人工智能应用创新实训平台是一款专为人工智能领域专业学生设计的多功能教学工具，它集科研教学、实验实训和项目实践于一体，提供了一个全面的学习环境。该平台以国产高性能芯片RK3588作为其边缘计算的核心，支持本地化编程开发，使得学习者能够深入掌握人工智能技术。此外，平台还支持PyTorch、TensorFlow、NCNN等多种主流深度学习框架，便于学生进行模型训练和推理实践。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov11等前沿模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括深度相机、双轴云台、多轴机械臂、微型输送带、工业级相机以及麦克风阵列等。这些尖端设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。

1、产品介绍 AI人工智能语音与机器视觉应用系统是一款集成AI语音、机器视觉、深度学习基础、嵌入式Linux于一体的高端教学科研实验平台。 整个教学平台由实验箱高性能嵌入式主板够成，高性能嵌入式核心板采用高性能64位ARM处理器，标配4GB DDR3内存和16GB闪存，可运行ubuntu、android、linuxqt等多种操作系统，可满嵌入式linux和AI应用开发。 平台采用多核高性能 AI 处理器，预装 Ubuntu Linux 操作系统与 OpenCV 计算机视觉库，支持 TensorFlow Lite、NCNN、MNN、Paddle-Lite、MACE 等深度学习端侧推理框架。 提供多种应用外设与丰富的机器视觉、AI语音、深度学习实战应用案例，如语音前处理（声源定位、语音增强、语音降噪、回声消除、声音提取）、语音活体检查、语音唤醒、语音识别、语音合成、自然语言处理、声纹识别门锁、语音智能家居、手写字识别、人脸识别、目标检测、端侧推理框架、图像识别、人体分析 、文字识别、人脸门禁控制、车牌道闸控制、手势家居控制等，通过案例教学让学生掌握计算机视觉与深度学习的基本原理和典型应用开发。 2、产品特点 （1）先进性 性能卓越：搭载AI嵌入式边缘计算处理器RK3399，配备4GB RAM与16GB存储空间，以及6英寸高清电容触摸屏，确保流畅的用户体验。 高效运算：配NPU协处理器模块，专为神经网络模型设计，提供高达8 TOPs@300mW的运算能力。 接口丰富：提供双路0、四路USB2.0、RS232、RS485以及多种嵌入式拓展接口，满足多样化的外设连接需求。 （2）扩展性 定制化设计：所有硬件单元均采用模块化设计，支持根据具体需求进行定制化选型和搭配。 项目套件丰富：提供多种可选的项目套件模块，支持完成多样化的AI应用场景设计和创新。 智能网关平台：智能边缘计算网关平台配备了包括GPIO、ADC、IIC、UART、PWM、SPI在内的常用接口拓展，增强了平台的适应性和灵活性。 （3）包容性 多功能应用：实验平台适用于人工智能、嵌入式系统、物联网、移动互联网、智能硬件等多个学科的实验教学，提供全面的教育资源。 课程与实验：支持包括Python程序设计、嵌入式Linux操作系统、机器视觉技术、自然语言处理、神经网络原理、无线通信、Android应用技术、物联网中间件、AIOT应用实训等在内的丰富课程和实验。 专业融合：平台在硬件设计上实现了物联网、人工智能和嵌入式技术的兼容性，提升了实训设备的复用率，有效解决了学校实训室空间和资金的限制问题。 AI语音与机器视觉应用系统致力于解决学校在开设人工智能课程时面临的师资、教学资源、实训资源、设备以及与行业应用对接的挑战，实现了产学研创一体化的教育模式 3、应用 系统支持多个工业化的应用场景，以智慧家居、智慧停车场、智慧门禁、智慧交通、趣味AI、智慧工地六大应用场景，及基于六大应用场景的20多种小AI应用场景。所有的应用场景及业务子项功能，均来自真实的人工智能行业应用。 4、配套 该产品除完整的软硬件系统外,还配备针对设备完整的人工智能实训指导书完整丰富的教学实训素材资源、以及基于设备系统的人工智能教学视频光盘。本产品提供免费的安装部署服务和设备实训培训服务。

本发明公开了一种加速基于 XOR 的 RAID-6 编解码过程的方程 并行计算方法：将基于 XOR 的 RAID-6 编码的校验规则用校验方程组 表示，把每个校验方程在编解码过程中的求解分解为两个阶段——“预 计算阶段”以及“递归求解阶段”；每个校验方程由一个独立的线程 实施求解，多个校验方程的预计算阶段被并行执行；使用一个全局共 享的数据块状态表记录数据块的状态以协调所有线程的执行。本发明 方法利用编码的潜在并行能

本发明提供了用于提高三维音频空间感距离感的参数编解码方法及系统，编码时输入三维音频的音 频信号和三维音频的空间边信息，将有向性音频信号下混并提取相应的下混边信息，对无向性散射音频 信号、下混后的有向性音频信号、提取的下混边信息、及输入的空间边信息分别进行编码;解码时提取 空间边信息的码流等分别进行相应解码并还原。本发明采用音频信号的强度参数和距离参数来共同表达 声像距离，提高三维音频的空间感和距离感，可以得到更好的三维音频重放效果。

1.成果原理：通过图像增强算法优化恶劣天气下导盲犬视野，结合Transformer模型实现环境多模态语音描述，并通过手机平台实现远程监控与交互。 2.创新点：恶劣天气适应性（突破传统导盲设备在雾霾、雨雪等极端场景的视觉限制）；多模态交互(支持语音合成、家人音色定制及实时场景描述，兼顾安全性与情感需求)；轻量化设计(项圈重量适配犬只行动，避免传统穿戴设备的负担)。 3.应用场景：视障人士日常出行、导盲犬训练基地、公共复杂环境。 4.应用案例：与吉林外国语大学、科大讯飞联合开展技术验证，完成实验室原型测试。 5.成果获奖： 2023年“互联网+”大学生创新创业大赛吉林省铜奖 2024年“挑战杯”吉林省大学生创业计划竞赛银奖 6.成果评价：丰富了国内导盲生物辅助设备研究内容，获吉林省大学生创新创业大赛重点支持，技术专利布局中，市场潜力预估超800万视障人群需求，助力东北地区智能装备产业升级与民生福祉提升。

李梢教授团队针对我国胃癌早诊率低于10%，胃癌前病变患者的癌变率仅有0.6%/年，胃炎癌转化中西医特征不清、防治措施不明的重大难题，创建以“智能早筛-极早诊断-精准早治”为特色的胃癌极早期中西医智能防治体系，显著提升我国胃炎癌转化中医药防治水平。

淄博嘉鸿通智能装备有限公司是一家集实验室规划设计与研发、施工交付、售后维保为一体的科技型中小企业。 公司专门为工业企业、高等院校、科研院所、医疗疾控、检测机构等各类实验室提供一站式解决方案。 公司主营业务包括实验室家具、送排风智能控制系统、集中供气系统、实验室尾气处理系统、易制毒、易制爆、危险化学品存储柜、数字化安全管理系统、实验室专用配套系统及校舍家具等。 公司先进的设计理念、专业的售后服务团队，致力于为广大科研人员创造健康、安全、环保、舒适的学习工作环境。 公司创始人从事实验室行业10余年，具有丰富的行业经验，参与及主导的科研项目荣获多项知识产权(4件发明专利，6件实用新型专利)荣获“淄博市重大科技成果三等奖”、“周村区职工优秀技术创新成果”、本人所主导的研发项目荣获“淄博市重点研发计划（市外校城融合）项目”，2022年5月份荣获“2022年全省工友创业大赛淄博分赛二等奖”。 公司荣获实验室行业知识产权2项，2022年9月份成为淄博市周村区中小企业商会会员单位，2023年3月份荣获“科技型中小企业”荣誉。 公司愿景：争做国内一流的实验室行业综合服务商； 企业使命：助推实验室行业转型升级与高质量发展，保障科研人员愉悦健康； 企业价值观：诚信服务、质量至上；创新发展、追求卓越； 企业精神：专注自我提升，专业服务客户；

睿行智能是速羽动力旗下的低速智能车品牌，专注于多种场景的无人驾驶车辆、智能车的研发生产制造。 一、项目进展 已注册公司运营 二、企业信息 企业名称 南京速羽动力科技有限责任公司 企业法人 史昀珂 注册时间 2016.06.29 注册所在省市 江苏省南京市 组织机构代码 91320115MA1MNUC45H 经营范围 经营范围包括汽车、电动车、汽车模型、赛车、机动车及相关零配件的研发、生产、销售、技术服务和售后服务；工业产品造型设计开发；自营和代理各类商品和技术的进出口业务（国家限定公司经营或禁止进出口的商品和技术除外）；钢管、铝材、金属材料销售；碳纤维制品、锂电池组、电池管理系统、高压箱的研发和销售；体育赛事策划；赛车场地维护；自有设备租赁（不得从事金融租赁）；新能源汽车技术领域额内的技术开发、技术咨询、技术服务、技术转让；机械加工；游乐设备设计、生产、加工、销售及技术服务。 企业地址 南京江宁区东南大学路33号东南大学国家科技园1号楼3楼 获投资情况 东大科技园-紫金创投学生创业基金 15万元 三、负责人及成员 姓名 学院/所学专业 入学/毕业时间 史昀珂 机械工程 2021年9月 四、指导教师 姓名 学院/所学专业 职务/职称 研究方向 殷国栋 机械工程 教授 汽车工程 五、项目简介 睿行智能（RUIMOVE）是速羽动力旗下的低速智能车品牌，专注于多种场景的无人驾驶车辆、智能车的研发生产制造。 团队在多个领域的综合经验，使得我们在智能车领域拥有全方位的综合实力，不同的技术积累构成不同的解决方案，应用于无人驾驶的多个场景，包括无人驾驶科研平台、无人货运、无人巡逻、无人物流、无人清扫、无人摆渡、无人军事等。睿行智能（RUIMOVE）整合优势资源，立足低速智能车领域，致力于技术创新和产品创新，为低速无人车提供智能底盘整体解决方案，包括：车规级、全线控化的核心零部件，多场景电驱动系统方案，底盘轻量化、高性能解决方案。以强大的供应链、生产制造管理实现智能车的大批量生产及成本控制。睿行智能决心成为无人驾驶解决方案提供商，并积极布局软件算法、高精度地图、云服务、数据服务等领域，通过提供高性能的低速智能车和用户体验，为用户创造简便的生活方式，在全球范围内打造用户企业，致力于未来低速智能车的全面普及工作。

    晶品JPG-2000S智能试剂安全管理柜，是基于JPG-2000基础上迭代升级的新一代试剂柜产品，外形小巧，存储空间利用更合理，容量可以达到JPG-2000同等存储水平。小体积、大容量，在满足存储量的同时，更加节约实验室空间，可适用于各种类型的摆放方式。    JPG-2000S型试剂柜柜体嵌有7寸电容触摸屏，装有嵌入式系統。该系统可显示柜内空气质量、温湿度状況，具有柜门未关闭报警，过滤器耗材更换提醒等功能。柜体内部具有空气过滤模块，通过专用的过滤器来净化对实验人员有害的气体。柜门嵌入RFID刷卡模块，能有效管控双人双锁刷卡流程。如果想实现多台管理可以单独购买外按控制软件，该软件可以装载到用户的电脑里，通过电脑与多台柜体连接进行试剂的出入柜管理及数据导入导出工作，可将操作人员、试剂信息、柜体信息系统的管理起来，形成完整的试剂信息管理系统，可实现对试剂的安全管理。    •嵌入式系统    嵌入式系统“试剂柜管理系统V2.0”，液晶显示，位摸屏操作，可监测柜内温湿度，空气质量等信息。    •外接控制软件    双模式-可外接控制软件“试剂柜控制软件V2.0〞，实现多柜连接管控，试剂出入库管理，查询试剂信息。    智能摄像系统    无人值守，可实现24小时全天候视频监控，360°无死角，硬盘存储可达30天，并可无限扩充。    •多柜井联、系统交互    嵌入式系统和控制软件可以通过WIF1功能进行远程交互、多柜并联，存储空间无限扩大，试剂信息统计更为便利、准确，导出、打印各式样报表，数据海量存储，永久保存。    •空气过滤系统    内置活性炭空气过滤系统，有效解决化学品气味影响实验员身体健康的问题。可更换的过滤材料，大风量风扇、保证内部空气每分钟循环三次。    •双人双锁    有效解决试剂的安全管理，符合对易制毒、易制爆危险化学品的管理要求。对于常规试剂也可方便地实现单人单锁控制。

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