Projets novateurs réalisés

Explorez des milliers de projets réussis issus de la collaboration entre organisations et talents postsecondaires.

13270 Projets achevés

1072
AB
2795
C.-B.
430
MB
106
NF
348
SK
4184
ON
2671
QC
43
PE
209
NB
474
NS

Projets par catégorie

10%
Informatique
9%
Génie
1%
Génie - biomédical
4%
Génie - chimique / biologique

Une solution de positionnement omniprésente pour les capteurs montés sur la tête – Deuxième année

Les avancées récentes en vision par ordinateur et en technologie de détection ont démontré un grand potentiel pour les véhicules autonomes. Ce travail vise à étudier l’utilisation d’un affichage tête haute en réalité augmentée pour améliorer la fiabilité des systèmes avancés d’assistance à la conduite (ADAS). Les algorithmes développés aideront les conducteurs à détecter les obstacles, par exemple les passages de piétons, à améliorer les avertissements actuels de sortie de voie pour permettre à une voiture de naviguer en toute sécurité sans, ainsi qu’à estimer la distance aux véhicules proches pour éviter les collisions.

Voir la description complète du projet
Superviseur du corps professoral :

Edward Park

Étudiant :

Ahmed Arafa

Partenaire :

Elves Technologies Inc

Discipline :

Génie - mécanique

Secteur :

Technologies de l’information et des communications

Université :

Programme :

Élévation

Modélisation mathématique de l’apport en vitamines B chez les vaches laitières – Deuxième année

Les besoins en vitamine B des bovins étaient traditionnellement satisfaits par la synthèse microbienne du rumen. Cependant, les besoins en vitamines B de la vache laitière moderne à haute production dépassent désormais le taux de synthèse des microbes du rumen, ce qui entraîne une production et une efficacité laitières sous-optimales. Une meilleure compréhension des facteurs alimentaires qui favorisent la synthèse ruminale et l’utilisation des vitamines B aidera à identifier quand la supplémentation sera bénéfique pour la vache. Bien que la cinétique de la vitamine B chez la vache laitière n’ait pas encore été modélisée, des données sur les concentrations et les débits sont disponibles à partir de sources existantes. Ces informations serviront à développer des modèles afin d’accroître notre compréhension globale des facteurs influençant la synthèse des vitamines B dans le rumen. Un tel modèle soutiendra le développement de stratégies nutritionnelles pour répondre aux besoins modernes des vaches laitières en vitamines B, offrant ainsi une meilleure efficacité métabolique et une meilleure santé.

Voir la description complète du projet
Superviseur du corps professoral :

James France

Étudiant :

Douglas Castagnino

Partenaire :

Université de Guelph

Discipline :

Science animale

Secteur :

Agriculture

Université :

Programme :

Élévation

Technologie de diffusion cellulaire sécurisée dans la communication M2M pour une application énergétique spécifique

Ce projet portera sur la recherche de solutions de diffusion cellulaire pour les communications machine à machine (M2M) (opérations de commandement et de contrôle). En alternative à Internet, la diffusion cellulaire devrait offrir une excellente qualité
avantages tant pour les fournisseurs de services publics que pour les consommateurs de CVC commerciaux et résidentiels en raison de ses caractéristiques et de sa nature de diffusion par rapport aux canaux de contrôle cellulaires. L’adoption de la diffusion cellulaire générera plusieurs défis liés aux communications qui seront étudiés et étudiés tout au long de la période de subvention. Des solutions globales proposées à ces défis seront également abordées. Le programme Mitacs aidera NexGen Controls avec l’expertise, les connaissances et diverses compétences que les stagiaires offriront pour accélérer la recherche et le développement du projet proposé. Les résultats de la recherche permettront aux clients de NexGen Controls d’optimiser et de contrôler les ressources énergétiques de tous les fournisseurs de services publics jusqu’à leur équipement mécanique CVC, etc. De plus, les résultats du projet créeront une transition pour NexGen Controls, passant d’un fournisseur de services axé sur le consommateur à un fournisseur éprouvé de solutions de communications énergétiques de contrôle, offrant un commandement et un contrôle sécurisés inégalés, résistants à Internet et sécurisés, pour les compagnies d’électricité, les consommateurs commerciaux/industriels ainsi que résidentiels.

Voir la description complète du projet
Superviseur du corps professoral :

Jahangir Hossain

Étudiant :

Hassan Mohammadnavazi

Partenaire :

NxGen Controls Corp

Discipline :

Génie

Secteur :

Secteur de l’énergie

Université :

Programme :

Accélération

Développement d’un système intégré photovoltaïque/thermique combiné (BIPV/T) pour des applications de bâtiments à énergie nette zéro – deuxième année

Le réseau photovoltaïque intégré de bâtiment (BIPV/T) intégré dans une structure de bâtiment est un système qui combine le toit/la façade, les cellules photovoltaïques et le collecteur thermique comme un produit tout-en-un, au lieu d’installer chacun individuellement. Le BIPV/T remplace efficacement les matériaux de construction conventionnels et est plus rentable que d’avoir plusieurs produits distincts, et l’installation du système BIPV/T peut être mise en œuvre lors de la construction initiale du bâtiment. Le BIPV/T sert non seulement à produire de l’électricité, mais peut aussi générer de l’énergie thermique et sert de protection contre le bruit et les intempéries. Dans cette optique, le BIPV/T fonctionne comme une nouvelle technologie disruptive. Ce projet favorisera la compréhension des partenaires, des défis et des améliorations de conception et d’installation du BIPV/T, ce qui pourrait potentiellement réduire les coûts, aider à faire progresser les systèmes d’énergie solaire commerciale et contribuer aux avantages économiques de l’Ontario et du Canada.

Voir la description complète du projet
Superviseur du corps professoral :

Alan Fung

Étudiant :

Raghad Kamel

Partenaire :

Autorité de conservation de Toronto et de la région

Discipline :

Génie - mécanique

Secteur :

Énergie alternative

Université :

Programme :

Élévation

L’Accélérateur civique de Guelph

Ce projet évaluera le programme Civic Accelerator à Guelph et étudiera les principales caractéristiques du programme. L’Accélérateur civique est une approche innovante du développement économique, utilisant l’approvisionnement du secteur public et des concours de défis pour soutenir les entrepreneurs, startups, étudiants et entreprises de la « technologie civique ». Ce projet soutiendra le développement continu du programme Civic Accelerator à Guelph ainsi que l’adoption plus large du modèle. Plus précisément, ce projet examinera comment les sujets liés aux défis sont identifiés, comment les entreprises participantes sont soutenues, comment les idées sont évaluées dans le « défi » et comment le programme pourrait être mis en œuvre. Les réponses à ces questions éclaireront directement les futures itérations de l’Accélérateur à Guelph ainsi que les efforts de CODX pour semer les « Défis d’innovation en données ouvertes » dans les municipalités à travers le Canada.

Voir la description complète du projet
Superviseur du corps professoral :

Harry Cummings

Étudiant :

Joséphine Bamanya

Partenaire :

Échange canadien de données ouvertes

Discipline :

Sciences de l’environnement

Secteur :

Gestion des entreprises et des entreprises

Université :

Programme :

Accélération

Exploiter la puissance du transfert horizontal de gènes pour le développement de souches de levures

La levure est utilisée à grande échelle dans de nombreux milieux industriels, tels que la production d’aliments et de boissons, de suppléments nutritifs, de produits pharmaceutiques et autres, totalisant plus de 5 milliards de dollars de valeur annuelle sur le marché. La plupart des levures actuellement utilisées à des fins industrielles proviennent directement de la nature et ne sont pas optimisées pour les besoins spécifiques de l’industrie. Actuellement, de nombreux outils pour améliorer les souches nécessitent une modification génétique des organismes, ce qui ne permet pas un étiquetage « propre » non OGM. Les améliorations des souches de levures peuvent aussi être obtenues par des méthodes classiques – comme la sélection génétique et l’évolution – cependant la portée est limitée aux traits déjà présents chez les espèces de levures plus larges capables de s’accoupler. Les levures acquièrent aussi de nouveaux traits par transfert horizontal de gènes (HGT), c’est-à-dire l’acquisition de matériel génétique par des mécanismes autres que la reproduction. À CONTINUER

Voir la description complète du projet
Superviseur du corps professoral :

John Smit

Étudiant :

Cedric Brimacombe

Partenaire :

Renaissance BioScience Corporation

Discipline :

Biologie

Secteur :

Sciences de la vie

Université :

Programme :

Élévation

Technologie et outils pour le neurodiagnostic quantitatif utilisant l’imagerie par résonance magnétique à ultra-haute résolution

Le projet vise à traduire les développements des capteurs IRM ultra-sensibles dans un contexte cliniquement pertinent. Pour créer des capteurs à haute sensibilité offrant de meilleures images, nous visons à créer un système ajusté qui place les capteurs — semblables à des antennes — plus près du cerveau. Cela améliorera la qualité des signaux que nous pouvons extraire du cerveau et nous permettra d’utiliser ces améliorations pour capturer des images à plus haute résolution et meilleur contraste. Grâce à cette amélioration de l’imagerie, nous visons ensuite à créer un grand ensemble de données normatif d’épaisseurs de matière grise. Cet ensemble de données nous dira ce qui est « normal » pour l’épaisseur dans chaque partie du cerveau, et nous permettra de capturer avec précision les différences et la sensibilité. En fin de compte, nous visons à devenir sensibles même aux changements subtils de la perte de matière grise, ce qui pourrait nous permettre de détecter certaines maladies neurodégénératives plus tôt, nous permettant ainsi de mieux les traiter.

Voir la description complète du projet
Superviseur du corps professoral :

Reza Farivar-Mohseni

Étudiant :

William Mathieu

Partenaire :

Siemens Healthcare Ltd.

Discipline :

Génie - mécanique

Secteur :

Dispositifs médicaux

Université :

Programme :

Accélération

Applications de l’apprentissage profond à l’analyse de données à grande échelle en protéomique basée sur la spectrométrie de masse

En raison des avancées récentes dans les technologies à haut débit, l’augmentation rapide des quantités de données de spectrométrie de masse (MS) présente de nouvelles opportunités ainsi que des défis aux méthodes d’analyse existantes. De nouvelles approches computationnelles sont nécessaires pour tirer parti des dernières percées en informatique haute performance pour l’analyse à grande échelle de mégadonnées issues de la protéomique basée sur le MS. Dans ce projet, nous visons à développer de nouvelles applications de l’apprentissage profond et des réseaux de neurones pour l’analyse des données de la SEP. En particulier, nous nous concentrons sur trois problèmes fondamentaux dans un flux de travail typique d’analyse en EM : la détection et la quantification des caractéristiques peptidiques, le séquençage de novo des peptides, ainsi que l’identification et la quantification des protéines. Une fois évaluées avec succès, les techniques proposées seront mises en œuvre et intégrées à PEAKS Studio, la plateforme actuelle d’analyse MS du partenaire. Nous croyons que les résultats du projet apporteront des avancées majeures dans le domaine de la protéomique basée sur la EM et amélioreront substantiellement la performance des produits logiciels du partenaire.

Voir la description complète du projet
Superviseur du corps professoral :

Mark Giesbrecht

Étudiant :

Ngoc Hieu Tran

Partenaire :

Bioinformatics Solutions Inc.

Discipline :

Informatique

Secteur :

Technologies de l’information et des communications

Université :

Programme :

Élévation

Conception de la couche catalyseur de nouvelle génération pour piles à combustible PEM

La performance des catalyseurs à métaux non précieux (NPMC) pour les piles à combustible à membrane à échange de protons (PEMFC) a maintenant atteint un stade où ils peuvent être envisagés comme des alternatives possibles au PT coûteux, surtout pour des applications à faible consommation. Cependant, malgré d’importants efforts passés sur le développement de catalyseurs, seules des études limitées ont été menées sur les conceptions d’électrodes basées sur le NPMC. Il est donc nécessaire de développer une électrode efficace basée sur le NPMC capable d’équilibrer correctement les paramètres complexes pour maximiser la performance qu’elle peut apporter. Nous proposons ici la recherche et le développement d’électrodes NPMC rentables avec des performances améliorées grâce à des nanoarchitectures hiérarchiques. Ce travail implique une approche unique et prometteuse dans la fabrication avancée de NPMC nanostructurés et d’électrodes avec une ingénierie précise de leurs nanostructures.

Voir la description complète du projet
Superviseur du corps professoral :

Zhongwei Chen

Étudiant :

Ja-Yeon Choi

Partenaire :

Ballard Power Systems Inc.

Discipline :

Génie - chimique / biologique

Secteur :

Secteur de l’énergie

Université :

Programme :

Accélération

Marquage longitudinal faible pour le pronostic du cancer du poumon et la prédiction de la réponse au traitement

Ce projet vise à évaluer si les résultats récents dans des modèles d’apprentissage profond, entraînés à exploiter des étiquettes faibles (Hwang, 2016), peuvent servir à extraire des localisations significatives de lésions à partir d’étiquettes au niveau de l’image, soit à partir de balayages individuels, soit à partir d’une séquence (longitudinale). À cette fin, nous mettrons à l’échelle des modèles existants qui ont démontré leur efficacité sur des images 2D dans un contexte 3D, en étudiant la performance d’étiquetage à mesure que la taille du jeu de données augmente. S’il réussit, ce travail démontrera l’utilité des DCNN pour fournir un cadre de modélisation général permettant d’intégrer l’imagerie avec d’autres données cliniques des patients dans un système prédictif qui pourrait aider à soutenir les décisions cliniques et, ultimement, améliorer les soins aux patients. Le projet de recherche proposé s’inscrit dans la feuille de route scientifique du partenaire, qui consiste à développer des modèles d’apprentissage profond adaptés au traitement des données cliniques qui émergent de façon séquentielle au niveau du patient (données longitudinales), où l’ensemble des modalités cliniques disponibles peut être très variable (hétéromodalité). Le partenaire industriel dispose déjà d’une équipe de chercheurs à temps plein dédiés à l’étude de ces questions; Le stagiaire abordera les questions complémentaires avec l’aide de l’équipe.

Voir la description complète du projet
Superviseur du corps professoral :

Yoshua Bengio

Étudiant :

Michal Drozdzal

Partenaire :

Imagia Cybernetics Inc

Discipline :

Informatique

Secteur :

Dispositifs médicaux

Université :

Programme :

Accélération

Analyse de TGF-? les pièges comme traitements immunostimulants efficaces contre le cancer

AVID200 est un TGF-? piège qui séquestre spécifiquement TGF-? Moi et TGF-? III pour renforcer l’immunité antitumorale afin d’inhiber la croissance tumorale. AVID200 évite aussi les effets secondaires indésirables d’une diminution du TGF-?II. AVID200 est relativement de courte durée de circulation, ce qui diminue sa capacité à exercer un renforcement souhaitable de l’immunité antitumorale. Pour augmenter l’efficacité du TGF-? pièges, un panel de molécules candidates qui retiennent TGF-? la spécificité des isoformes et la capacité d’inactivation, mais avec une stabilité accrue projetée, ont été générées par des biologiques de formation. Pour soutenir une application de nouveau médicament expérimental (IND), des modèles murins de cancers du sein, du mélanome et de l’ovaire seront traités avec ces TGF-? pièges. Leur effet sur le système immunitaire et l’inhibition tumorale sera déterminé à la fois sous forme d’agents uniques et en combinaison avec des médicaments immunostimulants. Ces expériences fourniront des preuves précliniques de l’efficacité du candidat TGF-? des inhibiteurs sur des modèles murins de cancer en préparation d’une application IND et d’essais cliniques.

Voir la description complète du projet
Superviseur du corps professoral :

James Koropatnick

Étudiant :

Michael Thwaites

Partenaire :

Biologiques de formation

Discipline :

Biochimie / Biologie moléculaire

Secteur :

Pharmaceutiques

Université :

Programme :

Accélération

Visualisation, compréhension et ingénierie des modèles d’apprentissage automatique pour la reconnaissance d’entités

L’apprentissage automatique est une discipline qui enseigne aux ordinateurs des tâches répétables que les humains accomplissent bien, mais lentement. Chez Interdata, nous avons pour mission d’utiliser l’intelligence artificielle pour comprendre les données stockées par les organisations et les relations entre ces actifs. Ainsi, Darrell travaillera sur des méthodologies et des outils pour élargir notre compréhension des algorithmes que nous développons afin de les améliorer. Il utilisera ensuite ces méthodologies et outils pour concevoir de nouveaux algorithmes à utiliser par l’organisation afin de catégoriser et transformer les données.

Voir la description complète du projet
Superviseur du corps professoral :

David Duvenaud

Étudiant :

Darrell Aucoin

Partenaire :

Interdata Laboratories Inc

Discipline :

Informatique

Secteur :

Technologies de l’information et des communications

Université :

Programme :

Accélération

Précédent
1...692693694695696697698...1,106
Suivant

Joignez-vous à un écosystème d’innovation florissant.

Abonnez-vous à notre infolettre dès maintenant!

S’inscrire