项目概况

在嵌入式人工智能方面，有部分研究团队在仪器设备上采用了计算机视觉的方法，但采用的主要还是传统的人工选择特征的方法，存在效率低下、准确度低等问题。本项目采用的技术是基于深度学习的嵌入式人工智能。除去深度学习的高精度固有优势以外，本项目技术还将对深度学习的网络结构进行调整，通过裁剪、量化训练（trained quantization）和可变长度编码，在不降低准确度的前提下，大幅减少参数数量和深度学习模型的计算要求，使得算法在不降低精度的情况下运行速度更快。

本项目技术采用增量式数据标注方法，实现半自动化地采集、整理海量数据，实现增量式数据分类与目标标注。对每一小类检测子模块，使用整理过的海量数据作为原材料，通过大数据驱动的弱监督、自主式深度学习目标感知核心算法，进行迭代学习得到实用模型。通过各个子模块的结构模型整合成一个高精度的实用模型库，与传统检测方式相比，大幅度提高性能。最终设计一种扇面扫描的工业CT装置，能够集成机械扫描、前端嵌入式处理，为嵌入式AI提供科研平台支撑，实现中国科学院在嵌入式AI科研装置方向的基础性突破。

应用领域

科技考古是中国科学院的传统强势学科。文物兼有艺术价值、历史价值和科学价值，能够直观地呈现历史。文物研究和保护的首要工作是完整科学地认识和分析文物信息。很多情况下，青铜器表面会有较厚的锈层或者其他附着物，局部甚至全部掩盖铭文，以致于通过直接观察很难完整释读铭文。在未知的情况下对文物进行保护修复处理，也容易对铭文造成损害。通过所研制的X光检测装置所获取的图像上较少受到表面锈蚀物的干扰，它所呈现的文物面貌比肉眼直观察更为精准。对于青铜器表面或简约或繁复的纹饰，X光成像也能给予更加清晰的展现。另外，X光成像能够帮助我们完整认识器物的内在。

在帮助全面认识文物的基础上，X射线成像在对青铜文物的保护处理中也起着非常重要的作用。大部分青铜器看起来表面状态良好，但实际基体的不均匀腐蚀均比较严重。保存较好的铜胎结构致密，主要含有铜、锡、铅，厚度较大，对X射线吸收强烈；而锈蚀部分结构疏松，同时含有更多的氧、氢等轻元素，受腐蚀之后厚度也会减薄，对X射线吸收较少，所以认为暗区是腐蚀严重的区域。由于在埋藏过程中受压或文物材料本身的不均匀腐蚀，文物基体上会出现裂隙，有些可以直接观察到，有些则由于裂隙细小或是被锈蚀、浮土掩盖而无法观察到。在对青铜器进行保护的过程中，暗裂隙的存在极易导致器物的断裂。为了避免产生差错，需要通过X光检测装置了解文物中裂隙的存在情况，并以此为依据进行后续的保护处理工作。通过运用各类技术手段，我们得以更好地保存文物本体，延续它们的价值。