我院国家自然科学基金委基础科学中心团队成员徐雪松教授、梁伟副教授在复杂生产过程的数字孪生建模研究取得最新成果，以第一通讯作者撰写的题为 “Intelligent Small Object Detection for Digital Twin in Smart Manufacturing With Industrial Cyber-Physical Systems ”的文章被工业信息类TOP期刊IEEE Transactions on Industrial Informatics（外文A+，中科院一区, IF：9.112）录用并网络优先发表（DOI:10.1109/TII.2021.3061419）。
在能源、资源开采及复杂智能制造过程中，数字孪生技术通过传感器将物理环境的动态特征精确、实时地反馈到数字世界，可构建一个人、机、物及环境的物理空间和虚拟空间相互映射、及时交互、高效协作的复杂系统。其中，环境、设备及人的特征和行为识别准确性和实时性对于数字孪生系统建模（如仿真结果、预测结果、评估和优化结果）非常重要。 但在实际环境中由于光线强度、视频遮挡、检测角度、烟雾粉尘的变化，导致目标像素过小、特征信息稀疏，背景与目标难以快速区分，给目标检测和数字建模带来了很多困难。同时，由于作业人员的行为具有高度的自主性和不确定性，容易出现错判和漏判问题，使得现有的虚拟实体模型很难客观地描述和刻画物理实体。
针对上述主要难点，本研究通过结合物理信息系统CPS框架，提出了一种复杂场景智能小目标检测模型，用于数字孪生系统建模时对环境中多类型、密集小的物体进行快速检测。结合了YOLOv4和MobileNet-v2的深度可分离卷积，对部分网络层特征信息进行融合，检测尺度扩展到四种。通过浅层和深层特征的融合，为预测层提供了丰富的语义信息，提高小目标检测的精度。通过去除背景干扰并融合Openpose方法注重对人的姿态及动作学习，能更精准地检测操作人员的行为信息。
该成果依托陈晓红院士主持的 “数字经济时代的资源环境管理理论与应用 ”基础科学中心项目支持，瞄准国家大力发展数字孪生技术赋能智能制造、工业互联网的现实需求，为复杂生产管理的数字孪生建模提供有效方法。该成果也成功应用于中国铁建重工集团有限公司的 “地下工程装备数字样机及数字孪生技术与系统研发 ”项目，具有较好的理论价值及应用价值。