近日，陕西省发展和改革委员会公布陕西省“人工智能+”典型案例、重点产品(第一批)遴选结果。本次遴选是落实《陕西省深入实施“人工智能+”行动方案（2025-2027年）》的重要举措。我校及成果转化企业共有4项成果成功入选，其中典型案例2项、重点产品2项。入选成果聚焦AI+制造、AI+交通、垂域大模型等重点应用方向，是我校深度参与西安国家新一代人工智能创新发展试验区建设，赋能我省重点产业链智能化改造的有力实践，充分彰显了我校人工智能交叉学科创新、科技成果转化的显著成效。
典型案例：扎根产业一线，打造可复制示范应用样本
基于边缘智能与机器视觉的高端装备智能制造应用
陕西翱翔信创科技有限公司、西北工业大学
行业痛点：传统高端装备制造依赖“数据上云、集中分析”模式，存在设备协议异构、数据孤岛、云端推理时延高、弱网环境运行困难、工业数据安全风险及国产化适配难等痛点，人工目检效率低、误差大，难以满足生产现场实时智能决策与规模化部署需求。
技术创新：构建“国产边缘算力+机器视觉+工业互联网+AI智算平台”一体化技术体系，自研基于32TOPS国产边缘可重构并行处理器的软硬一体AI产品，融合工业机理与数据驱动双重校验算法，形成“感知—连接—分析—协同—训练—控制”全链路能力，突破传统工业AI实时性不足与软硬件割裂瓶颈。
系统功能：打造边缘智能质检、设备监测、预测性维护、安全生产等应用，实现多模态数据采集、异构协议解析、边缘侧实时AI推理、缺陷识别、异常预警、工艺参数优化及生产控制闭环，保障弱网甚至断网条件下核心业务的连续运行。
应用成效：已应用于航空航天、装备制造等行业100余家企业，产线数据覆盖率达100%，端到端时延低于20ms，视觉检测准确率超95%，人力成本降低60%，算法部署周期由数周缩短至单日。全国推广后，预计将服务于百亿级智能制造应用市场，有力推动高端装备产业数字化智能化升级。
基于深度学习图像识别与 SLAM 自主飞行的路桥智能巡检运维应用
西安因诺航空科技股份有限公司
行业痛点：传统路桥运维依赖人工加桥检车模式，存在高空作业风险高、巡检效率低、桥底盲区多、微小病害易漏检、运维数据碎片化、被动抢修滞后等痛点，传统算法难以应对户外复杂光照干扰与遮挡场景，难以满足基建数字化精细化运维需求。
技术创新：构建桥下SLAM自主飞行与路桥病害深度学习图像识别一体化技术体系，自研激光SLAM多源融合自主定位导航算法与多尺度特征融合瑕疵语义分割AI模型，融合端云协同数据治理，实现低空智能感知与精准研判。
系统功能：打造低空智能巡检平台，实现桥下自主飞行、毫米级病害自动识别、多源感知数据融合、三维建模与养护决策闭环，突破GNSS拒止环境，构建无人值守全流程智能运维体系。
应用成效：已应用于陕西、重庆、山东等多地路桥边坡项目，巡检效率提升20倍以上，单座大型桥梁巡检时长由1-3天压缩至2小时，人力成本节省75%，病害识别准确率超90%，飞行作业成功率达99%以上。全国推广后，预计将服务于千亿级智慧交通运维市场，有效降低路桥运维成本与高空安全风险。
重点产品：沉淀标准化技术能力，输出行业解决方案
低空视觉检测 “LASIS-VTD 大模型”
陕西科为天网智能科技有限公司
关键技术：该产品是面向低空无人机巡检的通用视觉检测大模型。采用视觉-语言双塔架构，通过跨模态对齐损失计算候选框—文本匹配度，同时引入场景-目标协同判据，对高风险目标同步校验场景匹配度，仅当“目标存在+场景匹配”同时满足才触发报警，形成“边缘初筛-云端复核-难例回流-再训练与发布”的误报压降闭环。
主要功能：可实现无人机实时视频流逐帧推理、按用户指定检测候选目标，在满足置信度阈值与预设场景约束条件下推送包含目标位置与包围框的识别结果，支撑应用层完成视频流实时画框标注等功能，解决无人机目标识别任务中长尾目标识别难、重复标注训练成本高、误报耗散处置资源等问题。
预期效果：降低模型调度复杂度，基于小样本即可提供较强的泛化性，通过场景理解复核使用户不关心的误报降低80%以上，同时显著降低一机一模的建模与运维成本、缩短新设备接入周期、提升异常发现与健康评估效率。
适用场景：适用于公安、电力、交通、环保、应急等行业的无人机自动巡查场景。
晶体生长过程 AI 原位监测预警与工艺优化平台
西北工业大学
关键技术：该产品是面向晶体生长研发与制造过程的智能制造平台。平台面向晶体材料智能制造过程，融合原位图像、温度曲线、加热功率、移动速度、保温时间、设备状态和质量检测结果等多源数据，结合晶体生长热传输、界面演化和缺陷形成机理，采用图像识别、多变量时序分析和历史相似炉次比对等方法，实现关键生长阶段连续判读、异常趋势预警、工艺参数优化建议和质量结果回流，形成“过程感知—状态识别—异常预警—工艺优化—质量反馈”的闭环。
主要功能：可实现多源数据治理、关键状态识别、异常分级预警、工艺过程可视化、历史炉次复盘、参数趋势分析、优化建议输出和模型迭代等功能，解决关键状态判定不统一、异常发现滞后、历史数据利用不足和工艺试错成本高等问题。
预期效果：平台已在企业闪烁晶体生长场景完成阶段性部署和现场实测，关键状态识别准确率提升30%，异常响应时间缩短50%，试错炉次减少20%，减少了重复验证工作，提升了工艺调整效率和产品质量一致性。
适用场景：适用于闪烁晶体、半导体晶体等功能晶体从研发试制、中试放大到工业化生产全过程的智能监测、异常预警与工艺优化。
下一步，学校将充分发挥学科与人才优势，持续深化人工智能在高端装备、低空经济、新材料等领域的产学研协同创新，转化更多契合产业发展需求的科技成果，助力陕西打造具有全国影响力的人工智能创新发展聚集区，为谱写陕西新篇争做西部示范贡献西工大力量。
（撰稿：李艳 审核：顾振芳）
