TES-8100MA智慧教学一体机（机架式）   　　随着多媒体教学的广泛应用，传统的教学设备已无法满足管理信息化的需求，为了进一步提升教学质量与教学管理服务水平，打造便捷、智能、互联的智慧教室生态圈，深圳台电公司继其数字红外无线教室音频系统之后，重磅推出TES-8100系列智慧教学系统。该系统融合了当前TES-5600系列教室音频系统所用的数字红外音频传输及控制技术，同时运用网络通讯技术将多媒体教室中的多媒体讲台、投影机、幕布、电脑音视频设备、话筒及功放等诸多设备进行集中管理和远程控制，致力打造一个整体化、智慧化、安全化的智慧校园。     音质清晰 结合深圳台电自主研发的数字红外处理芯片及国际先进的数字红外技术，在20米范围内不论远近均保持完美音质：频响：主机线路-主机：50 Hz~20 kHz          麦克风-主机：100 Hz~20 kHz信噪比：≥90 dBA总谐波失真：≤0.05% 提高声音清晰度，让老师能较长时间以自然声调讲课，保护老师声带，避免声嘶力竭 清晰的声音能调动学生注意力，减少上课分心、开小差现象，从而提高听课效果 一体化设计，支持灵活扩展 软硬件一体化、模块化设计，支持无缝扩展其他模块 基于其智能操作系统，扩展升级丰富的教学应用 远程智能管控 支持外接触控一体机、投影幕布/白板等显示系统，可控制一体机、投影机、幕布的开关与升降，支持集中监控和管理各种用电设备，支持能耗监控与统计 智慧无线物联 实时采集教室内温湿度、CO2浓度、PM2.5、甲醛等数据，可根据预设自动开启空调，进行温湿度调节；可自动开启环境灯光、开合窗帘提供自然光源，营造舒适的教学环境       TES-8100MA 智慧教学一体机   TES-8100MA …………………… 智慧教学一体机（机架式，数字红外扩声，支持吊装式麦克风，内置数字功放，网络中控，网络交换机，无线物联，寻呼功能，IP 数字音频广播，远程互动，高清视频分区推送）   TES-8100MB 智慧教学一体机   TES-8100MB …………………… 智慧教学一体机（机架式，数字红外扩声，支持吊装式麦克风，内置数字功放，网络中控，网络交换机，无线物联，寻呼功能，IP 数字音频广播)   TES-8100MC 智慧教学一体机   TES-8100MC …………………… 智慧教学一体机（机架式，数字红外扩声，内置数字功放，网络中控，网络交换机，无线物联，寻呼功能，IP 数字音频广播）   TES-8100MD 智慧教学一体机   TES-8100MD …………………… 智慧教学一体机（机架式，数字红外扩声，内置数字功放，网络中控，网络交换机，无线物联，寻呼功能）  

　　3D校园安全教育解决方案应用新型裸眼3D技术，以裸眼3D显示一体机为平台，搭配丰富的安全教育资源，为学生展示几近真实的安全演练情景。可设置在校园入口、教学楼、宣传栏、食堂、校内通道等校内公共场所，让安全教育知识无处不在，学生在课堂之外也可以愉快的学习安全知识。适用于校园文化建设、校园更新改造、食堂改造、安全教育专用教室等。 方案特点： n  设备易操作，易部署 n  新型技术，提高关注度 n  真实情景演示，3D效果出众 n  丰富校园文化，提升品牌形象 ３Ｄ校园安全教育

产品详细介绍

5G+AI 云边一体化智慧出行解决方案，针对道路事故率高、交通拥堵困局、道路交通监管难、公共交通信息阻塞等问题，汇集了5G 通信、AT 算力资源平台、AI 算法、边缘计算网关、车路协同、智慧灯杆、大数据管理平台等诸多软硬件技术成果，具有充分的综合性、创新性、协同性、大集成等特征，同时将 5G、AI、物联网、大数据、云边一体化等技术交互融合，实现交通流感知、交通事件感知、配时方案优化、智慧灯杆、边缘计算网关等功能。 建设进展 研发方向一：网络建设规划南京移动在新港地区优先投入5G建设资源，目前新港开发区范围内，共 规划5G站点114个，其中宏站82个，杆站32个；已开通宏站27个。本项 目规划恒竞路需求站点11个，宏站9个，杆站2个，厂区内部宏站2个，兴 智路需求站点6个，其中宏站2个，杆站4个。 研发方向二：AI云平台研发 南邮信产院投入建设AI云平台，为人工智能提供算力支撑，为算法模型训练提供海量数据和开发环境，为区内 人工智能企业及高校科研人员提供一站式人工智能产业服务，带动人工智能技术的提升。目前已建成。 研发方向三：智慧灯杆+边缘网关 智慧灯杆：场景载体，环境感知等多功能实现。 边缘网关：各个功能互通互联的媒介 目前智慧灯杆进入融合各家设计阶段。 研发方向四:车路协同/无人驾驶交通流感知-实时感知城市交叉口内车流量、速度、排队长度、占有率等数据。交通事件感知-提供停车，逆行，超速，拥堵，变道等事件信息，并提供照片和视频。车路协同-将感知数据下发至无人驾驶车辆，车辆根据获得的信息自动优化行驶路线。配时方案优化-将感知数据直接下发到交通信号机，实时生成交通信号配时方案，下发至交通信号机，实现路口单点自适应控制。 研发方向四：车路协同/无人驾驶建设面向L4级无人驾驶的车路协同系统。主要是车路协同系统车端建设。通信网络建设方面：参与对5G网络的验证，协助验证5G网络与无人驾驶的互联互通。 大数据平台建设方面：其无人驾驶车可以在多场景应用，充当城市各种数据收集的载体。 车路协同云控平台建设方面：承担车路协同云控平台建设。 关注重点 开放性场景定义：一般是指城市基础设施建设运营管理、产业发展、民生服务等领域，对新技术新产品有应用需求的各类工程、项目。通过应用场景开发建设，可以推进新技术新产品的示范应用和迭代升级，助力新技术新产品推广应用。《南京市关于加快应用场景开发建设2021年行动方案》围绕5G+AI云边一体化创新应用示范道路，向全产业链（企业、科研机构等）开放能力。一是路侧基础设施开放，在南京南邮信息产业技术研究院有限公司统筹管理下，开放路侧龙门架、杆位等资源，以及相应的供电 、联网能力，为路侧生态参与者提供宝贵的示范场地；二是数据开放，在保障信息安全和公共隐私的前提下，开放路侧时空全覆盖的结构化与非结构化数据，形成"兴智路数据集"，为产业发展注入珍贵的稀缺数据资源；三是应用开放，建立其他生态参与者加入的申请入口，规范开放"数据集"，通过互联网、展厅等线上线下渠道向全社会展示 5G+AI云边一体化创新应用示范道路的成效。 示范性在中国（南京）智谷的指导下，本项目参与四方集聚各自技术及资源优势，群策群力，协同创新，紧密且高效地推进建设计划；将5G、AI、物联网、大数据、云边一体化等技术交互融合，期望建成经开区人工智能产业方向上的标志性应用场景，树立良好的示范典型。 先进性5G+AI云边一体化创新应用示范道路"项目，针对道路事故率高、交通拥堵困局、道路交通监管难、公共交通信息阻塞等问题；汇集了5G通信、AI算力资源平台、边缘计算网关、车路协同、智慧灯杆、大数据管理平台等诸多软硬件技术成果；与其他单纯的车路协同场景、智慧灯杆场景相比，具有充分的综合性、创新性、协同性、大集成等独特特征和 充分的先进性。

（一）项目背景 当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。 （二）项目简介 本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。 （三）关键技术 我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示： 图 1 技术路线图 其中，项目包括的关键技术主要有以下三点： 1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术 该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多 重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与 识别准确度的平衡、人机交互的变化规律等全新科学问题。 2.学习状态多模态数据解析和智能处理技术 利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、 脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模 态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的 状态数据。 3.多层次数据差分隐私保护技术 学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的 具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据 多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下， 研究满足学习行为分析所需要的数据颗粒度。