护数据的隐私和安全已经成为世界性的热点，各国都在加强对数据安全和隐私的保护。近年来，国家相继出台个人信息保护的标准和政策，旨在加强隐私保护。为了在符合相关法规的前提下使用数据，部分研究者尝试令各方数据保留在本地的同时训练全局模型，如 Google 提出的联邦学习。作为一种加密的分布式机器学习技术 , 联邦学习能够让参与各方在不披露底层数据和底层数据加密 ( 混淆 ) 形态的前提下，仍然能利用其余几方参与者提供的信息，更好地训练联合模型，提升 AI 模型效果。 然而，将数据留在本地的方式却也引发其他问题，如针对联邦模型的投毒攻击。投毒攻击通过攻击训练数据集或算法来操纵机器学习模型的预测，使分类器识别特定样本的分类边界发生变化。而联邦学习场景下的投毒攻击通常拥有更强的隐蔽性和破坏性。 因此，我们将传统投毒攻击防御中对原始数据的清洗过程转变至对上传的模型权重参数的预处理，在参数服务器部署防御框架来防御投毒攻击。我们设计了一种新颖的防御与追溯框架，该框架主要由模型聚类、初步防御和细化防御三个模块构成，构建多层纵深防御体系，保护联邦模型安全，并在源头上主动追溯攻击者。我们设计面向神经网络的无监督层级聚类算法，消除了神经网络中隐含元素置换不变性的影响。根据类内代表模型在聚合过程中的贡献度确定其可疑度，并以动量思想将可疑度绑定每个客户端，并结合历史用户行为对攻击者进行定位。我们的防御框架可以自主评估模型贡献度，自动确定可疑度动态划分阈值，并在图像、文本等多源数据集上达到了 100% 追溯率，实现了零漏检，零误检。 目前，成果性能已经过多方测试和验证，代码已部署在华为自研深度学习框架MindSpore 中，进一步为广大开发者所用。

膜识别技术的应用 1.基于深度学习的虹膜识别算法性能达到国际先进水平； 2. 虹膜图像采集采用全自动自适应技术，可以自动寻找虹膜，自动聚焦，在中远距离范围实现了高用户友好性。 系统的性能远高于市场同类产品； 3. 整套系统成本很低，远低于市场同类产品，非常适合大规模应用 。

目前，训练机器学习模型依赖于海量的数据，当以集中方式训练时，会带来很大的计算成本。因此，现在普遍的共识是，未来的机器学习应该以分布式方式实施。通常，分布式学习是以server-worker模式中进行的，其中server利用从workers收集的信息更新学习参数，然后将这些参数广播给workers。 但是，随着worker数量的增加，通信开销也会大幅