从技术融合度的角度出发,通过技术格局识别技术机会:以计算机视觉和风能为例的案例研究

《ADVANCED ENGINEERING INFORMATICS》:Identifying technology opportunities via technology landscape from the perspective of convergence degree: A case study of computer vision and wind power

【字体: 大 中 小 】 时间:2025年12月31日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  技术融合度量化与计算机视觉-风能技术景观构建方法研究|技术收敛度|计算机视觉|风能发电|动态主题建模|TRIZ理论

  
宋晓昭|冯丽杰|王金峰|赵维宇|王浩宇|卢成|王宁涛
上海海事大学物流科学与工程学院,中国上海市浦东区海港大道1550号,201306

摘要

数字和智能技术的发展推动了各个行业的进步。有效识别技术机会对于企业加速创新和引领市场至关重要。技术的复杂性要求企业从技术融合的角度来发现机会。然而,很少有研究能够精确量化技术融合的程度,以便构建技术景观并识别技术机会。高融合程度通常意味着更强的知识转移能力和跨领域创新潜力,从而更容易发现大量技术机会。由于缺乏对融合程度的有效量化,对技术融合机会的深入探索和精准识别受到了限制。尽管如此,技术景观可以帮助揭示技术元素之间的隐含关系和内在机制,从而有效识别技术机会。因此,本研究提出了一种新的框架,从技术融合程度的角度构建技术景观,以识别技术机会。该框架包括三个阶段:首先,使用语义网络和图卷积神经网络(GCN)模型构建技术融合程度的坐标系;其次,应用动态主题建模(DTM)和发明问题解决理论(TRIZ)来构建技术景观;最后,利用技术景观来识别技术机会。通过对计算机视觉与风力发电技术融合的案例研究,验证了所提出的框架。这些发现为企业制定研发策略、优化创新组合和推动跨领域技术创新提供了宝贵的见解。

引言

随着数字智能的快速发展,技术加速了创新和迭代的步伐,企业的研发活动面临着较高的风险和成本[1]。为了加快研发进程并降低不确定性,高效的技术机会识别(TOI)已成为制定研发路线图和分配创新资源的关键前提[2]。技术机会是指在不同行业中技术进步或发展的各种可能性[3]。这些可能性是通过根据某些预期标准或特征重组一系列知识元素而建立的;只有经过这一过程后,这些可能性才能被识别为技术机会[4]。
随着技术系统变得越来越复杂,技术融合(TC)成为识别技术机会的关键驱动力,许多技术机会正是通过这种融合产生的[5]。技术融合是指通过整合和重叠两个或多个现有领域的技术来创造新技术,从而降低研发成本和不确定性,进而提高技术创新的效率[6],[7]。因此,通过融合有效识别技术机会对于企业优化其研发策略至关重要。
为了解决上述问题,许多研究尝试基于技术融合来识别技术机会。通常,它们使用专利作为主要数据来源,专利可以映射技术进展和创新情况,并采用网络分析、链接预测和规则挖掘等方法[8],[9]。例如,Xi等人[10]通过实施网络分析构建了一个系统的技术融合网络,以识别有前景的主动技术机会。Wang等人[11]根据技术融合驱动因素构建了网络节点和特征,并使用链接预测来识别融合机会。Park和Geum[12]采用了两阶段GCN来预测技术融合领域,并为企业决策识别技术机会。Kim和Sohn[13]基于文献计量学、语义学等指标准确预测了技术融合机会。Wu等人[14]通过挖掘关联规则来实施技术融合预测,以识别企业的技术机会。
然而,尽管这些研究提供了有价值的见解,但它们仍然存在某些局限性。首先,虽然现有方法可以预测技术融合的发生,但很少测量和分类融合的程度。技术融合程度表示这些领域的技术元素整合和重叠的程度,表明新技术的出现潜力。就融合程度而言,技术融合可以分为高融合程度和低融合程度。高融合程度通常意味着更强的知识转移能力和跨领域创新潜力,从而有助于发现大量技术机会。然而,由于缺乏对融合强度的有效量化,对技术融合机会的深入探索和精准识别受到了影响。
其次,现有方法往往依赖于网络分析[15],[16]和链接预测[17],[18]等方法来评估不同技术元素之间的未来融合潜力,而在基于融合程度构建技术景观以识别技术机会方面的努力有限。尽管现有方法能够有效预测网络结构层面的潜在联系,但其结果通常仅通过链接概率来描述技术机会。因此,很难说明融合中涉及的具体技术元素及其相互联系。相比之下,技术景观可以揭示技术元素之间的隐含关系和内在机制,从而有效识别技术机会。
为了解决上述局限性,本研究提出了一种新的框架,该框架可以根据融合程度构建技术景观以识别技术机会。首先,制定与两个领域相关的专利检索公式,然后进行数据收集和预处理。其次,应用BERTopic模型提取两个领域的关键词,并构建语义网络,同时使用GCN生成特征,以建立技术融合程度坐标系并测量融合程度。第三,利用该坐标系筛选高融合程度的专利;结合DTM模型提取技术元素;并运用TRIZ基于融合程度构建技术景观。最后,利用改进的技术景观来识别和验证技术机会。
与现有研究相比,本研究做出了以下两个主要贡献:
  • (1)
    本研究提出了一种结合语义网络和GCN的测量方法,以量化技术融合程度并有效识别技术机会。具体而言,基于语义网络和GCN模型,提取与专利相关和技术关键词的特征向量,并建立技术融合坐标系,从而实现对技术融合程度的精细量化评估。
  • (2)
    为了系统地分析技术元素之间的相互联系并提高识别技术机会的准确性,本文提出了一种以技术元素重组为中心的技术景观构建方法,该方法整合了DTM和TRIZ理论,旨在有效识别技术机会。具体而言,应用DTM从高融合程度的专利中提取技术元素,随后运用TRIZ系统地对这些元素进行分类和创新性重组,从而构建技术景观,再用于识别技术机会。
  • 本研究的结构如下。第2节总结了与本研究相关的前期工作。第3节介绍了方法论和研究框架。第4节分析了计算机视觉(CV)和风力发电技术融合所产生的技术机会。第5节讨论了本研究的重要性。最后,第6节提出了研究结论。

    章节片段

    计算机视觉在风力发电行业中的应用

    计算机视觉(CV)作为人工智能(AI)的一个重要分支,旨在使计算机具备类似人类的视觉感知和理解能力[19]。一般来说,该领域的发展可以分为三个阶段。最初,CV主要基于传统的图像处理技术,如边缘检测、特征提取和图像分割,用于简单的模式识别和对象检测任务[20]。然而,这些方法

    方法论

    本研究提出了一个系统框架,从技术融合的角度识别CV和风力发电领域的技术机会。该框架分为四个步骤,如图1所示。
    第一步,为专利数据库开发搜索策略,分别检索与CV和风力发电相关的专利,然后收集和预处理相关专利数据。
    第二步,BERTopic模型进行主题建模并提取

    数据收集和预处理

    CV数据库和风力发电数据库是根据从DII数据库中提取的专利数据建立的。搜索时间范围是从2010年1月12日到2024年5月1日。共检索到12,054项CV专利和10,403项风力发电专利。排除无关专利后,专利数据点的总数为22,100个。详细的关键词、IPC过滤标准和专利搜索表见附录A。收集的数据通过数据中描述的步骤进行了清洗

    理论意义

    从CV和风力发电技术融合的角度来看,本研究提出了一种新颖且系统的TOI框架,具有重要的理论价值,体现在以下几个方面:
    首先,本研究首次提出从技术融合程度来识别技术机会。以往的研究主要集中在单一技术领域内的机会识别,缺乏对跨领域机会的深入描述

    结论

    从CV和风力发电技术的融合角度来看,本研究构建了一个系统且创新的技术机会识别(TOI)框架,旨在为相关企业提供方法论参考,以识别跨领域的技术融合机会。
    首先,通过将CV和风力发电技术作为融合对象,本研究实现了对技术中复杂关系的精细描述

    CRediT作者贡献声明

    宋晓昭:撰写——初稿。冯丽杰:指导。王金峰:指导。赵维宇:撰写——审阅与编辑。王浩宇:撰写——审阅与编辑。卢成:撰写——审阅与编辑。王宁涛:数据整理。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

    致谢

    本研究得到了国家重点研发计划(项目编号:2022YFF0608700)和国家自然科学基金(项目编号:72371155)的资助。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号