所属分类：电子信息产业

所属单位：太原理工大学

成果简介：面向安全、高效、智能、低故障率、低事故率的工业机器人工作需求,研制出视觉/电子皮肤多模态信息感知的机器人安全控制系统,并形成安全评估标准,实现新型视觉/电子皮肤在机器人打磨、装配、搬运等工作场景中的示范应用。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：体外生物组织/器官精准制造作为 3D 生物打印技术的一大目标,可满足个性化、小批量、大规模的医疗需求,现正向个性化永久植入物、临床修复治疗和药物研发试验等领域扩展。本产品是一款主要面向组织工程相关领域的高精度生物 3D 打印机,可实现体外组织打印。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：使用邻域粗糙集和聚类对多晶硅配料数据进行分析,筛选出较优的原料配比方案;通过改进支持向量数据描述算法,进行产品质量预测。生产中一般基于经验进行多晶硅配料方案选择,本技术创新性提出采用智能信息处理方式进行最优配比方案选择,提高了配料数据选择的智能化程度,目前国内尚未见类似成果报道。 技术创新:采用邻域粗糙集分析多晶硅配料数据重要度、采用聚类算法筛选出较优的原料配比方案;建立多晶硅产品质量分类预测模型,实现自动选取优化多晶硅配料数据目的。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：提出一种利用圆周方向旋转切面上下文信息的病灶分割方法,将中心法线作为旋转轴,绕旋转轴以一定旋转步长从初始切面进行旋转切片,生成旋转切片序列数据集,有利于产生带有病灶的切片数据,提升了病例数据占比,能够在新的维度上对影像数据上下文信息实现有效补偿。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：海量物联网设备带来了严重的安全威胁、也模糊了传统网络安全的边界,物联网设备细粒度识别是进行物联网安全管理和风险分析的必备前提。基于协议标语和字段特征的细粒度识别技术是目前主流的主动识别方法。该技术在协议探测开销和字段特征提取时间之间进行了平衡优化,能够大幅缩短扫描时间,提高识别精度。单个物联网设备的识别时间在 100ms 以内,识别精度超过 90%。可用于企事业单位内网物联网设备资产测绘和安全风险管理。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：结合自注意和多尺度生成对抗网络的图像去雨方法,可以去除图像上附着的雨滴,搭建更有效的图像去雨网络模型。该方法在生成网络的自编码结构中加入自注意层以获取图像的全局信息;为了从细节层面提升图像的清晰度,引入多尺度判别器,可从图像的不同分辨率角度逐步优化生成网络,从而确保处理后图像清晰度的恢复。该方法可有效去除图像雨滴。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：对电梯运行状态、位置和振动状况进行实时监测与记录分析，安装简单方便、成本低。目前状态监测技术在电梯行业中应用较少。只有业内领先的少数电梯生产厂商有配套的电梯状态监控系统,这些系统专用性太强、缺乏开放性与普适性、成本较高。 技术创新:根据电梯的运动特征设计了一种加速度信号分解的方法,在不安装信标的前提下解决了测量数据误差积累的问题,安装移动简单方便和电梯自身的控制系统完全脱耦。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：利用 HSCNN 技术将 RGB 图像重构为高光谱图像,然后在特征矩阵和实际含水量之间建立映射关系,实现植被含水量的自动识别。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：实现了对苹果生长状态的自动观测,可以更加客观地把控它的生长发育状况,及时有效地开展相关农事管理活动。目前仍旧依靠传统的人工观测方式,对于果园偏远、小气候复杂,这种方法不确定性大,同时,个体具有主观性、耗费的人力成本较高、农事管理效率低下、无法持续跟踪观测。为实现苹果生长状态的自动化观测,以苹果为研究对象,以其生长发育客观规律为理论依据,选用并改进轻量级分类网络,应用于苹果生长状态识别;并针对生成商品果(结果期)的三个关键生长状态,选用并改进轻量级目标检测算法,对其进行重点实时监测。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：通过 BIM 技术实现了实现了风管和接头等部件的压力损失可视化,有助于迅速调整压力的平衡,减少人力物力成本,提高竣工验收前风管系统的调试效率。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：结合隐变量机制,残差网络,注意力机制和多尺度判别器的新病害特征生成方法,可以帮助生成病害特征更明显,病害区域纹理更清晰的植物病害叶片,满足卷积神经网络训练所需要的大量数据。该方法能够生成病害特征明显的植物叶片,满足病害识别网络所需要的大量数据,有效地提高了植物叶片病害的识别精度。

所属分类：电子信息产业

所属单位：太原理工大学

成果简介：为了准确高效地分割海马体,提出了融合残差块注意力机制和生成对抗网络的海马体分割方法。该系统有着分割精度高、分割效率高的优点。在生成模型中,将残差网络作为编码结构来提取图像浅层特征,在解码结构中加入注意力机制,通过改变特征权重放大有效特征。再结合对抗模型迭代训练,使生成模型达到最佳分割状态。实验表明,该系统采用的方法有效地提升了海马体的分割效率和分割精度。