本发明公开了一种双通道荧光光学显微成像中基于图像处理的自动对焦方法，包括 S1 获得生物组织样本当前冠状面轮廓，并获得三个对焦窗口位置；S2 对三个对焦窗口进行扫描，并采集第 i 层生物组织样本细胞构筑通道的图像；S3 判断当前层三个对焦窗口的图像采集是否完成，若是，则 i＝i+1，并进入 S4，若否，则返回 S2；S4 判断·830·采集层数 i 是否大于预设的阈值，若是，则进入 S5，若否，则返回 S2；

本发明公开了一种基于无人机图像识别的桥墩倾斜度批量检测方法，包括无人机批量采集桥墩图像、桥墩轮廓左右边线提取、计算桥墩左右边线的倾斜角度、计算桥墩的倾斜度、返回倾斜度列表及超额预警共五个步骤，从图像采集、图像处理、图像信息识别、关键参数提取及计算等方面出发，得到桥墩倾斜度列表，并返回倾斜度超过限制值的桥墩编号和总数目。整体流程具有大批量、快速、地形适用范围广的优点，无需额外使用全站仪、GPS接收设备。

本发明公开了一种基于改进二维经验模态分解算法的图像去噪方法,首先，将待去噪图像经传统BEMD算法进行自适应分解得到各阶IMF后，对各个IMF的概率密度函数与待去噪图像概率密度函数之间的相似性进行测量，其次，根据相似性测量值区分出噪声主导模态函数与信号主导模态函数的边界索引值,然后，使用小波去噪算法对噪声主导模态函数进行降噪处理得到实际的图像噪声，接着，重构出与原图像具有相同信噪比的多幅图像后对其累加求平均、实现将噪声压缩到低阶IMF中，最后，使用BEMD?DT对该平均图像进行去噪处理。通过本发明方法对图像进行去噪，取得效果均好于小波降噪以及传统BEMD等降噪方法的去噪效果。

技术分析(创新性、先进性、独占性)开发了新颖的深度学习算法，准确识别患病部位，准备诊断患病类型，可以显著提高临床效益。自主独立开发。已经在两家大型三甲医院做测试，算法和程序代码完整，

技术分析(创新性、先进性、独占性) 开发了新颖的深度学习算法，准确识别患病部位，准备诊断患病类型，可以显著提高临床效益。自主独立开发。

本发明公开了一种可伸缩式竖直运动箱体导向机构，包括用于容纳箱体做竖直运动的管道，以及设置于箱体上用于对箱体在所述管道内做竖直运动进行导向的导向装置。该导向装置为可伸缩式结构，包括设置于所述箱体侧壁面的导轨、设置在所述导轨上并可沿着导轨滑动的至少一个楔形滑块、抵靠在所述楔形滑块上与楔形滑块配合形成楔形调整机构的导向球，以及设置于所述导向球外侧用以约束导向球仅沿着垂直于箱体侧壁面的方向移动的导向球约束装置。通过驱动楔形滑块沿导轨滑动，使导向球朝向远离或者靠近箱体侧壁面的方向运动，以在竖直运动时抵靠在管道内壁实现导向，或在箱体进出竖直轨道时收缩远离管道内壁，从而能够避免与管道内壁的齿条形成干涉。

细菌通过多个趋化受体来感受周围不同的化学小分子，主动游动，实现获得更好的生长环境或者实现趋利避害。但不是强的正趋小分子都是很好的可利用营养物质—好闻的不一定有营养，同样，也不是容易代谢的营养就是强的趋化因子—有营养的不一定好闻。细菌在自然界中往往面临多种不同强弱的趋化小分子，多种不同可代谢程度的营养来源的复杂浓度梯度环境中，细菌群落是如何通过趋化行为抉择它们的去向，实现最优化它们的环境适应性与生长速度？细菌在个体与群体的选择上是否有不同？这一基于细菌的生物行为的研究也许对了解复杂的高等生物的群体行为也有所帮助。 北京大学物理学院欧阳颀院士领导的“生物物理”团队的罗春雄研究组在基于微流体细菌趋化分析芯片的实验研究中发现：在反向不同引诱物浓度梯度下，细菌首先趋向聚集于强引诱物而少营养的一端， 但当细胞密度超过一个阈值时，细菌群落部分“逃逸”强引诱物浓度场，游向趋化因子相对弱但可代谢物质富集的一端。这一现象被刻画为细菌群体运动的“逃逸相变行为”。罗春雄研究组通过与美国IBM沃森研究中心的涂豫海教授（北大定量生物学中心资深访问学者）合作，对此现象涉及的趋化受体间的协作行为进行了系统细致的理论分析和实验论证，发现营养物质通过数量较少的Tap趋化受体进行了响应行为，而且在较大的一个趋化响应参数空间均会出现由细菌密度超过临界密度而产生的逃逸条带（“Escape Band”）行为，该行为可以使得细菌群落在复杂的趋化物浓度场中获得更好的生长优势。相关的定量实验与理论研究以“The escape band in Escherichia coli chemotaxis in opposing attractant and nutrient gradients”为题于2019年1月23日在线发表于Proceedings of the National Academy of Sciences of the United States of America（PNAS）杂志上。细菌群体趋化运动的“逃逸相变行为” 文章第一作者为北京大学定量生物学中心博士研究生张玄麒,通讯作者为北京大学物理学院/定量生物学中心罗春雄教授及美国IBM沃森研究中心/定量生物学中心的涂豫海教授，参与人包括欧阳颀院士，前沿交叉学科研究院博士研究生司光伟，董一名，物理学院博士研究生陈凯悦。工作得到国家自然科学基金委、物理学院介观物理重点实验室、 北京大学定量生物学中心、北大-清华生命科学联合中心的支持。 工作原文连接: https://www.pnas.org/content/early/2019/01/22/1808200116

动作捕捉技术（motion capture）在影视、体育、安防等领域具有广泛应用。传统的动作捕捉分为两大类，光学动捕系统通过在采集环境部署多个红外摄像头，再在人员的动捕服上放置光学标记球来求解出采集者的姿态信息，从而实现对人体运动的捕捉与动画映射；惯性动捕系统通过惯性测量单元（IMU）来采集肢体的运动信息，采集设备相对更轻便，但采集精度不如光学动捕系统。光学动捕系统包括Motion Analysis，Vicon，Optitrack等，惯性动捕系统有Xsens，诺亦腾等。 然而，无论是光学动捕还是惯性动捕都需要动作人穿上特定的设备，不可避免地会影响到人体运动的真实性和动捕的使用范围。同时，相应的专业动捕设备往往价格不菲，很多有需求的小型工作室也会望而却步。因此，学术界和工业界都在极力研究“无标记运动捕捉”技术，即不需要任何穿戴设备，仅由相机观测和算法分析，就实现对多人体运动的实时准确捕捉。这种技术有着更加广泛的应用场景，例如无人售货超市、VR/AR游戏、远程全息通讯、数字人创建、虚拟主播、人机交互、全天候医疗监护等。 近几年，随着深度学习技术的广泛普及，无标记动捕领域也诞生了许多革命性技术，例如实时2D多人体关键点检测技术OpenPose等。然而，多目标实时3D运动捕捉仍然是一个极具挑战性的问题，主要挑战因素包括：如何实现实时计算，如何进行高效的多视角关联，如何解决紧密交互带来的观测失真等。举个例子，当两个人拥抱在一起的时候，当前大多数检测或重建算法都会失效。而理论上，多视角的观测信号能够在一定算法设计下互相补充，尽可能解决单视角运动重建的歧义性。如何充分利用多视角的视频信号，实现复杂、紧密交互场景下的多人体运动捕捉是当前无标记运动捕捉领域的核心问题之一。 该项目研究工作提出的多视角人体运动捕捉系统包括相机采集模块，2D姿态检测模块，4D关联图求解模块，三维骨架求解模块及渲染模块。其主要算法贡献在于提出并实现了4D Association算法。 当前的多视角运动捕捉系统大多采用的是序贯地匹配策略，首先对每个视角进行独立的人体检测和连接（例如，OpenPose检测关键点和关键点相互连接的概率，从而对人体进行连接；Mask-RCNN、AlphaPose和HRNet都需要先检测每个人的BoundingBox，然后对每个人进行独立的人体检测），然后对人体进行多视角关联和姿态求解，最后进行时域跟踪。这种常规方法的缺陷在于，当单个视角检测失败以后，后续的算法难以对失败的检测结果进行修正，从而将错误的检测传递到下一个步骤，影响跟踪效果，对于紧密交互（例如前文提到的两人拥抱）的情形，单视角的往往很难给出令人满意的检测结果，因此基于序贯式的算法一般会失效。 相较而言，该研究工作的创新性在于充分利用单图连接(2D)、多视角连接(1D)、和时域连接(1D)之间的相互约束从而进行全局优化，用多视角信息和时域信息来避免单视角连接的歧义性，同时也通过单视角连接结果来优化多视角的匹配，从而使得关联结果更趋向于全局最优。具体地，该研究工作提出了一种4D Graph的图结构，将上一帧的三维人体关键点（在初始帧或者人进入动捕范围的时候可以缺失，不影响算法的运行）和当前每一视角的2D关键点建模在同一个图结构中，用单图连接、多视角连接、时域连接的概率作为边的权值，将人体多视角关联的问题看成提取有效边的过程。为了快速地求解这个问题，进一步提出了一种基于完全子图的近似求解算法，高效地完成了从4D图结构中提出正确的人体连接。 最终，该研究工作实现了紧密交互下人体的三维姿态重建，并展示了实时系统效果。其算法在多个数据集上均表现出了良好的视觉效果，在Shelf数据集上也取得了当前最好的数值结果。

为解决数控技术的核心部分过分依赖国外的问题,由原航天工业部资助,历时三年的时间成功地开发了 HIT6503型精度伺服运动控制器，并于1997年荣获航天工业部科技进步三等奖。 由于采用数字信号处理器MC1401片组及可编程逻辑器件，该控制器具有较高的集成度，并可提供极其精细的控制输出；变加速控制使系统的起停更平稳；内置的速度前馈控制可显著地改善系统的动态性能。该控制器采用增量式编码器（或光栅尺），具有可选择的控制输出（DAC输出或PWM输出），可用于交、直流伺服电机或液压、气动伺服控制。

项目成果/简介:动作捕捉技术（motion capture）在影视、体育、安防等领域具有广泛应用。传统的动作捕捉分为两大类，光学动捕系统通过在采集环境部署多个红外摄像头，再在人员的动捕服上放置光学标记球来求解出采集者的姿态信息，从而实现对人体运动的捕捉与动画映射；惯性动捕系统通过惯性测量单元（IMU）来采集肢体的运动信息，采集设备相对更轻便，但采集精度不如光学动捕系统。光学动捕系统包括Motion An