成果情况
研究成果
管廊施工安全管控系统是一款专门针对城市地下综合管廊建设过程中的安全管控需求而设计的智能化系统。该项目通过目标检测、实例分割、人体姿态识别及特征匹配等技术，重点解决电力管廊施工存在的施工人员吸烟等烟火检测、施工人员穿戴检查、安全措施布置检测以及施工人员工作区域监测四个方面的问题（图1），并研发电力管廊智能化管理应用系统，为相关人员提供便捷高效的管理平台。管廊施工安全管控系统主要包括以下几个方面的功能：
图1.管廊系统界面
A)实时监控：通过在施工现场部署大量的传感器和监控设备，实时采集施工现场的温度、湿度、气压、光照等环境数据以及施工设备的运行状态、工人操作行为等，确保施工现场的安全。B)数据分析与处理：将采集到的数据进行实时分析与处理，发现潜在的安全隐患，并根据分析结果为施工人员提供针对性的安全建议和预警信息。C)信息推送：通过移动互联网、短信等渠道，将实时监控数据、分析结果和安全预警信息及时推送给项目管理人员、施工人员和相关监管部门，实现信息的快速传递和共享。D)安全管理：根据施工现场的实际情况，制定合理的安全管理制度和应急预案，并对施工人员进行安全培训和教育，提高施工现场的安全意识。E)历史数据查询：对施工现场的历史数据进行存储和查询，为项目评估、施工方案优化和安全管理提供数据支持。
管廊施工安全管控系统的应用，有助于提高城市地下综合管廊施工现场的安全管理水平，降低安全事故发生的风险，保障工程建设进度和质量。同时，该系统也有利于推动建筑行业向智能化、信息化方向发展，提升我国城市基础设施建设水平。
绿色低碳能源管控平台是一个集能源数据监测、分析、管理、优化和应用于一体的一站式能源管理平台。该平台致力于帮助企业和机构实现能源的精细化管理，提高能源使用效率，降低能源成本，减少碳排放，实现绿色低碳发展。该项目专注于三大核心技术的创新与突破，旨在彻底改变传统空调系统的运营方式，引领行业向更加智能、高效、可持续的方向发展。
A)光伏用电预测技术、B)用户用能习惯感知、C)用能态势实时感知。通过上述关键技术的融合（图2），我们预期实现显著的节能减排效果，为全球气候变化应对贡献力量，该项目将推动空调行业的技术革新，为用户提供更加舒适、节能、环保的空调解决方案，同时也为企业带来更高的运营效率和经济效益。
图2.空调系统界面
绿色低碳能源管控平台适用于各类企业和机构，特别是能源消耗量大、能源成本高、碳排放重点行业，如制造业、建筑业、交通运输业等。通过使用该平台，企业和机构能够实现能源的精细化管理，提高能源使用效率，降低能源成本，减少碳排放，为绿色低碳发展做出贡献。
教室是学生学习的主要场所，及时感知和优化教室使用效率是教务管理的重要内容。事实上，目前学校教室大多安装有视频监控，主要用途是为了考试、安全等管理，视频数据蕴含的价值没有得到充分挖掘，数据赋能效果并不理想。概括而言，目前教室管理存在如下几个方面的问题（如图3）。
图3.现存问题
本案例以“利旧”为出发点，对带有视频头的教室（如标准化考场、自习室、图书阅览室、报告厅等）的使用状态和用能设备（如空调、照明、风扇、暖气等）进行智能感知与管理，实现如下四个方面的目的：（1）实现教室使用的智能化管理，提高学校教务效率；（2）降低能耗、减少碳排放；（3）教室用能管理更便捷，解放人力；（3）培养学生绿色低碳意识，形成崇尚绿色生活的社会氛围。因此利用教室已有的摄像头，充分挖掘视频内容，搭建的教室教务智能化管理平台（如图4），实现教室用能的“可感、可视、可控制”可以使学校教室的管理更高效、便捷、安全、绿色、低碳，提升教学资源的有效利用和优化。
图4.场景建设示意图
另外，作为 “利旧”的典型案例，本案例同样适用于博物馆、科技馆、展览馆、园区等大型公共区域室内或室外场景的用能管理。
静息态高阶脑网络模型构建是一项前沿的神经科学研究，以静息态功能磁共振数据、脑电数据为研究对象，从不同视角构建高阶脑功能连接网络模型，用于全面表达、模拟多个脑区之间深层次连接关系，为自闭症、抑郁症、老年痴呆等脑疾病的辅助诊断提供技术支持。该模型通过结合先进的神经影像技术、计算模型和数据分析方法，为我们提供了深入理解大脑工作机制的新视角，从不同视角表达、描述大脑各个脑区之间的功能连接特性。
静息态高阶脑网络模型构建的研究具有重要的科学意义和应用价值。首先，它有助于我们深入理解大脑在静息状态下的信息处理机制，为揭示大脑的复杂功能提供理论基础。其次，该模型期望通过这些网络连接特性分析，能否发现和疾病密切相关的连接差异，为临床诊断提供一些技术支持。此外，该模型还可以用于认知功能评估和优化，如通过改善网络特性，提高个体的认知能力和心理健康水平。
总之，静息态高阶脑网络模型构建是一项富有挑战性的研究课题，它将推动神经科学的发展，为人类大脑健康和认知能力的提升做出重要贡献。
研究成果
牡蛎，俗称海蛎子，是世界上第一大养殖贝类，是人类可利用的重要海洋生物资源之一。目前牡蛎分拣主要是按照重量（带壳重量）分拣（图5），即一定重量范围的贝类归为一类。通常情况下，重量越重，价格越高。但顾客的满意度却和牡蛎的肥满度（鲜肉重量与带壳重量的比例）密切相关，即同等重量的牡蛎，顾客更希望牡蛎能够比较肥满，即所谓的“又大又肥”是顾客挑拣牡蛎的理想目标。事实上，牡蛎的重量和肥满度之间的关联程度不高。同等重量的牡蛎其肥满度存在很大差异（图6）。因此，采用什么手段，从同一个重量范围内的牡蛎中，分拣出肥满度高的牡蛎，是一件困难但有实际意义的事情。
图5. 按重量分拣 图6. 肥满度对比图
针对该问题，我们提出采用数字图像处理技术，实现牡蛎周长、直径、面积等外部形态的测量，进而分析研究外部形态特征与肥满度之间的关系，构建外部形态与肥满度的关系模型，解决按照肥满度的生蚝分拣问题。
目前，针对牡蛎外部形态测量问题，我们提出如下三种方法：
A)基于光学投影的贝类外部形态自动测量方法（图7）。即首先利用光照投影技术，获取贝类产品外部形态的光照投影，然后进行二值化处理以及去噪，最后获取贝类的边缘以及外部形态的测量值。
图7. 基于光学投影的贝类外部形态自动测量方法
B)基于图像组合技术的贝类外部形态检测（图8）。首先将背景的灰度值视为高斯分布，对彩色图像进行二值化处理，然后采用线检测的方式获得目标并进行去噪处理，最后获得贝类的边缘以及外部形态特征。
图8. 基于图像组合技术的贝类外部形态检测
C）基于边缘检测的高通量贝类外部形态测量（图9）。为了提高测量效率，我们提出高通量贝类外部测量方法，即首先对图像进行二值化处理，并采用膨胀、腐蚀操作进行去噪处理。然后采用遍历的方式进行目标检测，最后实现外部形态的测量。
图9. 基于边缘检测的高通量贝类外部形态测量
在后续研究工作中,我们一方面继续研究新的外部形态测量模型，另一方面，将研究外部形态特征与肥满度之间的关系模型，并投入到实际生产实践中。
基于数据驱动，采用人工智能、机器学习等领域的新技术、新方法，实现金融大数据的分析与预测。目前，我们主要围绕以下三个方面开展研究，并取得一些阶段性成果。
A) 将股票价格曲线视为时间序列，提出了一种个性化相似性测度，用于度量两段时间序列之间的相似性，相比欧氏距离、兰氏距离等，新测度具有有效消除奇异点的敏感性问题、时间点漂移等问题，进一步，将新测度用于股票价格趋势预测中。
B) 对Bert模型进行了改进，并应用于股票文本主题识别。股票专家发表的股票趋势的评论（股评文本），是对未来股票价格涨跌趋势的一个经验评判，是众多投资者参考的重要依据。如何快速、有效的从众多股评文本中获取评价主题--（上涨、下跌、观望），是当前一个挑战性的问题。针对股评问题的特点，我们从文本输入、特征层融合、输入层融合等多个角度对Bert模型进行了改进，用于自动补获股评文本的主题。
C)基于多重GAN网络的金融数据缺失填补。信用风险评估是银行贷款审批的关键环节。信用风险评估数据往往不完整，存在缺失，影响了评估模型的有效性。由于信用风险评估数据具有缺失率高、缺失模式复杂，如何构建合适的数据缺失填补方法，仍是一个挑战性的问题。
我们利用数据属性内部、属性之间的关联关系，提出GAN网络多重填补方法，用于缺失率高、缺失模式复杂的数据缺失填补。
未来，我们针对目前开展的工作，继续构建新模型和新算法、融合算法。同时，拟围绕企业发展问题，开展“企业健康”诊断模型研究，为企业的健康发展提供实时检测报告。
