人工智能边缘实验平台为标准的2.5U机架式设备，配置20块FPGA开发板(Cyclone® V SoC系列)，可供20位学员同时进行FPGA设计、调试、下载及相关验证，并具备SoC网络技术和FPGA远程调试技术，通过网络为教学实验提供配套服务，实现在线实验室的虚拟仿真技术。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards  (Cyclone® V SoC  FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.

洁净厂房作为高洁净度生产场景的核心载体，其选址规划、厂区布局、主体建设与配套设施设计，直接决定了生产环境的洁净可控性与产品质量安全。为从源头规避污染风险、保障洁净生产体系长期稳定运行，结合行业合规要求与工程实践经验，对洁净厂房全流程建设核心要求进行系统化规范与细化明确如下： 一、洁净厂房选址核心要求 洁净厂房选址应遵循 “源头防控、合规优先、风险可控” 的基本原则，优先选择环境清洁、无显著污染隐患的区域，从地理区位上杜绝外源污染物对生产环境的侵扰，核心管控要求如下： 污染源防护距离管控洁净厂房选址应与各类有毒有害场所及其他污染源，保持不低于 25 米的最小卫生防护距离，确保生产环境不受外源污染物污染。其中污染源特指可能产生病原性微生物污染、严重危害性污染物的场所，主要分为三大类：一是工业扩散性污染源，包括化工厂、水泥厂、石材加工厂、石灰厂、冶炼厂、危险化学品生产仓储企业等，存在持续性粉尘、有毒有害气体、放射性物质及其他扩散性污染物隐患的场所；二是固体废弃物与环卫污染源，包括生活垃圾、工业固废的收集、存放、中转、处置全链条场所；三是生物性污染源，包括畜禽屠宰场、规模化畜禽饲养场、公共厕所、集中式污水处理设施等易滋生病原微生物、产生恶臭污染的场所。 选址环境底线要求厂区严禁选址于对食品、药品、精密元器件等生产产品存在显著污染风险的区域，厂区周边不得存在有毒废弃物处置点、持续性粉尘排放源、有毒气体扩散源、放射性物质存放点等无法通过防控措施消除的扩散性污染源。选址阶段应同步评估区域常年主导风向，优先将洁净厂房设置于污染源的常年主导风向上风向区域，避开下风向污染扩散带，最大程度降低大气污染物侵入风险。 不可规避污染源的防控要求若区域内各类污染源难以完全避开，必须开展专项污染风险评估，并配套设置可靠、有效的污染防范措施。包括但不限于设置全封闭物理隔离围挡、高密度防护林带、强化净化新风系统的多级过滤等级、调整新风取风口位置与高度等，经技术验证可彻底清除污染源对生产环境造成的影响，杜绝交叉污染风险后，方可开展后续建设工作。 二、厂区总平面布局与环境管控规范 厂区整体布局应遵循 “功能分区清晰、动线合理分离、污染全程防控” 的原则，实现厂区全域环境的闭环管控，核心要求如下： 功能分区与交叉污染防控厂区应按生产属性、洁净等级、使用功能，明确划分洁净生产区、辅助生产区、仓储物流区、办公生活区四大功能板块，各区域边界清晰、动线独立，严禁交叉设置。其中生活区与洁净生产区必须保持足够的防护距离或完全物理分隔，生活污水、生活垃圾处置设施、餐厨区域等，应远离洁净车间设置，杜绝生活源的生物性、化学性污染物向生产区域扩散。厂区人流、物流、污流应设置独立通道，顺向流转不折返、不交叉，从厂区全局规避交叉污染风险。 厂区全域环境与虫害防控厂区应保持全域环境整洁，无裸露垃圾、无积水洼地、无卫生死角，从源头消除鼠类、蚊蝇、蟑螂等病媒生物的孳生条件。生产场所周边不得设置易导致虫害大量孳生的潜在场所，若厂区周边存在此类风险源，必须配套设置全封闭物理隔离屏障、常态化虫媒监测体系与无害化消杀方案，确保洁净生产环境不受生物污染侵扰。 厂区道路与绿化管控厂区内主干道、支道及生产区周边道路，应全部采用混凝土、沥青等硬质材料铺设，路面平整密实、无破损、无扬尘、无积水，确保人流、物流运输过程不产生二次粉尘污染。厂区绿化应遵循 “防污染、防虫害、低干扰” 原则，绿化植被与洁净车间外墙、新风取风口应保持不小于 5 米的安全距离；优先选择无飞絮、无花粉扩散、易养护的常绿品种，严禁种植易滋生虫害、产生大量花粉 / 飞絮的植物。绿化区域应设置完善的灌溉与排水系统，定期开展修剪、养护与病虫害防治工作，杜绝绿化区域成为虫害孳生地与粉尘污染源。 三、厂房与洁净车间主体建设要求 厂房与洁净车间的建设规模、功能布局、洁净等级设计，必须与生产产品的品种、生产批量、工艺要求及行业合规标准完全适配，核心要求如下： 空间适配与作业区划分厂房应具备与生产规模相匹配的建筑面积与空间尺度，根据生产工艺流程、洁净度级别要求，合理划分洁净作业区、准洁净区、一般生产区、辅助作业区等功能区域。工艺布局应遵循 “由低洁净度向高洁净度逐级过渡” 的原则，减少洁净区域的非必要开口，各区域动线顺向不交叉，杜绝生产过程中的交叉污染。洁净车间的空间尺度应同时满足生产设备安装、人员操作、物料流转与净化系统运行的双重需求。 关键功能区域物理分隔厂房内设置的检验检测室、原辅料暂存区、成品仓储区、工器具清洗消毒区等，必须与生产作业区域（尤其是高洁净度生产区）进行严格的物理分隔。其中检验室应独立设置，与生产区域完全分隔，检验过程中产生的废液、废弃物、微生物培养物等，应设置专用的处置通道与无害化处理设施，严禁检验区域的污染物回流至生产区域，造成产品污染。 建筑结构基础规范厂房建筑结构应具备良好的密闭性、保温隔热性与结构稳定性，洁净车间的墙体、地面、顶棚应采用平整光滑、无裂缝、不积尘、易清洁消毒、耐腐蚀的合规材料，符合洁净生产环境的建筑规范要求。车间门窗应采用密闭性良好的材质，配套设置防虫、防尘、防鼠设施，洁净区域的门窗不得直接向非洁净区域开启，确保洁净环境的密闭可控。 四、净化系统配套空间与建筑条件专项要求 洁净车间的净化空调系统、送回风管路等核心设施，对厂房建筑本体条件有明确的专项要求，需在厂房设计与选型阶段同步规划、提前预留，保障净化系统稳定达标运行，核心要求如下： 车间层高与竖向空间预留洁净车间的楼层净高，需结合净化系统送回风管道管径、安装空间、吊顶内障碍物（消防管线、结构梁体等）的高度综合核算，楼层最低有效净高，即障碍物底部至地面的净距，必须满足通风管道安装、设备布置与后期检修的最小空间要求。送回风主管道的管径，需根据车间设计洁净等级、换气次数、所需总风量进行精准水力核算，同步预留管道保温、支吊架安装、检修操作的冗余空间，严禁因层高不足导致风管管径压缩、风量不足，进而影响洁净车间洁净度达标。常规非单向流洁净车间，吊顶内风管安装区域的净空高度不宜低于 1.2 米，车间完成面净高需同时满足生产设备安装与人员操作需求。 净化空调机组安装空间预留净化空调系统分为室外机组与室内洁净送风柜（空气处理机组 AHU）两大核心部分，厂房选型与设计阶段必须同步预留对应安装空间。其中，室外空调机组的安装位置，需具备良好的通风散热条件，远离粉尘、油烟、废气排放口与新风取风口，预留机组安装、检修、维护的充足操作空间，同时需提前规划机组运行的降噪减震措施，避免对周边环境与洁净车间造成振动与噪声影响。室内洁净送风柜应优先设置在专用的净化空调机房内，严禁直接设置在洁净生产区域内，机房位置应靠近洁净车间，缩短送风管路长度，降低风量损耗与冷量损失。 专用净化空调机房设计要求厂房总建筑面积规划中，除生产所需的洁净车间、辅助区域面积外，必须根据净化系统的冷量需求、机组规格、管路排布，预留独立、专用的净化空调机房。机房的面积、层高、承重荷载，需与空调机组、水泵、水箱、配电控制系统等设备的尺寸与运行参数完全匹配，同时预留设备检修、管路更换的操作空间。机房应设置完善的通风、排水、降噪、减震设施，满足设备长期稳定运行的环境要求，严禁将机房与生产区域、仓储区域合并设置，杜绝设备运行产生的粉尘、噪声、振动对洁净生产环境造成干扰。 送回风管路系统的建筑适配洁净车间的送回风管道布局，应在厂房建筑结构设计阶段同步规划，提前预留主管路的穿梁、穿墙孔洞，规避结构柱体、消防管线、给排水管线等障碍物对管路排布的影响。回风系统的设计需结合车间布局，合理设置回风夹道、回风竖井，预留对应的建筑空间，确保送回风系统的气流组织均匀，满足洁净车间的洁净度、温湿度、压差控制要求。 本规范所有技术要求，除满足上述条款外，还应符合《洁净厂房设计规范》GB 50073、对应行业生产质量管理规范（如食品生产通用卫生规范 GB 14881、药品 GMP 等）的国家现行标准要求，实现合规性、安全性与实用性的统一。

视频剪辑是一项简单却繁琐的工作，需要投入大量的人力。而且人力完成的视频剪辑，剪辑结果有着很强的主观色彩。通过采集大量各类体育赛事数据进行模型训练，利用深度神经网络良好的自主学习能力，采用Centernet作为多目标检测能力的实现框架，同时利用Transformer重构目标检测进行连锁，二次捕捉目标检测的准确性。CenterNet和Transformer的融合，实现了端到端的目标检测，在准确性提升的基础上满足实时处理视频的要求。综合应用多目标检测跟踪以及多模式识别技术，实现短视频的智能化剪辑，极大程度减少了人工工作量，同时也增加了短视频剪辑的客观性，在大数据时代背景下有着重要的现实意义。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

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。 

中国电子学会发布“电子信息领域优秀科技论文（2020）遴选活动”入选论文。东南大学尤肖虎、张川、谈晓思、金石、邬贺铨联合署名的论文《AI for 5G: research

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 赵玉蓉 外国语学院/英语 2016/2020 201631131102 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 阮先玉 外国语学院/英语 教研室主任/副教授 语言学、翻译 四、项目简介 随着互联网的发展，机器翻译成为翻译活动中的重要的辅助工具。而机器翻译错译、死译频出，给翻译工作带来诸多不便。近年来，“大数据”的出现为机器翻译带来了新希望，其独特的“4V”特点将对机器翻译产生革命性的影响。尤其最近出现的AI同传给翻译行业带来了不小的冲击，本项目希望通过探究大数据在AI同传中的应用，分析AI同传翻译的优点和局限性，推动机器翻译的发展。

智慧校园是大数据时代、人工智能时代发展的产物,蓝鸽AI一体化智慧校园以物联网为基础，充分应用5G/人工智能技术经过一体化的设计