|
搜索
搜 索
高等教育领域数字化综合服务平台
一种基于呼出气VOC的新型冠状病毒感染（COVID-19）的快速筛查方法
快速诊断COVID-19是控制大流行的关键。本项目通过对新冠患者、健康人、医护人员、上呼吸道感染（非新冠）的呼出气中挥发性有机物进行了筛查。通过数据分析，发现新冠患者呼出气中存在有别于健康人和其他患者的特征性有机化合物（VOC）生物标志物。呼出气的采集只需1-2分钟内完成，一次性耗材，无交叉污染。通过GC-IMS、PTR-MS或其它定制的VOC传感器可以快速实现对患者的新冠筛查，全程无需任何生物检测试剂，专业技术要求低，简单无创、费用低廉，初步数据显示相对于核酸检测该方法的灵敏度和特异性均能达到90%。
北京大学
2021-02-01
振动筛
临沂恒泰机械制造有限公司
2021-08-26
滚筒回转筛
山东欧迈机械股份有限公司
2021-08-26
精彩预告② | AI工具如何助力教育？第62届高博会将集中呈现AI教育工具
第62届高博会将于11月15-17日在重庆国际博览中心举办，主题为“职普融通·产教融合·科教融汇”。将设立6个企业展区和4个特色专区，举办50余场学术活动和8场特色活动，预计将吸引来自全国各地的1500余所高校的学科专业负责人、实验室专家、实训指导老师及高校教师参与。
中国高等教育博览会
2024-10-16
卧式滚筒型电动土筛及筛土方法
本发明公开了一种卧式滚筒型电动土筛及筛土方法。电动土筛，包括分离装置，筛网，筛网固定盘和电机；筛网固定盘固定于电机上，并由电机驱动旋转；筛网呈圆筒状，且一个端面未封闭并可拆卸式固定于筛网固定盘上；筛网外侧嵌套有一端未封闭的圆筒状筛网套；分离装置由圆筒和下部梯形承载组成，圆筒一端未封闭，另一端铰接有圆筒门；圆筒内两侧有两个斜坡，斜坡底部设置可拆卸式的集土槽，用于收集由于重力下落的土壤；圆筒未封闭的一端可拆卸式密闭固定于电机上，筛网设置于圆筒内部。与现有技术中的平面筛网相比，卧式滚筒型电动土筛能使土壤颗粒不断地滚动至新的筛网区域，从而有效地避免土壤颗粒的堵塞。
浙江大学
2021-04-13
AI 中台
AI中台院致力于利用AI技术驱动教育变革，携手全球高水准人工智能科学家及教育领域顶尖人才，专注在计算机视觉、智能语音、自然语言处理和数据挖掘等前沿技术在教育行业的应用及创新。 基于好未来海量教育数据及优质的师资资源，AI中台不断取得前沿核心技术研发突破，并在语音技术、视觉理解、知识图谱等AI能力持续积累的基础上，实现多项技术的产品化应用，打造了包括AI课堂、教学过程评估、口语表达能力评测、作业拍搜批改等创新产品解决方案，覆盖“教、学、测、练、评”各教学环节。
北京世纪好未来教育科技有限公司
2021-02-01
斑马AI课
斑马AI课，是专为2-8岁孩子提供多学科在线学习的智能教育平台，由猿辅导在线教育出品，腾讯投资。现拥有英语、数学思维、语文等多个学科AI课程产品。课程通过趣味AI课+专业老师同步辅导的全新教学模式，个性化规划学习路径，全面提升学习效率，助力孩子的全面发展。
北京猿力教育科技有限公司
2021-02-01
AI语文空间
以名师资源为支撑，提供语文学科特色教师培养、个性化学习、作文智能评阅等特色功能模块，是覆盖小、初、高三个学段全版本教材语文的智能解决方案。
百度在线网络技术(北京)有限公司
2021-02-01
AI行为分析
一、产品概述
文香行为分析系统支持人工智能技术，实时洞察教学场景变化，通过智能行为分析盒可以自动抓拍并分析教师和学生的行为活动，并自动生成报告，例如：举手人数、低头人数、情绪占比率统计分析等，对课堂教师和学生行为进行分析，了解学生对学习的状态。通过人工智能及大数据个性化精准分析，从单一到多元，从封闭到开放，助力学校个性化教学的发展。对学校基础信息管理和学生行为相关数据进行收集，并将采集到的数据进行数字化存储，为智慧学校建设提供重要资源。
二、产品特点
课表一键导入
课表一键导入
多种可视化图表
智能统计分析
三、智能行为分析盒
无嗓音：采用嵌入式ARM架构，无风扇设计，使用时无噪音
支持本地输出：HDMI支持本地输出查看分析画面，画面中标注实时分析结果
网络视频流接入：支持不小于2路网络视 频流接入，实现教师、学生行为实时分析
标准接口对接：采用1路千兆网口，支持标 准的HTTP接口，与学校信息化系统对接
适应大场景分析：支持云台巡视功能，可 在行为分析盒配置巡视，适应大场景分析
安全供电：为保证产品使用安全，行为分 析盒采用12V安全供电
北京文香信息技术有限公司
2022-09-13
锂电池管理系统AI算法研究
本项目聚焦于锂电池管理系统在智能化监测与预测中的关键痛点，尤其拟面向电池容量衰减预测、SOC/SOH估计不准、电池剩余时间不准确、MAP/SOP估算等方面。通过引入人工智能算法，构建融合机器学习与深度学习的电池状态预测模型，拟实现高精度SOC（荷电状态）与SOH（健康状态）估计的优化，提升电池管理系统的智能水平与安全性。
解决方案方面，项目基于实地检测磷酸铁锂电池充放电数据构建训练集，采用轻量级线性回归模型及改进型人工神经网络进行建模优化，并结合特征工程技术提高预测精度。同时，设计适用于边缘计算的部署方案，使模型可在BMS嵌入式硬件平台实时运行，降低对计算资源的依赖。
在竞争优势方面，项目成果具备算法轻量化、部署便捷、预测准确度高、兼容性强等特点，特别适用于电力储能、电动汽车等对安全性和可靠性要求高的场景。相比传统BMS方案，该AI算法可显著提升电池使用效率与寿命，精准估算SOC/SOH，降低维护成本。
目前项目成果已在合作企业内部储能设备中开展应用测试，初步反馈表明荷电状态预测准确度提升40%左右，电池健康度准确度提升40%左右，系统响应及时，具备较高实用性和推广价值。专家评审一致认为，该项目在智能电池管理系统方向具有较强的创新性和实际应用前景。
西南大学
2025-05-12