项目产品
水监控
水环境实时监测预警系统
此项目旨在利用机器学习、小波变换、物联网、虚拟现实、大数据实时流等技术研发中国河流水质实时监测和预警系统。当发生水污染紧急情况时，该系统会发出警告，当预测会有污染时，系统会发出预警，并对污染物进行溯源。此外，使用动态系统和基于深度学习的模型预测洪水和洪涝灾害区。
河流健康评估
江湖健康智能估算系统
这是与烟台市水文局合作的项目。该项主要目标是基于中国烟台市主要饮用水源地门楼水库为案例开展研究，创建实时系统来评估河流和湖泊的健康状况。该系统将水的健康状况估计为六个级别。
人体行为
基于人工智能的人类行为识别方法
人类行为识别在社会各个领域互动中发挥着重要作用。本项目提出了一种基于LSTM的骨架关键点和两层双向Seq2Seq模型（SB2_Seq2Seq）用于人类行为识别。通过实验将所提出的SB2_Seq2Seq与其他5个基于骨架的模型进行比较，包括3个基于LSTM的Seq2Seq模型，分别具有两层单向LSTM（SU2_seq2seq）、单层双向LSTM（SB1_seq2seq）和单层单向LSTM（SU1_seq2seq），以及传统的LSTM和CNN模型。此外，还SB2_Seq2Seq与RGB视频基于帧的B2_Seq2Seq模型（RB2_Seq2Seq）进行了比较。UCF50 数据集用于模型评估，其中 60%、20% 和 20% 用于模型训练、验证和测试。实验结果表明，SB2_Seq2seq模型在0.0214均方误差（MSE）下达到了93.54%的准确率，表明SB2_Seq2seq在准确率和MSE方面的识别性能优于其他6种模型。此外，与RB2_Seq2Seq相比，SB2_Seq2seq也大大提高了训练速度。
植物疾病
基于深度学习的植物病害检测模型
及时、准确地自动识别植物病害是提高植物产品质量的关键。由于缺乏全局感受野和自注意力机制，目前广泛使用的基于CNN的模型在复杂背景的叶片图像上仍面临挑战和局限性。本项目提出了一种基于视觉转换器（ViT）架构的植物叶片病害自动识别方法，无需任何卷积。所提出的ViT模型使用开放的PlantVillage数据集进行训练，该数据集包含39类5,5448片叶子和背景图像。数据集随机分为三个子集：训练集 （70%）、验证集 （20%） 和测试集 （10%）。采用数据增强法、动态学习率降简法和提前停止法，避免过拟合，节省计算成本。该模型在100个训练周期中取得了97.05%的最佳验证识别准确率，测试识别准确率为97.11%。结果表明，与流行的基于CNN的架构相比，所提出的ViT模型实现了最先进的标准精度，具有更好的性能、更高的鲁棒性和更低的计算成本。
