我们通过开发若干视觉系统，实现了资源映射和量化、废物分类和拆解等三个主要循环经济任务，从而向循环医疗迈出了一步。我们的研究表明，基于表示学习的视觉系统可以改善回收链，而自主系统是关键因素之一，因为它们可以降低污染风险。我们还公开了两个完整注释的数据集，用于吸入器和血糖仪拆解操作的图像分割和关键点跟踪。数据集和源代码都可以公开获取。
Sep, 2023
通过引入自主纺织品分析管道，本文解决了传统纺织品分类方法的低效率问题。利用机器人、光谱成像和人工智能分类，我们的系统提高了纺织品分类过程的准确性、效率和可扩展性，为废物管理提供了更可持续和循环化的方法。通过数字孪生系统的整合，进一步评估了技术和经济可行性，为分类系统的准确性和可靠性提供了有价值的洞察。该提出的框架受工业 4.0 原则的启发，包括五个相互连接的层，实现了系统内的无缝数据交换和协调。初步结果突显了我们的整体方法在减少环境影响和促进纺织品行业向循环经济转变方面的潜力。
May, 2024
该研究利用零浪费（ZeroWaste）数据集的计算机视觉技术，旨在提高回收处理过程中的分选效率，从而减少污染。
Jun, 2021
对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。
Mar, 2024
通过实时的多模式传感系统和边缘智能设备上的无监督学习技术，我们介绍了一种针对不同工业领域的监管合规审计的方法，提高了记录保留的效率并减少了人工干预。
Oct, 2023
本文介绍了一种新的基于深度学习的物体检测器 DenseSSD，能够有效地提高化学实验室自动化工作的安全性和效率。该物体检测器可以在复杂和嘈杂的场景中实现超过 95% 的平均精度，并且对于环境变化方面相当鲁棒。这种方法的可扩展性很强，在其他需要高精度和高速检测的应用中都有很好的应用前景。
Jun, 2022
通过利用环境背景和 CAD 数据，基于 YOLOv4 模型的两阶段检测流程，研究在 Microsoft Hololens 2 等增强现实设备中实现小物体检测的方法。
本文提出了一种新方法，利用视频帧的时间连续性，通过重新分配图像色彩通道来改善病人监测中出现的假象对监测数据的影响，从而实现病人监测的自动化和信息化。
Jun, 2023
利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。
Apr, 2023
本研究采用基于深度学习的目标检测方法，开发了一个卷积神经网络模型用于智能制造中的容量约束分析，通过追踪和元数据提取，发现生产线上的某个工位的生产力仅为 70.6%，并利用该数据进行年度审计和有效管理劳动力与物料。
Jan, 2024