实验室安全管理云平台采用风险管理的思想，对实验室安全静态与动态数据 进行采集，根据风险管理与责任体系划分的要求，分解成校、院、中心（项目 组）、实验室四个层级实现危险辨识、风险评估、管控制定、公示教育、过程控 制、持续改进完整的闭环，并且提供可视化的方式为校级风险管理、院级隐患 治理、中心常态监督及实验室安全运行提供支撑。 ◎实验室电子班牌系统 ◎实验室安全准入系统 ◎实验室物联及门禁系统 ◎实验室实验实训系统 ◎实验室实验实训系统

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。

科洛弗重防腐地板，可经受叉车、卡车长期碾压，使地面重度耐腐蚀、耐强酸碱、耐化学溶剂、耐冲击、防地面龟裂。适用范围：制药厂、化妆品厂、食品厂、化学实验室、化工厂、制药厂、化学实验室、电镀厂、电池厂、等场所的地面。采用卷材成品铺装，可以耐受98%浓硫酸、70%硝酸、饱和盐酸、高浓度氢氟酸、酮类、苯类、碱等90%以上常见高浓度化学溶剂。 实验室地面常受化学制剂的侵袭，最容易产生表面刮花、溶解、空鼓开裂现象。坑洼打滑的地面对于仪器设备和工作人员的安全都是不小的隐患。为实验室地面更换更耐腐蚀、更牢固止滑的安全耐酸碱地板是不容回避的问题。 科洛弗重防腐地板，特种优质高分子材料制成，耐受多种多样的化学制剂，无论身处何种浓度的腐蚀环境中，都能稳定胜任、保持自身材质不受影响并保护原始地面，同时具有高耐油性，面对重油环境亦有良好的抵御作用。 高度耐油、耐酸碱腐蚀、抗老化、使用寿命长的特点有效促进了工作效率的提高、保障了工作生产的安全。

实验设备的型号可以分为：100L、200L、300L、500L等，按照配置可以分为：五器糖化设备、四器糖化设备、三器糖化设备、两器糖化设备。配套设备主要包括：粉碎系统、糖化系统、发酵系统、制冷系统、控制系统、水处理系统、灌装系统等。

实验内容 1、单摆； 2、三线摆； 3、碰撞打靶； 4、李萨如图形； 5、液体表面张力系数； 6、应变力传感器定标及未知物体称重实验。

带储物柜工作台，可根据用户需求定制！

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。