本发明提供了一种智能化医用无影灯设备及其控制系统和控制方法，涉及医疗领域。其特征在于，所述设备包括：发光二极管串联系统组、扩展端口、步进电机、坐标控制器、中央处理器、保护电路、电源和控制面板组成；所述控制系统包括：光照检测模块、温度检测模块、故障检测模块、提醒模块、中央处理模块和自动控制模块；该系统针对现有的医用无影灯设备、控制系统和控制方法智能化不足、照明质量较差、操作不方便、光质不好等缺陷，提出一种改进方案，该方案具有高度智能化、预警机制、照明质量好、操作方便等优点。

1.痛点问题 物联网技术是工业4.0和数字经济智慧化时代的标准性特征技术，是人工智能、云计算机、大数据等核心技术的底层技术基础。物联网技术的本意是希望实现万物直接互联，并能主动协同工作，但目前尚没有一项技术可以达到上述目的。 目前现有的物联网系统架构种类很多，主要集中在物联网的顶层软件设计方面，软件研究较多也做得很好，但其面临的共同问题是各种底层设备(包括不同厂家生产的各种传感器和执行器等功能部件)如何联接？在目前现有的各种物联网技术方案不仅系统结构复杂，也只能实现万物间接互联和被动协同工作，而无法实现物联网所需的万物直接互联和主动协同工作。 2.解决方案 本成果所涉的核心技术是IPT（InformationPipeTechnology）信息管道技术及基于IPT信息管道技术的DMCS（DistributedMeasurement&ControlSystem）智能物联分布式测控系统集成方法，以下简称DMCS/IPT。 在基于IPT信息管道技术的DMCS智能物联分布式测控系统中，所有节点均具有完全平等的地位(“去中心化”)，也无需通过任何指令进行协同工作（“去指令”），所有节点及其联接的底层设备均可直接通过在信息管道中自动交互的测控信息的驱动来实现系统预期的各种测控功能，而若想改变系统功能，也只需改变系统中联接各分布式智能测控节点虚拟的信息管道联接关系即可，多数情况下，无需编程即可实现分布式智能测控系统的快速集成及其功能重构。DMCS/IPT及其所衍生的IPT云/IPT雾智能物联系统架构，能完美实现物联网所需的万物直接互联和主动协同工作。IPT雾是一种可以弥散到工业现场任何一个角落的DMCS/IPT智能测控网络，整个网络只需一条线缆（有线或无线物理链路）即可位于工业现场不同位置的底层设备及其对应的IPT节点彼此联接起来，不仅可通过信息管道实现“去中心化”和“去指令”的智能协同工作，而且可在IPT雾网络中任意位置接入的IPT远程智能联接节点联接至IPT云网络，或者直接联接至任意指定的普通云服务器，并与云端现有的各种物联网专业软件实现对接。IPT云网络则是架构在IPT雾网络之上的DMCS/IPT智能测控网络，可进一步联接不同的IPT雾网络，并通过信息管道解决不同IPT雾网络之间的测控任务协同，以形成更大规模的智能物联网。IPT云网络同样具有“去中心化”和“去指令”等明显技术特征，也能在IPT云网络中任意位置通过接入一个IPT远程智能联接节点，将整个系统联接至任意指定的普通云服务器，并与云端现有的各种物联网专业软件实现对接。 合作需求 1、合作企业现有产品需在某行业或某领域已占有较大的市场份额，且非常熟悉所在行业或领域的业务流程，并深度了解客户的痛点和需求； 2、合作企业需有良好的信誉记录，并需要有足够的资金来支持DMCS/IPT新产品的研发，且需要有一定数量和质量的技术人才来完善相关产品； 3、合作企业需有愿意跟其他非竞争性企业一起联手打造智能物联网生态圈的愿望。 具备以上合作条件的企业可联系清华技术转移院，通过专利普通许可方式开展各自领域的新产品研发及其推广应用，聚集多方力量，以合作共赢的方式共同打造一个可满足数字经济新时代需求的、造福于国家和社会的、国产化的智能物联技术产品生态圈。

本项目突破了机理模型与工况数据混合驱动的航空/航天复杂薄壁曲面零件全流程加工精度/效率/能耗预测技术，提出了零件全流程加工智能工艺优化决策方法，开发了具有完全自主知识产权的智能加工产线工艺全流程智能决策和优化软件系统。 一、项目分类 关键核心技术突破 二、成果简介 本项目突破了机理模型与工况数据混合驱动的航空/航天复杂薄壁曲面零件全流程加工精度/效率/能耗预测技术，提出了零件全流程加工智能工艺优化决策方法，开发了具有完全自主知识产权的智能加工产线工艺全流程智能决策和优化软件系统。 1、提出机理模型和工况数据混合驱动的航空/航天复杂薄壁零件全流程加工精度/效率/能耗高效高精预测算法，突破全流程加工工艺智能优化与决策技术。 2、开发具有自主知识产权的智能加工产线工艺全流程智能决策和优化软件系统，实现能耗监测/DFM/CAM/CAPP等工艺设计软件核心算法完全自主可控。

一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 学号 明兴莹 电气信息学院/电子信息 2020.09/2023.06 202022000205 亢庆林 电气信息学院/电子信息 2020.09/2023.06 202022000208 房蕾 电气信息学院/控制科学与工程 2021.09/2024.06 202121000171 龚旭辉 电气信息学院/能源动力 2021.09/2024.06 202122000146 罗华林 电气信息学院/电子信息 2021.09/2024.06 202122000107 吴磊 电气信息学院/控制科学与工程 2020.09/2023.06 202021000141 李婷玉 电气信息学院/电子信息 2020.09/2023.06 202022000219 荆浩婕 电气信息学院/电子信息 2020.09/2023.06 202022000228 吴佳航 电气信息学院/能源动力 2021.09/2024.06 202122000131 王潇 电气信息学院/能源动力 2021.09/2024.06 202122000136 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 李红伟 电气信息学院/电气工程 教授 综合能源系统、智能电机控制、油田用电设备控制系统设计及节能技术等 刘强 电气信息学院/控制工程 讲师 四、项目简介 随着我国“双碳”目标的提出，风力发电迎来新的机遇；国家能源局数据显示，计划到2030年我国风电装机容量将达到8亿千瓦以上；工信部近日指出，打造绿色低碳产品供给体系，需进一步加大国产风机、节能电机等装备供给，完善中小型风电装备产业链。由此可见，“十四五”期间中小型风电产业需求巨大。 本项目通过优化垂直轴风轮和开关磁阻发电机本体结构，采用更加先进的发电控制策略和算法，经过模拟试验和现场运行，发电系统风能利用率提高20%、发电效率提高至80%以上，发电设备成本降低40%，起动能力和发电过程稳定性得到大幅增强，实现2m/s微风起动，将系统响应速度控制在1ms以内，输出电压波动率控制在1%以内。 本项目是以西南石油大学智能电机控制领域专家李红伟教授为主导，依托四川署信驱动科技有限公司为代工企业，团队既拥有6名专攻开关磁阻发电系统结构优化和先进控制策略的技术研发人员，又拥有8名熟练掌握财务分析和营销策划的财务人员，致力于高效垂直轴智能磁阻微风发电系统技术研发与财务销售全方位推进。 目前，实验样机经桂林电子科技大学工程实验中心检测合格，与达州市石桥镇签订产品意向合同50余万，产品受到当地群众一致好评，并入选《成都市科技局2022年技术创新研发项目》，衍生项目获得2022年度四川省科学技术奖提名，团队成员共申请发明专利8项，软件著作权11项，发表高水平论文5篇。 经过充分的市场调研，我们将我们的目标市场细分为用电难地区乡村振兴工程、市政节能照明工程、通信基站电力系统建设与改造、城乡智慧交通系统用电等。现阶段，本项目主要采取to B和to G的商业模式，借着“乡村振兴计划”和“十四五风电下乡政策”站稳脚跟，通过政府高校投标工程与其建立合作关系，然后面向中国电信等国企央企开展定制化风电设备销售与服务，借助产品技术优势和政策支持打开市场，潜在订单额超百亿。 项目通过出售核心产品、维修保养服务以及零部件销售的方式获取利润。计划在今年年底成立公司，首轮融资800万元，拟释放股权10%，其中400万元用于研发平台建设与产品研发。预计到2025年销售总营业额可达8000万元，净利润可达2400万元。 本项目可直接提供产品研发、安装维护、市场销售等近20个工作岗位，间接解决200多人的就业机会，实现中小型风力发电的产业化升级。通过企业与高校密切合作，实现产学研教相融合，引领高校新能源教育发展。

本发明公开了一种高层建筑抽蓄储能风光智能微网系统及控制方法，包括风机组件、光伏阵列组件、抽蓄机组、及微网中央处理器；风机组件、光伏阵列组件、抽蓄机组连接在低压母线上；主电网能提供可靠的能源支持；微网和主电网由并网变压器、并网开关、公共连接点连接；微网中央处理器根据可再生能源的发电量和负荷需求量，管理调度系统能量分配；并实时监控系统状态，及时处理各类故障，实现微网在并网、离网两种模式间的无缝切换。本发明将可再生能源集成在高层建筑中，能源结构可持续发展，并利用建筑高程差将抽水蓄能机组作为储能设备，具有对电网负荷变化反应快速、调节灵活，调峰、填谷、调频、调相和事故备用的良好运行性能。

3D投影机智能教室方案采用激光光源的3D投影机，搭配中央控制系统、3D服务器、3D信号处理器、3D互动讲台、3D白幕、3D红外眼镜、消毒推车、音响等构成。设备集中管理，一键联动控制。适用于：学校升级改造、3D多媒体教室、兴趣实验室、特色教室、3D影院、生物实验室、地理实验室、专用教室、3D智能化教室、3D多功能教室等。  方案特点： 与常规教室整合，可复用易部署 臭氧紫外线杀菌，3D眼镜安全卫生 3D效果出众，调动学生多感官参与 搭配3D优质教学资源库 3D多媒体教室效果图

一、产品概述       本设备以工业机器人与机器视觉为核心，将机械、气动、运动控制、变频调速、编码器技术、PLC控制技术有机地进行整合，结构模块化，便于组合，实现对高速传输线上的不同物料进行快速的检测、组装。为了方便实训教学，系统进行了专门的设计，可以完成各类机器人单项训练和综合性项目训练，可完成各类机器人单项训练和综合性项目训练。可以进行六轴机器人示教、定位、抓取、装配等训练，        包含六自由度工业机器人、智能视觉检测系统、PLC控制系统及一套供料、输送、装配、仓储机构，可以实现对高速传输的工件进行分拣、检测、搬运、装配、存储等操作。该平台各组件均安装在型材桌面上，机械结构、电气控制回路、执行机构相对独立，采用工业标准件设计。通过此平台可以进行机械组装、电气线路设计与接线、PLC编程与调试、智能视觉流程编辑、工业机器人编程与调试应用等多方面训练，适合职业院校、技工学校自动化类相关专业《工业机器人与控制技术》、《自动化技术》等课程的实训教学，适合自动化技术人员进行工程训练及技能比赛。二、技术性能1、输入电源：单相三线～220V±10% 50Hz2、工作环境：温度-10℃～+40℃  相对湿度≤85%（25℃）  海拔＜4000m3、装置容量：＜1.5kVA4、实训平台尺寸：2200mm×1200mm×1500mm5、安全保护：具有漏电保护，安全符合国家标准三、设备结构与组成      该实训平台由ABB IRB120-3型六自由度工业机器人系统、海康智能视觉检测系统、可编程控制器（PLC）系统、四工位供料单元、环形输送单元、工件存储盒供料单元、工件组装单元、仓库单元、废品回收桶、各类工件、型材实训桌、型材电脑桌等组成。 1、工业机器人本体： ABB IBR120/3六自由度工业机器人本体；最大负载≥3 kg； 最大臂展半径≥580mm； 轴数：≥6轴；位置重复精度：≦0.01mm； 防护等级： ≥IP30； 轴运动范围： （1）1轴：≥±165°  （2）2轴：≥±110° （3）3轴：≥+70°至 -110° （4）4轴：≥±160° （5）5轴：≥±120° （6）6轴：≥±400° 机器人本体重量：≤25kg； 最大噪音：≤70dB(A)。 2、工业机器人控制器： （1）紧凑型工业机器人控制柜，与配套的工业机器人本体配套； （2）控制硬件：多处理器系统大容量闪存、 UPS 备份电源（≥20S）； （3）控制软件：软件出厂预装； （4）额定功率：≥3KVA(变压器容量)； （5）电源输入：200V/230V 50-60Hz （6）尺寸：710*449*442mm （7）重量：30kg （8）防护等级：IP20 3.FlexPendant示教器 （1）重量：1kg （2）支持：彩色触摸屏、操纵杆，紧急停、支持惯用左/右手切换，支持U盘、热插拔、恢复程序，支持USB储存器，带时间标记登录，支持远程服务。 4、海康智能视觉检测系统   主要是配合工业机器人做智能检测工件角度缺陷及自动对位等以及工业机器人视觉学习开发使用；工业相机，要求如下：像素：≥130W像素； 分辨率：≥1280×960； 像素尺寸：≥3.75μm× 3.75μm； 光谱：彩色； 支持自定义AOI，降低分辨率、f≥16mm F1.4：12毫米工业镜头，百万像素相机； 配套同轴光源，光源大小≥80mm×80mm；准环形光源，直径≥70mm，照射角度≥90度，带模拟控制器；配套同轴光源及光源控制器：发光窗口≥50mm*50mm含调光控制电源；机器视觉兼视觉开发环境。5、西门子可编程控制器单元     配备西门子S7-1200可编程控制器，自带以太网通讯模块、数字量扩展模块控制机器人、电机、气缸等执行机构动作，处理各单元检测信号，管理工作流程、数据传输等任务。   6、四工位供料单元     由移动井式料库、推料气缸、无杆气缸和光电传感器组成，安装在型材实训桌上，用于将工件库中的工件依次推出到环形输送线。提供不同颜色的标准工件，杂色叠加等不合格工件。多工位的供料设计，使得供料方式多样化，可以进行单一的上料，也可以进行不同颜色的组合上料，以及对上料速 度进行控制，实现上料形式的多样化。7、环形柔性输送单元      包含一套交流调速系统，由三菱D720变频器、三相交流电机、环形板链（传送带）、光纤传感器等组成，安装在型材实训桌上，用于传输工件。8、工件存储盒供料单元      包含一套步进电机推杆、DM556步进驱动、料盒存储槽等组成，安装在型材实训桌上，当一个工件存储盒被取走会自动退出下一个工件存储盒，用于工件存储盒自动供料。9、工件组装单元      由工件存储盒托盘及型材立柱组成，安装在型材实训桌上，用于装配工件。工件盒内设有4个工件槽用于放置工件，机器人可以根据不同配方按照上位机设定颜色进行放置工件。10、仓库单元      由工件存储盒托盘及型材立柱组成，安装在型材实训桌上，机器人用于放置装配完的组件进行堆垛，也可以通过机器人对装配完成的组件进行拆垛。11、废品回收桶      安装在型材实训桌左后侧，用于机器人自动放置被检测出来的无用工件或不合格品。 四、实训项目1. 机器视觉系统的原理、使用和调试2. 六轴工业机器人系统的原理、使用和调试3. 六轴工业机器人坐标系统和机器视觉坐标系统标定及相互转换4. 工业机器人与机器视觉系统综合应用的安装与调试5. 机器视觉系统模板设置、编程与调试6. 通过示教单元手动调试工业机器人7. 通过示教单元设置、修改各控制点坐标8. 通过示教单元编写、修改工业机器人程序9. 机器人追踪坐标整定10. 工业机器人系统的软件二次开发编程  11.智能视觉图像输入编辑与调试12.智能视觉结果给出编辑与调试13.智能视觉颜色比对测量14.智能视觉编号比对测量15.智能视觉尺寸比对测量16.智能视觉角度测量17.智能视觉系统与工业机器人综合应用18.PLC程序编程与调试19.智能视觉系统与工业机器人综合应用

渡众机器人为满足智能驾驶实训系统演示需求，开发了各种定制化智慧交通模型行驶系统沙盘。模型车辆搭载实车使用的各类传感器，模拟在实际交通场景中车辆自动启停、信号灯自动识别、障碍物识别等智能驾驶行为。自动驾驶实训沙盘构建主要分为智能路侧系统、微缩沙盘系统、基于V2X的自动驾驶三部分内容。车路协同自动驾驶演示沙盘为各高校提供必要的实践环境与研发平台，可完成当前智能网联技术的理论学习和工作实践。  

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN