所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：相比于芳纶，聚酰亚胺是一种阻燃性更好、热稳定性更高、烟毒性更低的高分子，聚酰亚胺泡沫由于其优异的基础理化性能与保温、降噪功能，已被波音、空客等单位指定作为舱壁夹层保温吸声材料。因此，选择聚酰亚胺泡沫与芳纶蜂窝芯材有效复合是开发高效保温降噪、轻质高强多功能一体化复合蜂窝芯材最为理想的方案。目前哈尔滨工程大学在聚酰亚胺泡沫领域已具备成熟的生产技术，在聚酰亚胺泡沫填充芳纶蜂窝芯材复合材料制备方面也已具备成熟技术。黑龙江众合鑫成新材料有限公司在芳纶蜂窝芯材产品方面也已拥有成熟产品。自2023年年初哈尔滨工程大学与黑龙江众合鑫成新材料科技有限公司达成绑定合作协议以来，黑龙江众合鑫成新材料科技有限公司已在多功能一体化轻质复合功能材料研制上投入100余万元，支持哈尔滨工程大学合作团队开展相关技术研究，推动成果在黑龙江本土落地。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：在边境监测、警方追查等领域，容易出现低照度或烟雾干扰等困难情况，这些情况难以仅利用可见光传感器对不法分子或可疑车辆进行检测定位与锁定跟踪。与单模态传感器相比，可见光、红外、光谱等多模态传感器可优势互补。通过联合利用多模态图像数据，可以克服许多困难的监测条件，提升重点目标监测的精度与效率。针对上述问题，提出了基于多头自注意力机制的多模态融合目标解译框架，旨在通过有效利用另一模态信息来补充可见光模态的固有缺陷，提高目标监测算法的鲁棒性。该技术通过设计多模态融合模块，利用多头自注意力机制自适应捕获不同模态的模态内特征和模态间特征之间的潜在交互，从而有效地预测目标的状态，为多模态目标检测与跟踪领域贡献了新的多模态特征融合方式，解决了不同模态信息利用不充分带来的性能受限的问题。该技术有效提高了在低照度等单模态视野受限环境下的目标检测与跟踪能力，为安全领域的监测任务提供重要保障。目前成果还没有进行产业转化。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：本项目设计的农渔数据分析平台将打破国外技术与设备的垄断，哈工程、东农的核心技术优势，依托新洋的网络平台，校企合作布局成果转化、共同致力于农渔大数据分析产业。竞争优势有：（1）农渔协同，国内首创农渔大数据分析产业，对农田、水质、鱼类生长状况、药物使用、废水处理等进行全方位监测，大大提升了养殖场的信息化，提高了劳动生产率、资源利用率和管理效率，提升了农产品质量等级（2）能够实现农田与水下渔业传感器数据通信组网进行数据的链接。无线传感器网络节点使用携带的水质ph、溶解氧、温度、氨等传感器进行水质信息的获取，之后和农田所有信息经汇聚节点融合后发送到指定的控制端。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：MEMS传感器作为获取信息的关键器件，对各种传感装置的微型化起着巨大的推动作用各种车辆、生物医学及消费电子产品等领域中得到了广泛的应用；据Yole Developpement数据显示，预计2024年MEMS传感器将增长到180亿美元。中国是全球MEMS市场发展最快的地区，中国市场对于MEMS器件的需求增速远高于全球MEMS市场增速。本研究成果应用于高精度电容式MEMS传感器，为MEMS传感器提供微型化、低功耗、高精度的信号处理专用芯片，可替代国外进口的高性能传感器芯片，具有广阔的市场空间。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：1: 完成了基于MEMS工艺和光学干涉原理的温度-压力传感器敏感芯片制备工艺研究；2：完成了传感器整体耐高温封装技术研究；3：完成了基于白光干涉原理的温度-压力快速高精度同步解调技术研究；目前已经完成传感器样机制备和实验室环境测试。传感器耐温性能优于225℃，最大可测压力优于6MPa，频响范围DC--5kHz；满量程精度优于0.5%F.S.目前尚无产业化进程。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：大气环境污染问题是全球性难题，大气环境治理是我国重要的发展战略，也是实现“双碳”目标的重要支撑。为有效应对大气环境治理面临的新挑战，本项目依托国家自然科学基金等项目，开展基于数据智能的大气环境监管一体化技术研究，针对大气环境监测多模态数据与多业务系统融合展开，提出传感器稀疏数据预测与补齐、极端环境下能源转换推演等关键技术，并研制基于统一数字主线方法的实际系统，项目推广和应用效果显著。已经在武安市大气环境综合监管、天津市大气污染物精准化减排大数据管控、天津市北辰区分表记电在线监管等多项重大生态环境治理任务中，解决了数据孤岛与多系统融合问题，在维护国家、企业利益等方面发挥了重要作用。解决大气环境治理的重大需求，实现精准治污、科学治污、依法治污，社会效益显著。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：结合激光，红外，超声、可见光等传感器采集工业产品三维点云图像、三维扫描图像、外观图像。通过这些无接触式数据采集方式获取工业产品的外观质量、尺寸、纹理等物理性能描述数据，利用机器视觉、深层神经网络等人工智能算法，实现工业产品在多方面的微检测检测，比如装配尺寸，定位误差等装配工艺上的误差，外观磕碰、划痕、无损、logo错印等表面外观微小缺陷检测，以及材料基底质量判定等等。此外，本产品利用边缘计算设备实现深度学习算法的运行，数据采集设备具有独立的嵌入式开发控制系统，通过插接的方式接入到现有的工业产品生产流水线，运行速度快，不需要额外改变现有的生产工艺节拍。最后，工业数据都具有一定应用领域的保密性，针对多个客户使用终端的场景，本产品采用联邦学习的框架训练深层神经网络模型。目前本产品已经完成了火花塞外观缺陷检测和轴承表面缺陷外观检测两种工业产品的成果转化。未来3-5年，达到每年15台以上生产规模，技术达国际领先水平。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：海上全景智能系统具有超4K分辨率、电子稳像、低延时同步画面、航线预警、360°全视野、辅助停泊六大功能。由基础款、增强款和定制款三种，满足用户不同船型需求。不同款型产品安装方式不同。产品得到了智能感知领域杨春生和张彦两位院士的高度肯定。产品于2022年5月在长安口号测试，效果良好。同年8月，海豚1号应用效果甚好。今年6月，搭载我团队产品的中国首艘数字孪生智能试验船首航，让“人在岸上开，船在海上行”成为现实，为海洋强国建设提供有利技术支撑。同时受到了CCTV等多个国家级媒体报道，反响热烈。目前我们与中航光电等企业达成合作，向哈船舶科技集团等企业，提供准确、稳定、高效的海上全景智能系统，并支持个性化定制。并于2022年12月与青岛哈船智控科技有限责任公司达成704万元的意向合作。

所属分类：电子信息产业

所属单位：哈尔滨工程大学

成果简介：本项目由移动底盘、除草装置组成。移动底盘采用四轮转向，配备有激光雷达和深度相机，也可配备北斗导航系统，可自主导航、定位、自动驾驶。根据需要可安装多种（多个）除草装置，用于不同环境、不同位置的除草作业，可用于大田除草，也可用于果园如枸杞、葡萄种植园的除草。

所属分类：电子信息产业

所属单位：江苏大学

成果简介：本系统设计并实现一个跨摄像头智慧行人再识别系统，该系统提供全方位的摄像头监控环境下对目标行人的搜索和追踪，为城市安防人员及城市居民提供技术支持。本系统功能一共分为四个部分，分别为摄像头拓扑结构构建、人脸识别、行人属性识别、行人跨摄像头检索。在摄像头拓扑结构构建功能中，可以构建出目标行人的行走路径；在人脸识别模块中，以人脸为主要识别行人的标准，提升行人识别准确率；在行人属性识别模块中，可以对目标行人的外观进行筛选和排查；在行人跨摄像头检索功能模块中，可以对跨摄像头区域下的行人进行识别。 本系统已达到的技术指标如下： (1)在未遮挡的行人再识别数据集上识别准确率达到93.8%。 (2)在遮挡的行人再识别数据集上识别准确率达到75.6%。

所属分类：电子信息产业

所属单位：江苏大学

成果简介：研发的基于漏洞成因与人工智能软件漏洞检测系统，为软件开发团队提供了强大而精准的代码安全检测能力。该系统融合了模糊测试、静态分析、符号执行等多种漏洞检测技术，并运用了先进的深度学习和机器学习等人工智能方法，能够深入剖析代码，迅速且准确地识别出潜在的安全漏洞。开发的软件漏洞检测系统能对多种主流编程语言的程序进行漏洞检测，如C/C++、Java、Python等，可广泛应用于各类软件开发项目。同时，该系统能够覆盖从SQL注入、跨站脚本（XSS）到缓冲区溢出等多种常见漏洞类型，从而进一步提升软件安全性。系统中集成了团队多年来提出的多个创新性的模型和方法。（1）根据程序代码的特点，创新性地结合了注意力机制和蜕变测试等方法，提升对源码的学习能力和漏洞检测能力。（2）针对测试效率不高等问题，提出了结合时间复杂度和空间复杂度的模糊测试方法，进一步提升了漏洞检测的效率。在实际应用中，我们研发软件漏洞检测系统已经展现出了卓越的性能。它能够并适应新的漏洞模式，确保检测的准确性。我们的研发的系统凭借其先进的技术和广泛的实用性，已经在多个软件上进行了测试，并检测到了不同类型的漏洞。

所属分类：电子信息产业

所属单位：江苏大学

成果简介：为了解决真实互联网环境下所面临的网络入侵、网络威胁等实际场景下的各种安全问题，利用机器学习、深度学习等人工智能技术准确地检测网络环境中由网络入侵行为所产生的恶意网络流量，从而提升网络空间安全。开发的基于人工智能的网络入侵检测系统主要包括注册、登录、模型管理、流量预处理、入侵检测、实时入侵监测、攻击态势分析等模块。此外，系统中还集成了团队多年来提出的多个创新性的模型和方法，主要包括：（1）通过分析恶意流量的特点，创新性地构建了基于自编码器及主成分分析的最优特征表示方法，提升对网络流量特征的提取效率；（2）通过获取网络流量的正反双向语义信息，创新性地提出了基于双向时序卷积神经网络的网络入侵检测模型，并采用特征融合技术将提取到的语义信息进行集成以进一步提升模型的检测效果；（3）使用Tshark提取网络流量的PCAP文件信息，根据提取到的信息创新性地建立关联流和图结构，并利用图卷积神经网络开展更准确的入侵检测。基于人工智能的网络入侵检测系统的开发和应用，将进一步促进网络安全领域中网路入侵检测理论与技术的发展，达到维护网络安全、防御网络入侵的目的。