产品服务:智能车载视觉服务平台以车内场景主导、软件定义、数据驱动为主，利用车内摄像头等设备，获取车内人员多维度感知数据，设计开发多款高感知、强体验的软件应用服务及产品。 随着产品的推广和数据积累，团队会增加车载安全服务如疲劳监测、车内异常行为等功能，最终打造集娱乐和安全于一体智能车载服务平台。  项目优势:平台通过集合人脸识别、表情识别、手势识别等接口，综合判断车内人员的脸部特征和行为状态等信息，这些接口可供其他应用服务调用，实现个性化设置、智能推荐等服务，使车辆真正做到 “感知”人、“理解”人、“服务人”。 市场概况:产品的客户群体主要分为私家车主、汽车生产厂商及网约车企业，政府管理部门三大类。向私家车主售卖“智能车载服务平台”设备和服务，收取软件系统费用及维护更新费实现盈利。通过与汽车生产厂商与网约车企业合作，提供新一代车内安全保障系统，收取方案费用及销售提成等方式实现盈利。与政府管理部门合作，通过开发安全监管平台等措施，实现对网约车车辆的全面监控，发现潜在风险，防患于未然。最终通过获取政府经费支持以及科研合作立项等方式实现盈利。

一种校园智能自助打印平台，包括架体，所述架体背面开口并设置盖板，所述盖板通过位于两端的螺栓与架体固定连接，架体前侧面靠近上端连接平板，打印机置于架体内部的空腔中，所述平板与打印机连接，打印机底部设置存纸室，所述存纸室朝向架体开口端，盖板上与存纸室相对位置设置转动门，所述转动门底端通过第二转轴与盖板转动连接，转动门靠近上端设置门锁，打印机朝向架体一面设置第一出纸孔，架体正面上设置与第一出纸孔对应的第二出纸孔，第二出纸孔与第一出纸孔连接。通过在架体内安装打印机，打印机与架体上端的平板连接，只需三步便可完

AICheck图像智能处理平台是企业级一站式AI服务平台，集数据采集、在线样本标注、一键模型训练、任务管理、在线检测和结果输出于一体，使企业可以快速应用海量的成熟算法，降低AI算法应用与管理成本，实现端到端服务。核心技术涉及人工智能、2D/3D视觉和云计算，核心功能包括目标识别、OCR识别、瑕疵检测和目标测量。

SmarT是一个基于群体智能的协作式测试报告分析与融合平台，包括智能化测试任务分解、测试任务推荐、协作式测试报告生成、测试报告分析与融合等子系统。SmarT在具备面向大规模代码的分析技术以及基于分析的问题推荐与决策机制，能够优化参与者群体的质量评估任务分配，利用大规模群体具有的多样性实现对软件海量执行路径的有效覆盖，提高软件测试的效率和质量。SmarT也适用于软件运行阶段的质量保障，基于互联网实现对运行阶段软件故障的快速提交和提交报告的有效分类与融合

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 高志豪 计算机学院/物联网工程 2017年/2021年 201731064410 林钟煇 计算机学院/物联网工程 2018年/2022年 201831064119 阳旭菻 计算机学院/计算机科学与技术 2018年/2022年 201831062525 李沛键 计算机学院/物联网工程 2018年/2022年 201831064115 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 陈雁 计算机科学学院 副教授 人工智能、复杂网络、能源与人工智能交叉领域 刘忠慧 计算机科学学院 副教授 机器学习、人工智能、形式概念分析 四、项目简介 美国海相页岩气藏的成功勘探开发，展现了页岩气的巨大潜力和发展空间，同时也极大地促进了页岩储层微观结构表征分析技术的发展，通过页岩岩心薄片观察底层形态、确定底层数据，是页岩气勘探开采中的重要一环。页岩储层的孔隙作为页岩组分的一个重要部分，其结构特征直接影响着储层剩余储量的剩余油的分布，因此，对页岩薄片孔隙的形状和类型进行研究是十分必要的。但在目前，页岩薄片只能靠人工鉴定，这种方法工作量大，效率低，且主观性强，误差较大。深度学习是近年发展起来的具有多层次特征抽象归纳与知识发现能力的机器学习算法，目前已经被广泛应用到了语音识别、计算机视觉、自然语言处理等众多领域。在地质和岩石物理领域也有了初步的应用，深度学习方法在地质数据的特征提取及预测识别方面有着广阔的应用前景，本项目组将会开发页岩薄片智能平台，通过机器学习算法来学习专家知识，自动识别孔隙类型，这样就可以大大提高效率，节省人力。

智能车载视觉服务平台以车内场景主导、软件定义、数据驱动为主，利用车内摄像头等设备，获取车内人员多维度感知数据，设计开发多款高感知、强体验的软件应用服务及产品。  随着产品的推广和数据积累，团队会增加车载安全服务如疲劳监测、车内异常行为等功能，最终打造集娱乐和安全于一体智能车载服务平台。    

汇萃人工智能实训平台采用了先进的模块化设计理念，创新性的将 python 编程、机器学习理论和方法、深度学习框架与工具等实验课程与机器人引导、机器视觉实训、人脸识别、语音识别等实践课程融合到一个平台，既有理论知识的学习，更有实践操作的体验。 平台集中展现了当前人工智能技术的主要应用场景，为培养人工智能领域人才的专业技能和素养，构建解决科研和实际工程问题的专业思维、专业方法和专业嗅觉提供了创新性的学习工具。同时，通过调整模块配置，平台还可做为智能制造领域专业训练平台，培养学生具备应对未来制造业及其它领域应用中对各种高速定位、测量、识别及检测等的专业技能要求。 // 输入电源：AC220V±10％ 50Hz// 工作环境：温度：-10 ～ 50℃，湿度≤ 90% 无水珠凝结// 外形尺寸：1500mm×900mm×700mm( 长 × 宽 × 高 )// 平台重量：220kg//额定功率：≤ 3.5KW//安全保护：急停按钮，漏电保护 , 光栅保护，接地保护 “一台多用，专业培养、灵活搭载、高效低价”， 这正是汇萃人工智能实训平台的最大特点。

基于云服务的基础架构和大数据分析的核心理念，支持听、说、读、写、译全题型的智能评分，将日常教学、自主学习和测试评估有效结合，为构建多维度评价体系、进行数字化教学评估、创新教学模式等奠定基础。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：