研究领域

机器学习和深度学习，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，他们是用大量的数据来"训练"，通过各种算法从数据中学习如何完成任务。

深度学习是机器学习的一部分，都是实现人工智能的方法。我们团队在实际解决具体问题的同时，研究和发展机器学习和深度学习，为人工智能发展提供我们的力量。

在计算机科学、材料学、材料物理等多学科交叉会聚背景下，基于人工智能的材料研究已经成为世界各国的科技战略重点和核心科技发展领域之一。2012年，国家启动《材料科学系统工程发展战略研究—中国版材料基因组计划》重大项目，为发展材料相关的理论、应用研究，抢占未来智能社会发展先机都具有重要战略意义。但目前我们对材料的结构、形貌特征以及材料性能三者之间的关系知之甚少，合成方法大多基于合成宏观材料上的改进，存在一定局限性。

微纳米材料的小尺寸效应、表面效应、量子效应等物理特性，导致了其图像纹理复杂，形态多变，图像处理异常困难。目前观察和分析材料图像的方法主要还是人工方式，这造成了大量的人力、时间的浪费。随着机器学习、深度学习方法的发展，对材料图像高速有效地自动分析成为了可能。

本研究组在进行机器学习和深度学习研究的基础上，提出了多种材料的图像处理方法，实现相应的软件模型，为材料基因组计划发展提供了数据支持，实现计算机对材料形貌特征的自动识别与分类，能有效地节约材料数据分析的时间和人力投入，加速科研成果的产出，促进材料科学的发展。材料图像特征信息的自动分析的研究和产品化将对我国材料学的发展和相关的人工智能技术的提高都具有深远意义。

材料文本挖掘是利用自然语言处理与机器学习技术，从海量材料科学文献、专利、报告等非结构化文本中自动提取有价值的信息。通过构建材料知识图谱、自动化文献综述、关系抽取等手段，极大提升了材料研发的信息获取效率，加速了新材料的发现与性能预测。我们团队致力于开发高效的文本挖掘算法和系统，助力材料科学数据的智能化管理与深度利用。

机器人通过对观测到的物体识别，进行物体挑选和物体分类工作。传统的视觉方法是利用SIFT算法对图像进行匹配，进而实现物体的识别，缺点是速度慢，机器人的行动非常迟缓。我利用一维扫描码（Barcode）和二维扫描码（QRcode）来确定物体和机器人的位置关系（包括角度和坐标），从而帮助机器人迅速完成物体匹配工作和实现相应动作。

此外，我也利用红外线和红外线观测仪器，把特别标签粘贴到特定位置，机器人就能确定自己的位置。这些研究都是在RT-Middleware框架下进行的研究。RT-Middleware能够把一个机器人按照模块进行分别控制。这样，研究者能把机器人的各个部分分成独立的模块，通过开发和发展这些独立的模块，来实现机器人的功能的升级和开发。

人机交互是信息产业迅速发展的今天所面临的重大课题，手势控制自然、便利的特点，契合人机交互优化的方向和所要达到的目的，是传统的依赖于鼠标键盘等外设的交互方式所不具备的。针对某些应用，触摸屏的出现虽然优化了用户体验，但由于其高昂的造价，通常只能用于小型移动设备和个人电脑，手势控制模拟触摸屏效果，屏幕控制范围大，是提升大屏操作体验的重要手段。然而，手势本身的多样性，加之周围环境不稳定因素带来的干扰，决定了手势判断的复杂性。如何对复杂背景下的动态手势进行实时的跟踪、捕捉和识别，保证交互过程的流畅性，是基于手势识别的人机交互所要研究的问题。

图像处理(image processing)是用计算机对图像进行分析，以达到所需结果的技术。它是计算机视觉和机器人视觉的研究基础。物体识别是图像处理中最重要的研究之一。传统的物体识别算法，主要利用图像库中的数据来匹配现实中的物体图像，来判断此物体的种类，识别出此物体。很多物体包含多种形态，比如说，剪刀随着开张的角度不同，所表现的形状也不同；此外，从不同的角度观察，得到的物体形状也不同。我们把包含不同形态的物体的识别称为RMCO（the recognition of multiple configurations of objects）。一般的方法，采集同一个物体的多个数据来实现RMCO，这样不得不浪费很多时间，并使数据库变得非常庞大。我通过The shape space 理论,只需要很少的数据就能预测被观察物体的可能的形状，从而实现利用小数据就能识别多形态的物体。

传统的物体识别算法，包括SIFT和SURF，尽管可以在极短的时间里完成物体识别，但在机器人应用中，仍然是制约机器人快速行动的一个重要因素之一。我利用图像中三个不变的因素，即，特征点周围的像素信息，特征点的角度信息，以及两个图像之间的特征点群保持相对位置不变的信息来匹配这两幅图像，速度相对于SIFT可以提高10倍左右，并保持匹配点群之间几乎没有错误的匹配点。