1、产品介绍 国家大力鼓励信创产业发展的背景下，本实验箱基于OpenHarmony操作系统，是一款结合主流人工智能外设模块、物联网通信模块，满足实训需求，助力开发者提升OpenHarmony的应用开发。 OpenHarmony全场景实验箱，为开展鸿蒙系统实践教学的专用平台，通过该实验平台实现鸿蒙系统下的OpenHarmony北向应用开发、OpenHarmony南向设备开发等关键技术，使学生在深入了解鸿蒙系统的基础架构、技术原理、开发流程的同时，掌握基于标准鸿蒙系统和轻量级鸿蒙系统的应用开发的技能，为未来从事鸿蒙应用开发打下坚实的实践基础,打造智慧农业、智能家居、智能医疗、智能安防、智慧交通等现代智慧场景的综合应用的能力。 本实验箱适用于OpenHarmony操作系统在高校的移动互联、物联网、人工智能、创新创业等相关专业中实践教学的应用和推广。主要适用于高校、职业院校、培训机构、企业、开发者和相关师生。具备功能齐全、课程资源丰富、场景灵活组合等优势，实现了产学研创一体化的教育模式。 2、产品展示   图2.8 开源鸿蒙创新实验平台展示 3、产品特点 先进性 l性能卓越：搭载嵌入式边缘计算处理器RK3566/rk3568，配备4GB RAM与16GB存储空间，以及11.6英寸高清电容触摸屏，确保流畅的用户体验。 l支持多操作系统：鸿蒙（OpenHarmony）、Linux； 扩展性 l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。 l项目套件丰富：提供多种可选的项目套件模块，支持完成多样化的鸿蒙应用场景设计和创新。 实验箱采用磁吸式模块设计，不仅可以轻松地吸附在验箱上，从而简化了安装和拆卸过程，而且用户可以根据实际需求随时添加或更换模块，从而灵活地拓展实验箱的实验内容和应用场景。 配套 课程与实验：支持包括鸿蒙北向应用开发、鸿蒙南向设备开发等在内的丰富课程和实验。 该产品除软硬件双开源，可二次开发和学习使用外,还配备针对设备完整的实训指导书完整丰富的教学实训素材资源。本产品提供免费的安装部署服务和设备实训培训服务。

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。

云南大学省部共建云南生物资源保护与利用国家重点实验室张志刚团队于2020年2月2日开始对之前发表的马来穿山甲病毒组学数据(该数据由2019年3月24日无法救护成功的穿山甲肺的样本获取)（Liu et al. 2019, Viruses 11, 979）进行重新组装和全面系统地分析，发现这批马来穿山甲携带SARS-CoV-2相近的冠状病毒（命名为Pangolin-CoV），其与SARS-CoV-2和BatCoV RaTG13（武汉病毒所石正丽团队报道）的基因组相似性分别为91.02%和90.55%。Pangolin-CoV与SARS-CoV-2的亲缘关系仅次于RaTG13，但是Pangolin-CoV与SARS-CoV-2的S1功能基序高度一致，涉及与人类ACE2受体互作的五个关键氨基酸残基完全一致，而RaTG13发生了四个突变，提示了Pangolin-CoV与SARS-CoV-2具有相似的宿主细胞识别能力。 新冠肺炎疫情(COVID-19)自2019年底爆发以来，迅速在世界范围扩散流行，新冠肺炎疫情是由严重急性呼吸系统综合症冠状病毒2型（SARS-CoV-2）引起的，控制COVID-19全球大流行，病毒溯源及其传播途径研究是当前的关键任务之一。 该研究首次全面澄清了SARS-CoV-2与穿山甲冠状病毒（Pangolin-CoV）、蝙蝠冠状病毒（RaTG13）、2003年非典型肺炎冠状病毒（SARS -CoV）以及2015年中东呼吸综合征冠状病毒（MERS-CoV）的关系，认为除了蝙蝠和穿山甲之外，SARS-CoV-2还存在其它未知中间宿主，为进一步攻克病毒源头和传播路径提供了宝贵的参考。同时，该研究也呼吁保护加强野生动物保护和管理，保护野生动物，就是保护人类自己。

该研究以秀丽隐杆线虫为模式，发现D-2HG和3-HP的过量累积造成线粒体结构和功能的破坏，揭示了一个由D-2HG和3-HP构成的代谢反馈环及其破坏线粒体的分子和细胞生物学机制。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。

研究目的和意义机器学习和人工智能已成为当今最热门的技术之一。2017年，国务院印发了《新一代人工智能发展规划》，正式将人工智能作为国家重要发展战略之一。人工智能已经成为信息技术时代的又一波浪潮。在这波浪潮的推动下，互联网行业、金融行业、传统制造业、政务民生、公安警务等各行各业都在积极向人工智能领域转型升级，利用人工智能先进技术提升智能分析和辅助决策能力，

1.痛点问题 新材料的设计与研发往往面临挑战：急需的新材料难以快速筛选设计，而设计出的新材料又难以找到高效且低成本的合成配方，拥有合成配方的新材料又会面临规模化的长周期探索。根据国家工业和信息化部对30余家大型骨干企业调查结果显示，130种关键材料中，有32%国内完全空白、54%虽能生产，但性能稳定性较差、只有14%左右可以完全自给，亟需新思路来解决我国新材料研发难题。本项目着眼于新材料研发，希望通过创建目前业内空白的智能化新材料研发范式，引领行业智能材料开发自动化服务与工艺的开发。 在数字化、智能化浪潮中，国家和各行业的产业界都非常看重科研的智能化升级。通过持续的交流与调研，我们发现许多企业和研发团队目前对智能研发存在大量潜在需求，而智能研究服务与工艺的同类竞品极少。因此，清华智研将作为一家高新科技企业，以AI赋能研发（AIEmpoweringResearch&Development）为使命，组建国际顶尖水平团队，向国内引进并自主开发世界前沿的AIforScience技术，打造世界级的AI未来实验室（World-ClassAIFutureLab）。 2.解决方案 本技术为新材料研发数字化智能服务平台，可在材料研发过程中对各个尺度以及不同研发阶段下进行智能化的加速及分析服务。以各种人工智能算法为核心，如主动学习算法，图神经网络，卷积神经网络等，我们根据不同材料体系的尺度包括三大方面：1.针对分子及晶体等微观尺度的功能材料研发，设计智能化的深度学习系统。2.针对二维功能材料及其功能性器件、催化剂、膜材料等宏观尺度，设计智能化的深度学习系统。3.针对功能材料研发的表征仪器等平台尺度，设计智能化的系统解决方案。这些智能化解决方案能极大地加速新材料尤其是碳中和相关材料的研发速度，从而大大地降低研发成本与时间，为企业获得有竞争优势的科研壁垒。 自动化和人工智能助力未来智能实验室的方方面面，从样品制备（称量固体、添加液体、超声处理.等)，到合成（分配液体，控制温度，混合，测量pH值，干燥等)、表征（气相色谱，高效液相色谱，分光光度法等)，通过自动化/机器人的辅助，可以有效提高可重复性，提高信噪比，加快实验速度。通过人工智能技术，将实验数据转换为可操作的智能指导，快速浏览并利用复杂的数据，提升认知能力。 智能化研发平台 3.合作需求 拟成立公司推动该项成果的产业化进程，希望对接 1）工程化、产品化所需的资源； 2）新能源、新材料领域合作企业。