AI_CORE团队基于大数据平台与算法的搭建，对铁路设备安全监测的多维数据进行挖掘，找出设备问题规律，预测设备的变化趋势，并在设备发生异常前提前发出预警，杜绝重大事故的安全隐患。共开发出“缺陷热点的时空聚类模型”、“缺陷有效性预测及影响因子模型”、“铁路设备大数据实时异常分析、预警模型”的建模及开发，为高铁、地铁等交通方式的安全生产与检修做出了重大贡献。

AI_CORE团队基于传统图像处理、深度学习平台与算法的搭建，通过摄像头对桥梁表面采集图像，并通过全景拼接算法将单幅图像或视频抽帧进行全景拼接，再利用深度学习算法模型对图像中桥梁病害特征进行识别提取，并进行量化计算，对施工方提前发出预警，杜绝重大事故的安全隐患，为公路、桥梁等交通方式的安全生产与检修做出了重大贡献。

1、测井电成像修复模型：因电成像采集设备的因素，导致测井电成像存在近 1/4 尺寸为图像缺失区域，利用基于对抗神经网络GAN的deepfill v2模型为基础模型，进行优化和模块功能扩充，实现的图像修复效果远超智能油气行业No.1的斯伦贝谢公司旗下的修复模型；测井声电成像地质特征识别模型： 2、利用深度学习的实例分割模型RCNN及传统图像算法，对声电成像中的裂缝、层理、孔洞等地质特征进行识别及量化计算。此前，油气行业内测井声电成像的识别一直为人工操作，识别模型大大减少了人工成本，并提升识别效率。