维视智造科技股份有限公司是国内专业的人工智能与机器视觉解决方案提供商。面向制造企业生产线构建商、系统集成商和设备供应商，提供机器视觉技术产品的设计、研发、生产和销售。产品包括工业视觉部件、远心光学产品、智能视觉系统和设备，柔性视觉质量检测线等，为客户提供一站式机器视觉整体解决方案。维视智造是拥有16年历史的行业品牌，专注于机器视觉与人工智能核心算法技术，拥有行业内齐全的产品生态链，丰富的机器视觉与视觉机器行业解决方案及用户案例。在北京、苏州、深圳、西安、成都、桂林等地建立了多个分子公司，设立视觉解决方案开放实验室，通过全国的分子公司、系统集成商和代理合作伙伴，资深视觉项目经理，为用户提供工业视觉产品与智能视觉系统解决方案的选型、评估、实施、运维的一站式服务。官网：www.xamv.com电话：4000400860座机：029-88638632

产品详细介绍一、用途：用于植物（各类林木、果树等）冠层图像进行多参数、批量化的自动分析二、主要功能特点：1）、小巧便携，方便操作者随地非破坏性采集冠层半球图像2）、★电动调节方位和水平，自动保持方向和锁定水平（手机APP辅助找准后）3）、可以任意定义图像分析区域（天顶角可分30区，方位角可分30区）4）、★对较粗树木的树干遮挡，可在8-24个分位角上分别拍照，来自动合成忽略树干遮挡的冠层图。可以手动、自动屏蔽不合理分区5）、可自动分割冠层与天空，支持手动微调6）、★内置多达9种分析方法，可多参数、批量化的自动分析7）、可记录采集地的经纬度、海拔，并根据经纬度解析具体地址8）、可根据采集地GPS在地图上定位，并标注结果9）、★支持高德地图、高德卫星地图、谷歌地图、谷歌卫星地图等多种地图源三、可测量指标：1）、叶面积指数2）、叶片平均倾角3）、总孔隙度4）、丛生指数5）、冠层开阔度6）、冠层郁闭度7）、场地开阔度8）、UOC模型、SOC模型表示的光线分布9）、不同太阳高度角下的植物冠层孔隙度10）、不同太阳高度角下的植物冠层消光系数11）、叶面积密度的方位分布12）、位置信息（经纬度、地址等）13）、PAR光合有效辐射计（感应光谱400nm～700nm，量程0～2000μmol/㎡•S）（需选配）四、仪器主要技术参数：1）、镜头成像角度：180°(180°鱼眼镜头)、120°广角镜头2）、测量范围：天顶角由0°～90°可分成3~30个区，方位角360°亦可分成3~30个区3）、手机前置摄像头分辨率：≥800万像素，工作温度：0～55℃五、仪器基本组成：1）、手持式自动稳定器，180°鱼眼镜头、120°广角镜头2）、LA-S植物冠层图像分析软件光盘及软件锁3）、智能手机（64G华为/小米/OPPO/VIVO品牌1年内出的新品）4）、PAR光合有效辐射计（感应光谱400nm～700nm，量程0～2000μmol/㎡•S）（需选配）5）、品牌电脑（酷睿i5 CPU/8G内存/无线网卡，Windows 10完整旗舰版）（需选配）

产品详细介绍故障现象：投影仪，使用AV端子信号传输，图像模糊严重，无法看清桌面内容细节，同时有严重的横条纹干扰，严重影响正常教学工作。 　　检修分析：　　1、该机使用AV端子信号传输，因为AV信号的最大分辩率只能支持640*480，所以客户反映图像模糊，这属于正常情况。　　同时该机使用一拖八VGA分频器，并连接有VGA信号线。但改变信号传输模式(选择使用COMPUTER)时，显示蓝屏，无信号输入。　　试着把投影仪的VGA信号线直接与显卡的VGA接口连接，同样显示蓝屏。　　2、为不影响教学工作，为客户提供一台代用投影仪，仍然只能使用AV信号线，无法使用VGA信号线，估计信号线或分频器有问题。　　更换投影仪后，因为仍然只能使用AV信号线传输，而AV信号线的最大分辩率支持为640*480，所以看上去图像仍然模糊，不过勉强可以使用。　　3、把客户的三洋投影仪带回公司后，直接使用1M的短信号线与显卡连接，仍然搜索不到COMPUTER信号。后使用AV信号线与显卡连接，可以显示，但图像仍然模糊。　　4、继续检测后发现，投影仪搜索不到COMPUTER信号是因为投影仪信号输入板的VGA接头因为氧化造成接触不良所致。于是拆机后更换15针的VGA插头，再使用VGA信号线连接，投影仪可正常接收VGA信号，分辨率达到1024*768，图像清晰，可以清楚的看到图标下面的文字，并能够直接读出右下角的时间。　　5、连续运行一个小时，并关机二十分钟后再次开机，并拔插信号线，机器仍然工作正常，于是将机器送回。　　为防止万一带10米VGA信号线到客户处，保证一次机器调试成功。　　6、到客户处后，把三洋投影仪正常连接后，仍然使用客户原来的VGA信号线。确认连接正确后，加电开机，可以搜索到电脑信号，但图像明显偏暗，同时没有黄色，有蓝色，绿色，红色。　　试更换为AV信号，显示图像与先前一样，但图像颜色正常，由此可判断投影仪没有问题，估计是RGB亮平衡没有调整好。　　接下来就打开MENU，试着调节亮平衡(RGB三色)。费了好长时间，仍然无法调试到正常状态。后来考虑到在公司测试时颜色正常，才想到可能是客户电教室的VGA信号线使用时间久后线路阻抗变大，造成RGB三色信号衰减不均所致。　　7、于是立即更换新VGA信号线，加电开机后图像显示亮度颜色完全正常。　　总结分析：　　1、对于投影仪，我们需要了解投影仪的信号接口，目前的投影仪有DVI，VGA和AV三种信号输入方式，其中DVI为近两年上市的投影仪才有的，主要是与新型号的显卡相适应，分辨率最大支持2048*1996;VGA信号输入为所有投影仪标配，分辨率最大支持1280*1024;而AV信号输入主要是与早期的录像机等设备相配套，分辨率最大支持640*480。　　2、投影仪主要用于会仪室，电教室，人员流动量大，机器的信号线容易爱到拉址而损坏，所以图像不正常时就考虑信号的传输问题。　　3、在投影仪检修过程中，一定要注意投影仪必须在关机五分钟后才能再次加电开机。同时投影仪关闭后，不能立即拔下电源，必须等风扇停转后才能拔下电源，防止投影仪内部过热损坏灯泡。　　特别是冬天在室外搬运投影仪后到室内或者直接在室外使用投影仪时，不能立即对投影仪加电开机，防止开机后受热不均烧毁灯泡。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

主要技术要点（创新点） ： 设计一种基于柔顺机构仿生物尺蠖运动规律设计的微动机器人。 设计了一种能夹持不同大小和形状不规则物体的新型空间微夹持器。 针对微夹持器在夹持微小物体过程中的粘着问题，提出了一种基于压电振动控制的释放操作方法。项目背景：该成果来源于胡俊峰副教授主持的国家自然科学基金项目《基于柔顺机构的智能微操作机器人动力学与控制研究》。微操作机器人广泛应用于微机电系统、生物医学、航空航天等前沿领域。成果主要研究微操作机器人的力学建模、设计和控制。 

控软体机器人是智能仿生机器人研究领域的热点方向。然而，如何实现软体机器人运动方向的便捷调控，是该领域目前急需解决的一个关键科学性问题。传统的光刺激调控法，需要将光束集中在软体机器人的某个局部区域，或者沿某个角度或方向去照射软体机器人，使之产生局部的形变差异，进而推动软体机器人沿某个方向前进。例如，在文献中经常看到的场景是，将光束照射在软体机器人的头部，使其后退；照射在尾部，使其前进；从左向右扫描软体机器人，使其右拐；从右向左扫，使其左转。此类光刺激调控法缺乏便捷性，非常不方便。东大科研团队另辟蹊径，构建了多层次结构的液晶弹性体基软体机器人，在不同的结构层次中加入三种分别对520nm、808nm、980nm波段光源响应、且互不干扰的有机光热转换试剂，从而利用可见和红外三个波段光的开/关变化去操控软体机器人的运动方向。和传统的光刺激调控法相比，该方法是通过软体机器人不同区域对光刺激的选择性吸收，来实现整体的形变差异，进而推动软体机器人运动，因此光源的照射位置、方向、角度等因素都不会对运动方向产生根本性影响。该策略为实现软体机器人运动方向的便捷调控提供了新思路。

本实用新型公开了一种基于涡旋运动的碟形水下航行器，采用碟状导流罩，碟状导流罩的周向设有至少一个周向推进器，垂向设有涡旋生成机构和至少一个垂向推进器。周向推进器用于驱动航行器在碟状导流罩水平面内的运动；垂向推进器用于驱动航行器在碟状导流罩垂直方向上的运动；涡旋生成机构用于产生相对于吸附面的吸附力。本实用新型提出一种基于涡旋吸附机制实现物体表面吸附的新技术，使得水下航行器具有牢靠的表面吸附能力；配合推进器的推进作用，航行器兼具爬行和游行全向运动能力，较现有爬行或游行水下航行器有航行速度快、运动控制敏捷的优点。根据需要搭载探测传感器和作业工具，可用于执行水下工程检测、应急搜索及施工作业等任务。

1.刚柔耦合运动平台：将平台设计成刚性框架和工作平台两部分，两者之间由柔性铰链连接，巧妙地结合了机械导轨直驱平台的大行程、高速度和柔性铰链无摩擦的特点，实现低成本，更高速，高精度的运动。 2.自抗扰控制算法：目前，大部分工业产品依旧使用传统的PID控制，由于刚柔耦合平台引入了柔性铰链，降低了系统的固有频率，这就限制了PID的控制带宽。因此，采用

本发明涉及一种锻炼装置，尤其涉及一种体育运动员手臂锻炼装置。本发明要解决的技术问题是提供一种锻炼宽度设计人性化、锻炼重力可调节、使用舒适的体育运动员手臂锻炼装置。为了解决上述技术问题，本发明提供了这样一种体育运动员手臂锻炼装置，包括有左架、右架、气缸、第一活塞、减重箱、承重箱、增重箱、第二活塞、第三活塞、第二钢丝绳、第一连杆、第一钢丝绳、第一滚轮、顶板、轴承座、齿轮、转杆和摆动杆；顶板左右两侧对称设有左架和右架。本发明达到了锻炼宽度设计人性化、锻炼重力可调节、使用舒适的效果，体育运动员使用装置，能达到锻炼手臂的目的。

1.痛点问题 拟人化的智能体，在人类生活中开始起到越来越重要的辅助工作、提升生产力和情感交流等作用。具体形式包括实体化的机器人和虚拟的数字人形象两种形式。 在实体化的机器人技术中，由于各行业场景范围的多样性，移动机器人的避障问题是阻碍机器人广泛应用的一大痛点。 （1）基于视觉信息和深度强化学习来解决移动机器人避障问题，会因为仿真数据与真实数据的较大差别而导致泛化性能不足，使得真实场景下的避障的成功率下降。 （2）目前避障问题中的深度强化学习往往需要针对不同复杂程度的场景重新训练或者再训练模型，难以训练出适用各种密度场景的通用模型。 （3）基于雷达的深度强化学习避障方法受限于成本、功耗和仿真的难度等，往往使用单线雷达。但单线雷达仅能对某个固定的平面进行检测，如果移动机器人具有较高的高度，只对某个平面检测无法实现完美的避障。 此外，随着虚拟形象在金融、文旅、医疗、零售等领域的推广与应用，数字虚拟形象产业应用路线逐渐清晰，但仍存在产业链相对割裂、产品与需求匹配度低、生产成本高效率低、虚拟形象交互能力弱的问题。 2.解决方案 针对现有技术存在的问题，本成果的解决方案从两方面入手。首先，在移动机器人避障方面，本成果设计了一种同时结合单线雷达与单目相机的避障方法框架，并设计了新的更有效的深度强化学习模型。其次，本成果还提供一种虚拟形象说话视频生成方法及系统，使用深度学习方法，基于训练好的深度神经网络语音模型,对预设音频文件进行预测处理,通过在说话视频生成过程中引入三维人脸信息,并结合神经网络模型生成头部姿势自然转动且具有个性化说话习惯的说话视频。上述算法可搭载于通用硬件平台，构建低成本高效的虚拟形象视频生成系统。 基于以上科研成果，本项目将致力于国民经济各主流行业的数字化转型，在人工智能、机器学习、计算机视觉技术等领域持续积累智能场景应用创新技术，结合优秀的前沿技术整合与应用开发融合能力和深厚的市场推广能力，全力打造智能巡检/服务/协作机器人和虚拟人平台等软硬件一体化解决方案。以实体机器人并搭载虚拟说话人虚体，通过实体、虚体相结合的方式打造独一无二、具有全新体验的智能巡检/服务/协作机器人，提高智能巡检/服务/协作过程中交互的效率与质量。 合作需求 寻求在清洁能源、储能、新能源等行业智能运维部门和相关企业合作，对相关技术进行推广应用，在清洁能源、储能、新能源等行业中部署巡检/服务/协作机器人以及虚拟人服务平台，打造无人值守范例，赋能智能化运维，共同推动行业进步。