配置表

2.     產品說明

2.1.       AI語音與機器視覺實驗室建設思路

2.1.1.          實驗室建設概況

2.1.1.1.     建設目標

嵌入式人工智能創新應用實驗室，整體規劃與布局如下：
在原專業的基礎上，培養能在人工智能及其應用的各相關領域中從事數據挖掘、深度學習、神經網絡、計算機視覺、機器人學習、語音識別等的人工智能應用型人才。以ARM人工智能創新實驗室作為產業聚集地，承擔規劃設計、建設指導、協調支持等作用；涵蓋基礎教學、算法應用開發、產品原型開發驗證和企業案例應用實訓等四個關聯遞進的場景；形成以人才培養基地、資源中心、培訓中心、資質認證中心、創新創業基地、教學研究中心為目標的6大生態體系，建成工信部緊缺人才實驗中心并獲得工業和信息化領域急需緊缺人才培養工程授牌，為學校建設和社會人工智能人才培養服務，實現產教深度融合。
通過人工智能技術手段，結合學院的人才培養特點，為學院的實踐教學、科技創新、學科競賽及產學研項目等提供平臺支撐。打造能夠服務于人工智能、物聯網等研發產業,為優化升級產業結構和發展提供技術支撐和人才培養教學平臺。

1.2           建設思路

AI趨勢：智能向端遷移，端云結合
?  云：數據挖掘、算法訓練
?  端：推理，產生高質量數據（信息）
?  全面滲透金融、醫療、安防、零售、制造業、以及家庭等全行業，典型應用AIoT。


面對新一輪人工智能浪潮中如何將人工智能教育落實到課程上,嵌入式人工智能創新應用實驗室為學員準備不同層次的訓練，使學員能由簡到繁、由易到難不斷的深化學習。

1.3     建設內容

2.1.2.          課程體系設置

2.1.2.1.   教材名錄

2.1.2.2.   2.2 課程資源

2.1.2.3.     2.3 課程設置

2.2.       AI語音與機器視覺開發應用系統平臺

人工智能語音機器視覺系統是一款集成AI語音、機器視覺、深度學習基礎、嵌入式Linux于一體的高端教學科研實驗平臺。


整個教學平臺由實驗箱高性能嵌入式主板夠成，高性能嵌入式核心板采用高性能64位ARM處理器，標配4GB DDR3內存和16GB閃存，可運行ubuntu、android、linuxqt等多種操作系統，可滿嵌入式linux和AI應用開發。
平臺采用多核高性能 AI 處理器，預裝 Ubuntu Linux 操作系統與 OpenCV 計算機視覺庫，支持 TensorFlow Lite、NCNN、MNN、Paddle-Lite、MACE 等深度學習端側推理框架。
提供多種應用外設與豐富的機器視覺、AI語音、深度學習實戰應用案例，如語音前處理（聲源定位、語音增強、語音降噪、回聲消除、聲音提取）、語音活體檢查、語音喚醒、語音識別、語音合成、自然語言處理、聲紋識別門鎖、語音智能家居、手寫字識別、人臉識別、目標檢測、端側推理框架、圖像識別、人體分析 、文字識別、人臉門禁控制、車牌道閘控制、手勢家居控制等，通過案例教學讓學生掌握計算機視覺與深度學習的基本原理和典型應用開發。

2.2.1.          嵌入式網關核心板

RK3399核心板是一款266-pin金手指形式高性能ARM計算機模塊，它采用了瑞芯微64位六核（包含雙核Cortex-A72 +四核Cortex-A53）Soc RK3399作為主處理器，標配4GB DDR3內存和16GB閃存，板載2×2 MIMO雙天線Wi Fi模組，尺寸只有69.6×50mm，模塊上帶有獨立的Typec供電接口，以及USB-C顯示接口。
       
RK3399計算模塊具有豐富的外設和擴展接口，可以擴展使用雙MIPI寬動態攝像頭，另外它還帶有eDP顯示接口，MIPI顯示接口，1路USB3.0,2路USB2.0，以及12C,12S,SPI,PWM,GF10和串口等各種資源。RK3399可流暢運行Android 8.1,Ubuntu 18.04,Armbian,Buildroot等主流嵌入式操作系統，軟件資源和生態非常豐富，尤其是Android 8.1具有NN SDK神經網絡加速軟件包，Qt-5.10集成了VPU硬件編解碼，GPU圖形加速，可使用QML快速開發流暢的動態式界面，因此RK3399核心板非常適合做高端人臉識別，機器視覺，VR虛擬現實，自動駕駛，深度計算分析等方面的人工智能產品快速原型及產品開發。
硬件參數：

2.2.2.          網關底板其他外設

 
l  11.6寸高清觸顯一體屏：板載，eDP接口,電容式多點觸摸，分辨率1920*1080
l  按鍵：板載重啟、恢復、電源3個功能按鍵，4個用戶自定義按鍵
l  UART：1路RS232，1路RS485
l  以太網：100/1000M
l  音頻：音頻輸出接口、MIC音頻輸入接口、板載4歐3W揚聲器
l  無線網：WiFi (2.4G and 5G, 802.11 ac), Bluetooth 4.1
l  4G模組：板載，板載EC20模組
l  LoRaWAN網關模塊接口：板載mini-pcie接口，可接入SX1301八通道并行LoRaWAN網關模塊。1個項目須至少配備1個LoRaWAN網關模塊，以實現對實驗室所有lora節點的接入管理。
l  Zigbee網關模塊：板載，直列雙排20芯插針接口，非usb接口。
l  BLE網關模塊：板載，直列雙排20芯插針接口，非usb接口。
l  USB 3.0 HOST接口：板載2個
l  Debug接口：板載1個
l  Download接口：板載1個
l  鍵盤：板載7寸80鍵標準鍵盤
l  高清相機模組：CMOS傳感器OV13850，MIPI信號輸出，400萬像素，最高支持2688x1520像素。
l  麥克風陣列：板載7顆數字高性能硅麥克風。
l  紅外接收：板載紅外接收模塊1個
l  震動馬達傳感器：1個
l  LED：板載4顆藍色LED燈珠。
l  天線接口：板載wifi、BLE、lora、LET 共4個天線接口。
l  傳感器擴展接口：板載，與無線傳感器節點的傳感器模塊接口兼容，可完成linux系統下的傳感器驅動開發實驗。
l  OBD接口：板載，標準16針OBD-II插座，與配套軟件結合可完成基于CAN總線通信相關實驗。
l 

2.3.       外設模塊

2.3.1.         

2.3.2.          AI麥克風陣列

l  7路麥克風陣列，提供聲源定位、語音增強、語音降噪、回聲消除、聲音拾取等功能。
l  帶硬件浮點運算的RISC-V 雙核64位處理器，主頻最高800MHz。
l  具備機器聽覺能力和語音識別能力，內置語音處理單元（APU）。
l  具備卷積人工神經網絡硬件加速器KPU,可高性能進行卷積人工神經網絡運算。
l  麥克風陣列模塊集成TFT彩屏屏，能夠直觀顯示音頻頻譜圖。
l  內置ARM STM32 USB音頻驅動芯片，提供USB聲卡驅動，開放源代碼。
l  接口：雙列直插封裝/USB，需能夠接入到eAIOT平臺使用。
l  支持語音識別、語義理解、語音合成、人機對話等功能，可與硬件進行語音交互。
l  5米監測范圍、基于linux系統。

2.3.3.          AI攝像頭

l  1/1.8" SONY Exmor CMOS
l  有效像素200萬像素，30幀@1920*1080
l  C/CS鏡頭接口，最低照度0.001 Lux，120dB TWDR
l  支持協議：PROFILE S，GB/T28181，FTP/RTSP.UPNP等
l  支持雙碼流、手機監控、心跳機制，具3D降噪、去霧、數字寬動態、鏡頭校正、走廊監控等智能模式
l  提供基于eAIOT教學平臺的人臉識別系統案例。

2.4.       物聯網應用基礎云平臺

1、功能簡介
1）學生能夠將物聯網感知層設備（傳感器、執行器等）接入物聯網云服務平臺，平臺能夠接收并存儲傳感器和執行器的實時數據，模塊在線狀態，并實時顯示。
2）提供后臺管理系統，能夠設置賬號類型和使用權限。支持多用戶管理及權限控制，分為父用戶和子用戶，父用戶可以創建多個子用戶，并且可以為每個子用戶分配增、刪、改幾種權限，子用戶創建的資源相互隔離。
3）提供物聯網規則編輯器，無需編寫代碼即可編輯復雜的自動化控制策略，實現移動互聯網系統的自動化控制。
4）提供豐富的可視化控件庫，通過拖拽、簡便配置即可完成美觀的UI設計。支持GIS地圖、曲線圖、柱狀、餅圖、圖表、按鈕、儀表圖等控件。
5）物聯網感知層設備也能夠向執行器發送控制命令，系統能夠實現模塊的在線監測。
6）云平臺支持物聯網硬件多協議接入，通過ZigBee/BLE/wifi/lora/NBIOT無線技術取得傳感器采集的數據，形成一個完整的無線傳感器網絡。
7）數據通過http/MQTT協議傳輸至物聯網應用基礎云平臺軟件，進行數據圖形化展示。
8）實現基于云平臺的智能家居實驗，并包含配套完整的教學資源。
9）支持本地化部署和云端部署兩種方式。
10）提供“物聯網應用基礎云平臺”軟件著作權登記證書及軟件產品登記測試報告復印件并加蓋公章，原件備查。

 

 

3.     部分實驗案例

3.1.1.          嵌入式linuxQT綜合實驗

3.1.2.          手寫字識別

學習設計一個神經網絡模型，然后用已經標注過的MNIST數據來訓練這個模型，然后進行測試驗證。

圖：手寫字識別案例

3.1.3.          人臉識別

通過OpenCV自帶的分類器、OpenCV的深度學習分類器是基于SSD(Single Shot  Detector)框架的ResNet網絡，實現在圖片、視頻中對人臉的檢測，并用矩形框框出來。
學校可用于身份識別、課堂/上下班考勤、會議簽到、刷臉支付、門禁通行、安防監控相關場景。

圖： 人臉識別案例

3.1.4.          目標檢測

  利用深度學習框架caffe，實現對常見物體的檢測。

圖：目標檢測案例

3.1.5.          人體姿態識別

使用邊緣側推理框架Tengine檢測圖像中的所有人體并返回每個人體的矩形框位置，精準定位 21 個核心關鍵點，包含五官、四肢、脖頸等部位，更多關鍵點持續擴展中；支持多人檢測、人體位置重疊、遮擋、背面、側面、中低空俯拍、大動作等復雜場景。

圖：人體姿態識別案例

3.1.6.          手勢識別

利用深度學習框架caffe，實現對簡單手勢的識別。

圖：手勢檢測和識別系統案例

3.1.7.          車牌識別

使用opencv 的 HAAR Cascade 檢測車牌大致位置，使用卷積神經網絡回歸車牌左右，然后使用卷積神經網絡滑動窗切割字符、及識別字符。

圖：交通門禁車牌檢測和識別系統案例

3.1.8.          人臉門禁

采用 mtcnn 進行人臉檢測，采用MobileFaceNet 進行人臉識別，然后用活體檢測算法進行檢測。

圖：人臉門禁檢測和識別系統案例

3.1.9.          聲紋鎖實驗

通過語音增強、語音質量檢測、語音增強、有效語音提取、聲紋特征提取等步驟，完成聲紋注冊及聲紋驗證。

圖：聲紋電子鎖系統案例

3.1.10.      AI語音控制智能家居

本系統實現語音數據高速傳輸，基于百度語音識別 API 完成語音識別，并用無線方式控制電燈，電風扇，以及獲取溫度和濕度。

圖：語音控制智能家居系統案例

3.1.11.      知識圖譜和聊天機器人

知識圖譜融合了兩千五百多萬的實體，擁有億級別的實體屬性關系，機器人采用了基于知識圖譜的語義感知與理解，致力于最強認知大腦。自然語言處理工具包的功能有：中文分詞、詞性標注、命名實體識別、關鍵詞提取、文本摘要、新詞發現、情感分析等。

圖：知識圖譜和文本聊天機器人系統案例

4.     招標參數