LG-IRB01型工业机器人基础创新实训台是专门针对工业机器人领域的一套实训实验教学系统，按照模块化结构进行设计，主要由ABB IRB120型六关节工业机器人、视觉系统、PLC模块、电气控制系统等组成，可进行工业机器人相关技术开发、维护维修、示教等方面专项实训教学，能够完成关键设备的特性和参数设置、工业机器人手动控制及基本参数设置、工业机器人IO通信及PLC信息交互、工业机器人单轴运动与线性运动控制、工业机器人工具TCP参数标定、工业机器人工件坐标系参数标定及多坐标系切换、基于关键点的轨迹编程、模拟码垛工艺应用编程、工业机器人与PLC的通讯与联调、触摸屏控制应用等实训任务。 一、工业机器人参数要求 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。 二、实训台及相关配件： （1）整个平台为立式结构，主要框架和工作面采用工业铝型材搭建，电器柜可以安装工控机、IO口扩展板电磁阀安装位置、变频器安装位置、PLC安装位置，电气接线部分为抽屉式结构，便于接线，预留扩展区域，便于设备的扩展。工作平台为可以灵活安装各功能模块的导槽式或矩阵螺丝孔式。尺寸：≥2100mm×1200mm×900mm；材料：铝合金+钢板；平台面板为多用途可扩展设 计方式，扩展灵活；采用气动夹具：最大负载能力：≥3kg；最大抓取范围：≥15cm×15cm；最高抓取精度：≥1mm；带安装机架。 （2）触摸屏：≥7英寸；液晶显示屏分辨率：≥800×480；组态：嵌入式组态；提供与PLC通讯相配套的端口线和工控机连接的端口线。 （3）物料：尺寸：≥50mm×30mm×15mm；材料：金属材质；数量：≥10个。 （4）PLC：集成≥16路输入和≥16路输出IO口；内置≥64K大容量的RAM存储；内置高速处理≥0.065μS/基本指令；控制规模：≥32 I/O点；内置独立≥3轴100kHz定位功能：提供相关电气连接线与附属器件。 （5）气源气路：采用无油静音气泵或集中气源供气；配有调压过滤器、气路等气动元件；排气压力：≥0.7Mpa；流量：≥20L/min；噪音量：≤70dB。 三、主要功能板块： 1、分拣搬运： 配备圆形、三角形、方形等物料模板；机器人可精准完成各种形状物料分拣搬运；可扩充配置视觉组件，选配视觉条件下可完成全自动分拣（含颜色、位置、坐标、角度等识别）； 2、码垛：码垛是模拟工业场合的自动搬运码垛功能设计，可以自动记录码垛位置和高度，具有重复精度高，自动计算旋转角度等功能；工业机器人工具盘上安装了气动吸盘；包含一个输送带，采用步进电机驱动；电机速度可以进行调节；可以实现将模拟物料送到输送带上进行定向传送；具有传感器能够检测模拟物料是否到达指定位置。 3、运动轨迹模块：TCP练习区主要作为工业机器人的基础学习环节，能动态直观的体现出TCP示教的重要性和示教的精度，能够自由更换示教尖端；可实现TCP标定练习，提供TCP标定用锥形教学块；可实现基本轨迹编程练习，提供三角形、方形教学轨迹；可实现复杂轨迹编程练习，提供曲线教学轨迹； 4、流水线模块：流水线应用场景与工厂实际物流情况相似，可进行机器人点位示教编程与调试，可根据学习内容不同而设置不同挑选形式，可根据工件不同采用不同的夹取夹具。 5、立体仓库：存储自动装配工件；仓位数量：≥3列3层9个；仓位承重：≥2Kg；仓位尺寸：≥100mm×70mm×80mm；外形尺寸：≥350mm×180mm×450mm；工件种类：≥3种9个；工件模块包括自动装配母件、子件等。 6、视觉智能检测线：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。 7、快换单元：由4种夹具组成，配合机器人使用作搬运、涂胶、焊接、码垛等用途。配置快换公头1个、快换母头4个、搬运夹具2套、涂胶夹具1套、焊接工具1套、电磁阀3个，并标准固定机构，移动式底板。 8、工业机器人末端安装电磁吸盘，可匹配多种夹具。同时至少配备4种工装夹具，夹具有专门的工具架安放，每个夹具的负重至少在3kg以上。按照实训项目的要求可分别配合工业机器人完成物料夹取、轨迹模拟、打磨抛光、写字绘图等工作。 9、云智能实验室安全管理系统 本平台将无线传输、信息处理等物联网技术应用用于自动化远程控制。设备端运行状态、数据参数等上传至云平台。物联网系统的传感层、传输层和应用层关联掌握数据与分析数据。 （1）电压、电流等模拟量数据显示。 （2）输入开关监控，输出开关等数字量控制。 （3）远程控制启停状态，给定输出电压值的。 （4）显示输入输出电压值的历史数据 （5）可按照日期、日间进行查询历史数进行查询。 （6）报警信号为PLC主机模拟量采集数值或者开关量可以自由设定，如当模拟量输入超过设定电压时产生（7）报警，通过物联网自动化应用软件将报警信号上传到云平台，通过云平台向设置的终端推送报警信号，（8）每台设备可对应多个终端设备。 （9）通过手机端可以实现远程控制PLC的输出及监视PLC的输入状态变化。 （10）数据显示画面：画面显示输入电压数值，输出电压监控，开关状态输入，开关控制输出，以及云端连接二维码。 （11）联网设置界面：设置现场数据连接云平台后台数据库管理。 需提供云智能实验室安全管理系统软件著作权证书原件备查，并现场演示1-3项功能视频。 10、实验室智能电源管理系统 实训室总体智能电源管理系统由主电路、控制电路、检测保护电路、显示电路、语音报警电路等组成，整个实验室配置一套管理系统。投标时现场演示以下10.1-10.4项功能视频。

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

本发明提供一种跨平台乡村旅游APP的实现方法与装置，所述方法包括：S1，基于乡村旅游的视图层业务需求，利用AppCan跨平台技术框架，采用html5+css3+JavaScript构建乡村旅游APP的用户交互界面；S2，基于乡村旅游的数据层业务逻辑需求和所述用户交互界面，利用AppCan跨平台技术框架，通过手机系统统一接口webview，构建乡村旅游APP的移动业务逻辑；S3，基于与后台服务器的信息访问需求，利用AppCan跨平台技术框架，构建APP客户端与所述后台服务器的信息交互逻辑。本发明能够有效提高应用代码复用率和开发的效率，并能有效降低开发者劳动强度。

数据是企业的重要资源，数据质量则是体现其价值的关键。大多数企业已建立的众多的基础专业数据库、信息资源管理系统，并完成的数据仓库建设，但是对数据与信息的质量、新数据是否上来以及上来及时性等缺乏有效的监控手段；同时，已有信息资源往往被分散的保存着，其管理维护乃至数据库的变更都难以掌控。本系统基于元数据、元结构、元知识模拟专家对于数据与信息资源的管理策略，利用机器学习、自然语言处理以及知识库技术，实现了基础数据资源监控与管理，建立了基础数据资源动态监控与质量巡检系统。系统主要功能包括： 元数据管理 建立和管理包含所有基础数据库结构信息的元数据库，使对各个基础库中的最新数据项和数据项变更历史等有一个全面的掌控；同时也为今后建立在基础库之上的应用和对数据库的维护打下良好的基础。 重要基础数据的采集监控 对各基础数据库中的重要数据是否及时采集入库及基础数据的删除进行定期的监控，并对监控的结果给出相关结论报表，以便及时了解各基础库数据的数据增删情况。 数据质量巡检子系统 定期地对各基础数据库中的重要数据项进行质量检查，监控各数据项中的数据是否满足给定的规则条件，对于不符合条件的数据通过提供的预警机制进行预警。 本技术可用于通信、能源、交通、政府、国家中医药管理局、医疗机构、冶金行业、石油石化等行业。

研究背景及挑战:高精度无缝位置服务是智慧生活的关键技术之一, 也是实现以人为中心的智能情境感知技术基础。然而, 复杂城市峡谷(高楼、天桥、隧道)地区连续导航、室内外高精度无缝定位由于卫星信号频繁受到阻隔、室内布局动态变化等因素,实现连续高精度全空间定位存在诸多挑战。本科研团队研究内容:基于团队在 Wi-Fi, ZigBee, INS、图像、超声波、声音、RFID 等多种定位技术科研成果,研发高精度、低功耗、低成本、易部署的多源融合定位云平台,提供全时空位置服务及用户行为挖掘服务平台。融合定位云平台体系框架全时空定位服务平台上下文突破弹性导航软硬件架构及理论体系基于因子图多源融合定位算法科研基础:国家重点研发计划项目“自适应导航软硬件技术”、高精度高鲁棒性室内定位关键技术及装置研究(863)、无线传感网络定位技术研究(NSFC)、基于众包和群智计算的室内无线定位理论和方法 (NSFC)、自适应室内无线信号变化的低代价高精度定位技术研究(NSFC)等项目的支持下,已完成全时空融合定位云平台,以及用户行为挖掘大数据平台建设。 科研成果:1中国卫星导航定位科技进步一等奖2 获UbiComp交通模式识别比赛冠军3获阿里巴巴天池世界比赛冠军4 制定国家实时定位标准6项5 发表中科院一区顶级SCI期刊论文 10 篇6 获得国家发明专利授权 20项,申请国家发明专利 32项7 国际 IPIN2016 室内定位比赛第3名 成果应用案例:华为、三星、中国电信集成、华大电子、22所等

研究背景及挑战: 高精度无缝位置服务是智慧生活的关键技术之一, 也是实现以人为中心的智能情境感知技术基础。然而, 复杂城市峡谷(高楼、天桥、隧道)地区连续导航、室内外高精度无缝定位由于卫星信号频繁受到阻隔、室内布局动态变化等因素,实现连续高精度全空间定位存在诸多挑战。 本科研团队研究内容: 基于团队在 Wi-Fi, ZigBee, INS、图像、超声波、声音、RFID 等多种定位技术科研成果,研发高精度、低功耗、低成本、易部署的多源融合定位云平台,提供全时空位置服务及用户行为挖掘服务平台。 融合定位云平台体系框架 全时空定位服务平台上下文 突破弹性导航软硬件架构及理论体系 基于因子图多源融合定位算法 科研基础: 国家重点研发计划项目“自适应导航软硬件技术”、高精度高鲁棒性室内定位关键技术及装置研究(863)、无线传感网络定位技术研究(NSFC)、基于众包和群智计算的室内无线定位理论和方法 (NSFC)、自适应室内无线信号变化的低代价高精度定位技术研究(NSFC)等项目的支持下,已完成全时空融合定位云平台,以及用户行为挖掘大数据平台建设。   科研成果: 1中国卫星导航定位科技进步一等奖 2 获UbiComp交通模式识别比赛冠军 3获阿里巴巴天池世界比赛冠军 4 制定国家实时定位标准6项 5 发表中科院一区顶级SCI期刊论文 10 篇 6 获得国家发明专利授权 20项,申请国家发明专利 32项 7 国际 IPIN2016 室内定位比赛第3名   成果应用案例: 华为、三星、中国电信集成、华大电子、22所等

该项目是精神病学与精神卫生学临床、软件工程和数据工程交叉方向，探讨临床研究业务过程与数据一体化集成平台的建设与实施，优化临床研究数据采集、存储、交换、可视化和分析决策，为临床研究提供更科学更高效的支撑方法与手段。

安徽理工大学与多家企业及科研单位合作研发了综掘安全快速一体化成巷工艺及机械化成套装备，并在煤矿成功应用，取得显著经济和社会效益。2013年 12 月“综掘安全快速一体化成巷工艺及机械化成套装备研发与应用”成果通过省级鉴定，达到国际先进水平。

一、项目简介 激光扫描系统能够直接获取被测目标表面的三维空间坐标，具有采样密度高、点云分布密集等特点，正逐渐成为三维空间信息快速获取的主要手段之一，被广泛应用于文物保护、三维重建、数字地面模型生产、城市规划等领域。团队拥有世界上最先进的车载和静态地面激光扫描系统，具备在城市、海岸带、矿山等环境条件下获取三维点云数据的能力。通过研发点云分割、点云智能量测、三维目标提取、点云分析、三维场景