煤矿大型设备（如提升绞车、主扇风机、空压机等）承担着矿井的提升运输、通风、压风等任务，是保证矿井安全生产最重要的装备和环节。由于它们分布在点多面广的不同区域，又由于企业对这些设备的运行监控还是停留在简单的人工看表，定时记录的方式上，技术手段非常落后，难以进行科学有效的管理，虽然有的企业有了一些先进的监控系统，但是数据传不上来、数据不准确、数据错误采集等人为原因在更大程度上减弱了监控系统对煤矿企业起到的安全、高效的管理作用，无法有效的预防和遏制煤矿的安全事故。该成果通过实时采集煤矿大型机电设备的实时运行数据，进行数据处理，达到对煤矿大型设备故障安全隐患的提前判识与诊断，并给出预警，杜绝安全事故的发生。 针对煤矿企业的主提升、运输系统、压风系统、抽风系统以及给排水等系统的大型机电 设备，利用与设备对应特定的采集器获取不同的实时数据，通过有线或无线网络技术将这些 数据传输到数据中心服务器汇总、处理分析，将设备实时状态、劣化趋势、数据分析、各种 统计报表等实时地展现在智能终端上（在调度中心），并对设备的运行健康状态进行判识和 诊断，能有效提高机电设备的运行效能，减少煤矿安全事故的发生。

本发明涉及计算机视觉和深度学习领域，尤其涉及深度学习中Yolov8目标检测算法中引入注意力机制CA和在特征融合方式中引入特征金字塔CFP算法增强，以及全卷积掩码自编码器框架FCMAE和使用MLP分类器对自动扶梯上检测到的人体关键点进行分类的相关研究与技术方案。

1 成果简介 服装安全与信息安全、食品安全一样是每个国家战略关注的核心之一，儿童着装的安全性又是重中之重。本项目基于儿童身心特殊性，及交互式设计理念，拟对儿童智能服装的研发模式进行系统、深入的探讨，提出一套切实可行的理论模型。首先，本项目将对消费者关于儿童安全服装的需求进行收集和分析，并对智能元件与人体的交互方式及各自的特性进行深入研究。通过对儿童身心安全、服用舒适等多方面需求的掌握，结合智能元件的性能，探讨智能可穿戴设备与儿童安全服装的结合方式，提出兼顾功能及美感的设计原则与方法。同时，通过对可穿戴装备与移动终端通信技术的分析，提出从单一式交互到多设备共联的思想，建立基于能源优化配置和高效率信息传输的多交互式儿童智能服装研发模型。本项目会为相关的研究人员提供具较高可操作性的指导规范，对庞大的中国童装消费市场结构改善会有积极影响。 2 关键技术及产品 关键技术： (1) 根据着装者（儿童）的身心特点，从服用性能，信息交互性能，智能元件的效能等方面分析智能安全童装的多维度需求，作为本课题的重要研究基础。 (2) 从儿童的身心需求出发，探讨智能安全模块与儿童服装结合的设计规则。 (3) 根据智能安全童装的功能性需求，从信息共享，协同监护的角度，探讨建立智能服装与控制终端之间多交互式信息网络的基本框架。 (4) 以产业化为目标，提出一整套适应性强、可操作性高的智能安全童装研。 形成产品： 形成儿童定位安全、儿童 VR 图案、儿童感温变色、儿童趣味结构等多种功能性服装，同时也开发了相关的老年人等功能性服装。 3 知识产权及项目获奖情况 本课题在智能交互童装的新产品生产方面已合作申请发明专利 12 件，授权1 项发明专利及 1 项计算机软件著作权，发表 6 篇高水平研究论文，获省部级以上相关奖项 6 项。 4 项目成熟度 该研发成果已经初具规模的投入实施运作，直至 2018 年 5 月年，其营业收入已经达到 1800 万元，净利润达 675 万元，预计 2018 年底公司资产总额上升到8000 万元；营业收入增长到 2800 万元；净利润达 850 万元，产品将给企业带来可观利润，并拓宽占领新消费市场。该项目的推广对本行业相同企业具有很强的借鉴意义。 在带来丰厚的经济效益同时，该项目研发成果还打造流行与市场实用性相结合的现代智能儿童交互服装品牌，以塑造强有力的安全智能童装形象，拓宽企业利润增长空间。在传统童装设计中，以产品实用性为根本。而现代童装设计中，将科技提升至等次于品牌实用性地位，通过现代科技优势与童装流行趋势结合，最终消除穿戴者在生活中出现的各类因服装穿着所引起的安全隐患。以此从侧面突显品牌的地位与形象，为企业利润的再创添加新途径。 5 投资期望及应用情况 成果在行业内具有一定的先进性，已经在江苏雅鹿男装、无锡林科、常州雪奈利等多家企业得到良好应用。 

本项目在三维荧光光谱技术的基础上，建立光谱数据矩阵计算模型和处理方法，建立了基于荧光光谱和智能算法的食品安全检测新技术。应用于白酒检测，实现了白酒品种和年份酒年份的科学化、仪器化和智能化鉴别和测定；应用于食品添加剂检测，实现了目标物的种类和含量的方便、快捷、灵敏、准确测定。

该项目采用稀土离子示踪的时间分辨荧光免疫分析技术（TRFIA）进行食品中痕量污染物的高灵敏免疫分析试剂的应用研究。建立了黄曲霉毒素 B1（AFB1）、赭曲霉毒素 A（OTA）、蓝藻毒素（MC）、瘦肉精（CBL）、氯霉素（CAP）、玉米赤霉烯酮（ZEN）、河豚毒素（TTX）、伏马毒素（FB1）、T-2 毒素、氯丙嗪(CPZ)、地西泮（DIA）等食品安全系列的高灵敏 TRFIA 检测方法。组建检测食品中兽药、生物毒素等痕量有害物的高灵敏系列 TRFIA 试剂盒，项目产品申请专利 14 项，该项目的研究相当于国内外同类研究工作的先进水平，应用成本可降低至进口试剂的一半以下。 

1 成果简介 服装安全与信息安全、食品安全一样是每个国家战略关注的核心之一，儿童着装的安全性又是重中之重。本项目基于儿童身心特殊性，及交互式设计理念，拟对儿童智能服装的研发模式进行系统、深入的探讨，提出一套切实可行的理论模型。首先，本项目将对消费者关于儿童安全服装的需求进行收集和分析，并对智能元件与人体的交互方式及各自的特性进行深入研究。通过对儿童身心安全、服用舒适等多方面需求的掌握，结合智能元件的性能，探讨智能可穿戴设备与儿童安全服装的结合方式，提出兼顾功能及美感的设计原则与方法。同时，通过对可穿戴装备与移动终端通信技术的分析，提出从单一式交互到多设备共联的思想，建立基于能源优化配置和高效率信息传输的多交互式儿童智能服装研发模型。本项目会为相关的研究人员提供具较高可操作性的指导规范，对庞大的中国童装消费市场结构改善会有积极影响。 2 关键技术及产品 关键技术： (1) 根据着装者（儿童）的身心特点，从服用性能，信息交互性能，智能元件的效能等方面分析智能安全童装的多维度需求，作为本课题的重要研究基础。 (2) 从儿童的身心需求出发，探讨智能安全模块与儿童服装结合的设计规则。 (3) 根据智能安全童装的功能性需求，从信息共享，协同监护的角度，探讨建立智能服装与控制终端之间多交互式信息网络的基本框架。 (4) 以产业化为目标，提出一整套适应性强、可操作性高的智能安全童装研。 形成产品： 形成儿童定位安全、儿童 VR 图案、儿童感温变色、儿童趣味结构等多种功能性服装，同时也开发了相关的老年人等功能性服装。 3 知识产权及项目获奖情况 本课题在智能交互童装的新产品生产方面已合作申请发明专利 12 件，授权1 项发明专利及 1 项计算机软件著作权，发表 6 篇高水平研究论文，获省部级以上相关奖项 6 项。 4 项目成熟度 该研发成果已经初具规模的投入实施运作，直至 2018 年 5 月年，其营业收入已经达到 1800 万元，净利润达 675 万元，预计 2018 年底公司资产总额上升到8000 万元；营业收入增长到 2800 万元；净利润达 850 万元，产品将给企业带来可观利润，并拓宽占领新消费市场。该项目的推广对本行业相同企业具有很强的借鉴意义。 在带来丰厚的经济效益同时，该项目研发成果还打造流行与市场实用性相结合的现代智能儿童交互服装品牌，以塑造强有力的安全智能童装形象，拓宽企业利润增长空间。在传统童装设计中，以产品实用性为根本。而现代童装设计中，将科技提升至等次于品牌实用性地位，通过现代科技优势与童装流行趋势结合，最终消除穿戴者在生活中出现的各类因服装穿着所引起的安全隐患。以此从侧面突显品牌的地位与形象，为企业利润的再创添加新途径。 5 投资期望及应用情况 成果在行业内具有一定的先进性，已经在江苏雅鹿男装、无锡林科、常州雪奈利等多家企业得到良好应用。 

1、项目简介 本项目在三维荧光光谱技术的基础上，建立光谱数据矩阵计算模型和处理方法，建立了基于荧光光谱和智能算法的食品安全检测新技术。应用于白酒检测，实现了白酒品种和年份酒年份的科学化、仪器化和智能化鉴别和测定；应用于食品添加剂检测，实现了目标物的种类和含量的方便、快捷、灵敏、准确测定。 2、创新要点 本项目研发用于复杂混合物体系检测的高分辨率荧光光谱技术，结合数学建模方法和智能计算技术，以三维荧光光谱获得更多信息，以三维数阵校正智能算法进行混合物光谱特征信息的提取和处理，在处理复杂混合物体系光谱信息方面发挥优势，实现了以“数学分离”代替“化学分离”、以“计算识别”代替“人工判别”，解决了复杂混合物荧光光谱特征指向问题，建立了新的食品安全检测技术。 3、效益分析 “白酒年份酒的荧光光谱检测技术及鉴别系统”可实现对所建库中不同品牌白酒及不同年份白酒进行准确鉴别，可应用于白酒企业的生产管理和年份白酒消费市场的监督管理，将促进我国白酒年份酒的产生和销售的规范和发展，推动品牌白酒鉴别工作的技术进步，为打击假冒伪劣、保护名牌提供技术支持，具有直接的经济效益和良好的社会效益。 4、推广情况 建立的白酒荧光光谱检测技术对“中国白酒 169 计划”和“白酒 3C”计划的家白酒企业的产品进行了应用。在“山西杏花村汾酒厂股份有限公司”，本项目成果已应用于公司的生产管理和市场的监督管理.本项目成果已在“无锡市凯得灵糖果食品有限公司”得到应用，应用于公司生产原料和成品的检测。为本公司确保产品质量，提供了有效的技术支持，促进了产品质量的稳定和提高，应用二年多时间以来，糖果的产销量有了显著的增长。

产品详细介绍生物安全柜 产品特点 :独特可靠的新颖结构，采用人体工程学设计，带有10度倾斜角，为使用者提供最大的舒适性和视觉效果。安全柜的操作区均采用四面（左右二侧、后部、低部）双层结构，所有污染部位均处于负压状态和被负压通道和负压通风系统包围。前视窗采用光学透视清晰、清洁、消毒剂不对其产生负面影响的钢化玻璃。滑动玻璃门升降门，自由轻松，随意定位，在行程范围内的任何位置不产生卡死现象，而且有联锁系统保证在悬挂系统出鼓掌时不脱落而给操作者带来危险。内胆、集液槽及托盘均采用304不锈钢材质，内胆一次成形，圆弧处理，工作台面可移动。集液槽下部配有排污接口便于清洁。 详细参数：指标/型号 XJK-1100Ⅱ/A2(美国联邦NSF49) XJK-1360Ⅱ/B2(美国联邦NSF49) 洁净等级 100级@≥0.5μm(美联邦209E) 100级@≥0.5μm(美联邦209E) 菌落数 ≤0.5个/皿·时(φ90mm培养平皿) ≤0.5个/皿·时(φ90mm培养平皿) 风速 流入气流平均风速：大于0.5 m/s 流入气流平均风速：大于0.5 m/s 下降气流平均风速0.25-0.5 m/s 下降气流平均风速0.25-0.5 m/s 噪 音 ≤55dB（A） ≤55dB（A） 振动半峰值 ≤4μm ≤4μm 光照度 ≥500LX ≥500LX 电 源 单项交流220V/50Hz 单项交流220V/50Hz 重 量 205Kg 246 Kg 215Kg 260 Kg 工作区尺寸 1100x600x680mm 1360 x600x680mm 1100x600x680mm 1360 x600x680mm 装置外形尺寸 1240x790x2250mm 1500 x805x2250mm 1240x790x2250mm 1500 x790x2250mm 送风过滤器规格及数量 1000x470x69x① 1260x470x69x① 1000x395x69x① 1260x395x69x① 排风过滤器规格及数量 570x400x69x① 700x400x69x① 1000x320x90① 700x400x90x① 荧光灯/紫外灯规格及数量 30w x ②/ 20w x ① 40w x ②/ 40w x ① 30w x ②/ 20w x ① 30w x ②/ 30w x ① 适用人数 单人单面 双人单面 单人单面 双人单面 备注：我厂生产的生物安全柜是依照美国NSF49标准组织生产的二级通用型生物安全柜。对于用户若有B型生物安全柜需求的，可在定货中提出。对于有三级生物安全柜需求的用户可单独制作

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。