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

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。

针对下肢残障人士恢复运动能力的需要，北京大学工学院项目团队开展学科交叉研究，首次提出并实现具有柔性可控关节和分段平脚的智能动力假肢，并研制出目前国际上重量最轻的动力小腿假肢。研发团队提出基于本体感觉的多层控制机制，实现智能小腿假肢的流畅运动和对复杂地形的自主适应，并在国际上首次提出基于人体电容信号实现下肢运动意图识别的方法，为人与假肢融合控制提供了全新的研究手段。

头盔（安全帽）是施工现场必须佩戴的安全防护装备。在需要交流通信和监 督等需求的场景，手机、对讲机以及监控设备虽能实现部分功能，但操作不便， 且监控设备存在死角。在头盔这一必备装备基础上进行功能延伸，开发可穿戴设 备，不仅能有效实现相关功能，而且可以解放双手，不影响正常施工操作。团队 针对不同层次需求，主要研发三款智能头盔产品： 普惠版智能头盔：具有语音对讲功能，特别是吵杂环境中，可便于现场工人 可靠沟通、交流； 精英版智能头盔：在普惠版智能头盔基础上，实现视频录制与传输功能，实 现无死角全程监控； 荣耀版智能头盔：在精英版智能头盔基础上，增加全景成像和音视频智能分 析功能，实现实时监督与预警的智能化。 此外，团队注重智能头盔的模块化设计，针对不同行业可提供可选配模块。 比如为电力行业增加电场感知与测量模块。市场及经济效益分析： 针对不同行业，需求明确，市场潜力巨大，代表性行业与应用场景如下: 针对电力行业：智能头盔加装电场感知模块，可避免触电事故； 针对公安交警：智能头盔可替代警用安全帽和执法记录仪； 针对建筑行业：智能头盔可替代安全帽，工人之间可通过语音对讲协作。

智慧教室方案产品，通过智能网关对智慧教室中所有设备，包括教学大屏、录播、班牌、智慧黑板等进行智慧感知和综合控制

公司经营范围： 经营开发、制造、销售汽车零部件、电器机械及器材、环保设备、机床工具、电力设备及器材、通信设备（不含接收和发射设施）、计算机及其零部件、有色金属冶炼及压延加工产品、仪器仪表、办公机械产品、风力发电设备；装备制造业、房地产开发业，金融业投资；进出口贸易、高新技术咨询服务。

快捷导入课表随时看，创造课表交友新方式，只需要一个课表APP，即可认识同班同学、了解大学新鲜资讯，多维度充分享受大学生活。