第一，电商发展能增加农民就业选择与就业类型，电商发展提供的契机能显著地增加农民选择成为电商农民的概率，同时农民互助能够有效实现脱贫攻坚；第二、农民工作与电商联系越密切，选择电商就业的概率越高。

技术分析（创新性、先进性、独占性） 本项目已经具备具有200个CPU集群辅助计算，目前已建立了国际上领先的万个化学药物的化合物库和六万多种中药单体化合物库、利用国际一流的计算机辅助设计软件（Schrodinger, Discovery Studio, MOE等）进行大规模化合物数据库的虚拟筛选，并根据REOS预测、ADME/T性质的理论预测，结构聚类等，剔除成药性差的化合物。 目前已经针对多个靶点和药物做了国际创新性研究工作，相关成果在药学领域相关SCI期刊上共发表论文17篇，平均影响因子>4.5，他引460余次。

一、项目简介 由于众多工业企业存在工作环境噪音大、粉尘多、劳动强度大等问题，均不同程度面临着招工难的问题，生产规模很难扩大。同时，由于长时间重复机械工作，容易出现漏检和误检，整体工作效率不高。对于已上线成套设备的企业，其集成度仍较低，自动化程度及性能都亟待提高，很难满足市场的迫切需求。因此，机器换人可有效解决上述问题，而机器视觉是模拟人工操作的关键，综合利用视觉检测、模式识别、优化调度和综合信息管理等技术和方法提高生产自动化水平极为重要。 二、前期研究基础 项目组已与惠州高视科技有限公司签署合作协议“机器视觉定位平台开发与技术服务，2018.3-2019.3，50万元”，并联合厦门大学自动化系与高视科技有限公司建立“视觉定位联合实验室”，与厦门市自动化学会签署合作协议，联合建立“人工智能-机器视觉联合实验室”。研究了视觉对位平台如何实现两个目标物之间的精确对准。视觉系统需要对两个目标物分别进行拍摄，选择Mark点或者目标物的边或角的特征信息。利用视觉对位技术，实现两个目标物物理坐标之间的在X、Y轴和角度坐标的偏差，通过驱动相关运动平台，引导平台运动到贴合位置，实现视觉引导精确对位。 三、应用技术成果 开发了鞋模喷胶系统，采用传送带传送鞋模，利用工业相机采集图像，经图像处理算法检测鞋模边缘，再将处理过的边缘坐标数据传送给控制器，控制器控制喷胶器对鞋模进行喷胶。 开发了自动贴盖机系统，基于传送带传送产品，利用工业相机采集传送带上的产品图像，再通过图像处理算法定位到模板图像在采集图像中的准确位置，从而通过坐标转换将图像中的坐标转换到世界坐标，然后将数据通过串口通信传送给控制系统，控制系统会控制机械手在定位到的位置坐标贴上产品标签或者封盖。 四、合作企业 惠州高视科技有限公司是一家专业从事机器视觉应用领域设备、计算机图像处理系统解决方案研发的高科技现代化企业。公司的机器视觉产品广泛应用于液晶、电子、新能源、金属加工等行业公司秉承以人为本、合作共赢的管理理念，以技术开发为中心，以客户需求为导向，致力于成为在机器视觉检测、测量、图像识别领域杰出的系统解决方案及设备供应商。拥有11项软件著作权和5项实用新型专利。

人工智能物联网时代要求语音交互有非常好的体验感,室内环境下,当距离超过两米后,通过墙壁的反射造成的混响、音响设备的回声及其他环境噪声对语音识别带来了极大的影响,因此基于麦阵的声音采集与处理模块成为物联网时代的最佳人机交互采集模块。目前成熟的麦克风阵列语音信号采集与前端处理模块尚未出现，市面上仅有少数国外厂家如科胜讯提供双麦降噪芯片。同时,语音识别应用还需要配合降噪处理,目前的方案全部采用分离设计,一颗降噪芯片+一颗语音识别芯片。近年来随着大数据挖掘,基于人工智能神经网络的深度学习开始在语音识别领域进行推广运用,相对于传统的GMM模型,识别率得到了很大的提升。然而神经网络计算量非常巨大,需要采用GPU或CPU阵列的方式来进行运算,并且需要外加语音阵列降噪模块,其方案成本高,体积和功耗大。因此市场上对一款同时支持远场语音麦阵降噪和神经网络识别,具备高性价比的单芯片需求极大,具有巨大的市场前景和竞争力。

产品简介： CES-AIoT339 是软/硬件一体的面向 AI 人工智能方向的实训系统，融合边缘计算，人脸识别，机器视觉，文本/证件识别，语音识别诸多 AI 技术，同时引入物联网传感器，无线网络知识点，是一套 AI 人工智能+物联网综合型实验系统。 该款实验箱由具有边缘计算能力的单板计算机，高清晰画质视频采集器，拾音器，本地显示器，操控端口，物联网基础部件组成，完整布署在实验箱里，配套实验教程和实训所需的辅件。 该款实验箱是针对新工科“人工智能”专业研发的，具备创新，先进，实践性强等特点，适用于人工智能，计算机，电子，信息工程，自动化等相关专业。 产品特点： 该系统引入科大讯飞语音技术，百度 AI OCR 技术，可运行在边缘计算机上实现通用文字识别，证件/票据识别，语音识别等 AI 应用，比如身份证识别，户照，银行卡，营业执照，车牌，驾驶证/行驶证的识别。 AI 人工智能+ 物联网“双核”组合 提供物联网传感器，无线网络模块，NB-IoT 模块，与边缘计算机，AI 人工智能部件，构成 AI人工智能和物联网的融合，且支持与阿里云的链接，支持使用者进行 AI 人工智能物联网的应用扩展开发。 基于安卓系统的 AI 人脸识别技术 提供人脸识别的开源安卓工程包，实现静态，动态下的人脸特征采集，特征分析，对比等人脸识别功能。 AI 人工智能+ 物联网“双核”组合 基于 ARM 架构 Cotex-A72 六核处理器，内建强大视频处理引擎 Mail-T864 GPU, 完美支持H.265/H.264 视频解码，支持大数据处理，流畅运行 AI 应用软件。 硬件一体化设计，高度集成，易于设备的维护实验所用到的硬件，均布署在实验主板上，一对 N 供电模式，各单元相互独立，模块化设计。

基于跨行业数据挖掘标准流程CRISP-DM，实现数据的深度挖掘分析，帮助教师与学生发现数据中隐藏的关系及规律，为教师科研提供数据分析探索、模型构建、成果应用的一站式数据挖掘工具，高效开展行业应用研究。平台支持用户通过简单拖拽、低代码的方式快速完成挖掘分析流程构建。同时支持模型自动化构建、模型智能评估，推荐最优模型与算法。 1、极简的建模过程 基于拖拽式节点操作、连线式流程串接、指导式参数配置，用户可以通过简单拖拽、配置的方式快速完成挖掘分析流程构建。平台内置数据处理、数据融合、特征工程、扩展编程等功能，让用户能够灵活运用多种处理手段对数据进行预处理，提升建模数据质量，同时丰富的算法库为用户建模提供了更多选择，自动学习功能通过自动推荐最优的算法和参数配置，结合“循环行”功能实现批量建模，帮助用户高效建模，快速挖掘数据隐藏价值。 2、丰富的分析算法 内置150多个分析算子，包含30余种数据预处理方法，5种数据融合方法、11种常用特征工程，实现数据融合处理与特征构建；包含聚类、分类、回归、关联规则、时间序列、综合评价、协同过滤等7类N种机器学习算法，支持深度学习、集成学习与自然语言处理等人工智能分析方法，满足各类业务科研场景需求。 3、灵活的扩展能力 支持用户编制SQL\R\Python\Java\Scala\Matlab\PySpark脚本实现个性化的算法脚本。自定义算法功能允许用户通过R\Python\Java\Scala基于平台规范封装自主算法并发布形成平台节点，方便用户灵活扩展平台算法节点功能，增强平台的业务适应能力，充分满足不同领域科研的个性化需求。 4、全面的分析洞察 通过丰富详实的洞察内容，帮助用户全方位观察建模过程任意流程节点的执行结果，为用户开展建模流程的改进优化提供依据，从而快速得到最优模型，发现数据中隐含的业务价值。建模分析报告支持在线查看，并且支持下载可编辑Word版本，支持科研报告及相关成果发布应用。 5、全栈科研成果管理与应用能力 分析成果的快速工程化应用，支持模型以调度任务、异步服务、同步服务、流服务及本地化服务包等形式应用，满足工程化的不同诉求。提供统一的成果分类统计及统一管理监测，帮助用户高效便捷地管理成果、利用成果及监测成果。 6、跨平台模型迁移及融合 支持PMML文件的导入和导出，可以实现跨平台模型之间的迁移和融合，利于用户进行历史模型的迁移，实现用户在不同平台的模型成果快速共享，提升各类科研成果的复用性。    

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

随着物联网技术与智能交通技术的发展，用于高速公路或城市内普通公路的道路护栏，作为“智慧城市”的一个重要组成部分，正受到越来越多的关注与重视。通过在护栏上安装低功耗的传感器芯片以及无线信号收发芯片，并配合相关服务器软件，护栏具备了一定的外部事件感知能力、处理能力、无线通信与组网能力，从而实现护栏的智能化。

面向物联网研制一类适合无线传感网络环境下使用的智能家居无线控制系统，该系统基于Zigbee协议，远程控制家居生活中的各类电器设备，还可对房间中的烟雾进行检测和报警（自动拨打设定电话）。