|
搜索
搜 索
高等教育領域數字化綜合服務平臺
人工智能AI三維解析系統
北京體育大學主導研發的全球首款基于AI圖像識別技術的三維運動解析系統可以自動識別人體關鍵點，將不同攝像機拍攝到的同一運動畫面進行三維合成和運動技術分析，獲得運動生物力學的詳盡參數。該系統利用AI 技術大大降低了人工解析時間，提高了三維解析效率，有效提高運動表現。
北京體育大學
2021-04-10
基于AI-VR的肺部輔助診療系統
東北大學醫學影像智能計算教育部重點實驗室團隊研發的肺部精準診療醫學影像AI-VR 輔助診療系統適用于肺部醫療、肺部手術術前規劃、術中導航、教學、肺部CT圖像分割等醫學臨床領域。傳統的肺部醫療診斷中，主要是通過觀察肺部二維切片圖像去發現病原體，往往只能靠醫生的經驗來判斷，而具體病灶何在、幾何形狀、大小及周圍生物組織，是無法通過二維圖像去觀察，其術前分析與方案設計是借助二維肺部CT影像或計算機成像來觀察判斷，缺乏沉浸感、立體感和交互性?；谔摂M現實技術并結合實驗室的技術與數據儲備優勢，開發了一套基于VR的AI肺部輔助手術系統，致力于肺部三維重建，為醫療人員更好地解決了醫生面對大型手術準備不足的問題。
東北大學
2021-04-10
角膜塑形配鏡AI芯片及系統
全球近視病發病率逐年增加,到2050年全球人口近一半的人口將患近視病。角膜塑形鏡是-種非創傷性的近視治療技術，在全世界得到廣泛應用。僅在中國每年就有超過100萬病人接受角膜塑形鏡治療。在角膜望形鏡配鏡過程中,由于參數組合眾多,傳統辦法依賴于醫生經驗,因此配鏡質量難以控制、效率不高、費時耗力。本成果是全球首個基于人工智能算法的角膜塑形配鏡解決方案,實現了擁有完整自主知識產權的算法和芯片,比傳統方法提高效率10倍以上，同時極大保證了配鏡提高質量。本成果與“愛爾眼科集團”聯合開發,臨床測試的配鏡準確率達90%以上。
電子科技大學
2021-04-10
人工智能邊緣實驗平臺 （AI Edge Platform）
人工智能邊緣實驗平臺為標準的2.5U機架式設備，配置20塊FPGA開發板(Cyclone® V SoC系列)，可供20位學員同時進行FPGA設計、調試、下載及相關驗證，并具備SoC網絡技術和FPGA遠程調試技術，通過網絡為教學實驗提供配套服務，實現在線實驗室的虛擬仿真技術。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards (Cyclone® V SoC FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.
英特爾FPGA中國創新中心
2022-05-24
人工智能邊緣實驗平臺 （AI Edge Platform）
人工智能邊緣實驗平臺為標準的2.5U機架式設備，配置20塊FPGA開發板(Cyclone V SoC系列)，可供20位學員同時進行FPGA設計、調試、下載及相關驗證，并具備SoC網絡技術和FPGA遠程調試技術，通過網絡為教學實驗提供配套服務，實現在線實驗室的虛擬仿真技術。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards (Cyclone V SoC FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.
重慶海云捷迅科技有限公司
2022-06-17
嵌入式實時系統建模驗證工具
為了提高安全關鍵實時嵌入式軟件系統的質量，降低開發成本與周期，并使得軟件系統具有可重用、可移植和互操作等特性，基于目前國際標準體系結構描述語言AADL（ Architecture Analysis and Design Language）和同步語言Signal，研發了輔助配套軟件工具集，可進行系統的可靠性、可調度性、安全性分析，以及自動代碼生成，從全生命周期的角度保證系統的可信性質。 本項目主要特點如下。 1．可以插件的形式集成在AADL開發平臺OSATE上，支持高可靠性實時系統的軟件設計建模； 2．可以提供集成開發環境，將AADL模型轉換為TASM模型和UPPAL模型，然后采用相關的模型分析和檢測工具進行驗證分析，包括可靠性、可調度性、時間屬性等分析； 3．可以支持基本的AADL到C，Signal到OpenMP的自動代碼生成技術。 目前該成果已指導多個關鍵實時系統的建模和驗證應用，獲得國家專利1項。
北京航空航天大學
2021-04-13
大尺寸焊接結構件高效建模方法
由于大尺寸焊接結構尺寸較大、結構復雜，所以其有限元建模過程難度較大，利用計算機編程技術對整個建模過程進行參數化設計，將復雜的結構轉化為典型的簡單結構，使得整個有限元仿真過程更加簡單、效率更高。
一、項目分類
關鍵核心技術突破
二、成果簡介
由于大尺寸焊接結構尺寸較大、結構復雜，所以其有限元建模過程難度較大，利用計算機編程技術對整個建模過程進行參數化設計，將復雜的結構轉化為典型的簡單結構，使得整個有限元仿真過程更加簡單、效率更高；同時有限元分析對網格模型的要求高，需要在保證計算精度的前提下保證計算效率，使用網格過渡技術，保證熱源影響大的區域使用精細的網格，熱源影響小的區域使用較粗的網格，從而達到相同網格條件下更精確地計算結果與更高的計算效率。例如《大型復材工裝焊接工藝研究》項目，針對大型復合材料結構件Invar合金模具手工電弧焊焊接工藝進行研究，采用高效建模的手段對研究對象進行模擬分析，降低時間與材料等方面的成本。采用實驗與仿真并行，理論分析、實驗研究、仿真分析相結合的技術路線開展 Invar 合金試板件手工焊接工藝參數探索。
三、創新點及主要技術指標
創新點：參數化建模，縮短建模周期；采用非均勻過渡性網格以控制計算量，在保證計算精度的前 提下壓縮計算量，采用多 CPU 并行計算以提高計算效率。
技術指標：建模效率提高 30%，計算效率提高 30%。
四、知識產權及獲獎
論文10余篇，其中典型示例如下：
Modeling and simulation of the columnar-to-equiaxed transition during laser melting deposition of Invar alloy
Stochastic Modeling Columnar Dendritic Grain Growth in the Weld Pool of Al-Cu alloy
專利：
基于精準能量分配的激光-電弧復合加工的能量分配系數模型的構建方法
一種焊接過程氣孔形成與演變的二維計算機模擬方法
南京航空航天大學
2022-08-12
微生物交叉污染建模技術及應用
以肉類加工、流通、貯藏等下游生產鏈為切入點，以工廠加工生產、超市賣場銷售、冷鏈運輸流通、廚房貯藏烹飪等為主要場景設計，對氣單胞菌、單增李斯特菌、腸炎沙門氏菌等的交叉污染建模理論進行了完善，定量觀測并模擬了食源性致病菌在不同傳遞介質和操作方式影響下的交叉污染情況，并與消費者攝入 后的定量暴露評估、風險管理預警、限量標準制定、軟件參數設置等相結合，特別是提出了采用矩陣的形式對氣單胞菌在不同場景下和不同介質之間的轉移過程進行量化的直觀方法（，模擬了廚房環境下消費者食用不同材質案板處理過的污染
上海理工大學
2021-01-12
籃球賽事AI短視頻剪輯系統
視頻剪輯是一項簡單卻繁瑣的工作，需要投入大量的人力。而且人力完成的視頻剪輯，剪輯結果有著很強的主觀色彩。通過采集大量各類體育賽事數據進行模型訓練，利用深度神經網絡良好的自主學習能力，采用Centernet作為多目標檢測能力的實現框架，同時利用Transformer重構目標檢測進行連鎖，二次捕捉目標檢測的準確性。CenterNet和Transformer的融合，實現了端到端的目標檢測，在準確性提升的基礎上滿足實時處理視頻的要求。綜合應用多目標檢測跟蹤以及多模式識別技術，實現短視頻的智能化剪輯，極大程度減少了人工工作量，同時也增加了短視頻剪輯的客觀性，在大數據時代背景下有著重要的現實意義。
太原科技大學
2021-05-04
新冠肺炎影像學AI智能輔助診斷研究
“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評估嚴重程度?！毖ο蜿柦榻B，針對臨床的現實需求，團隊將設計目標定位于“肺炎分類鑒別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區域。針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題?！靶颖緦W習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由于一線影像醫生任務繁重，無法獲得大量專家標注，因此需要算法在少量樣本的條件下“自學成才”。為此，團隊采用基于自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標?！毖ο蜿柦忉尩??！安贿^，即便有診斷‘神器’，影像科醫生也是不可替代的?！毖ο蜿栒f，人是復雜的機體，病毒在不同人體內感染的反映也不一定相同。”他表示，當遇到機器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。
復旦大學
2021-04-10