|
边缘智能应用实验平台
一、 基础功能：
1. 实验平台为一体化教学实验平台，是以认知教学、技术教学、应用教学来展开学生多维度能力层次培养的教学解决方案。满足人工智能认知、基础应用开发等课程的实验教学。
2. 实验平台基于边缘计算框架设计，须具有单独AI计算加速能力，支持多sensor输入，具有POE受电的千兆网络。集成丰富的硬件接口，包括蓝牙/WIFI、4G、5G、PCIE、扩展GPIO等接口，且须内置多种算法API（目标检测、人脸识别、人脸属性分析、车牌识别等）。
二、 平台硬件资源
1． 边缘计算终端：
1） 处理器内核：处理器不少于五核，至少包含不低于双核Cortex-A72和三核Cortex-A53。（提供图片盖章佐证）
2） GPU处理器不少于双核；
3） NPU:须支持8bit/16bit运算，须支持TensorFlow、Pytorch模型，运算性能不低于3.0TOPs；
4） 终端搭载内存≥4GB DDR4,存储≥32GB EMMC5.1。
5） 终端搭载Emmc5.1存储器，容量不低于32GB。
6） 有线通信：千兆以太网口，须支持POE受电；
7） 无线通信:需支持蓝牙及双频WiFi。蓝牙需要支持 5.0，支持 class1，class2和class3功率级传输，调制方式: GFSK，π/4-DQPSK,8DPSK;WiFi需满足IEEE802.11 a/b/g/n/ac 2x2 MIMO；
8） 须支持M.2接口的无线4G/5G模块扩展；（提供图片盖章佐证）
9） 串行接口：须支持RS232/RS485；（提供图片盖章佐证）
10） USB口：不少于2个USB 3.0 HOST的TYPE-A接口；（提供图片盖章佐证）；
11） 板载扩展：须可接1*I2S、2*I2C、ADC1_CHO、ADC1_CH1，3路电源（5V\3.3V）（提供图片盖章佐证）
12） 视频编解码：须支持4K VP9 and 4K 10bits H265/H264 视频解码，高达60fps；1080P 多格式视频解码 (WMV, MPEG-1/2/4, VP8)，支持6路1080P@30fps解码；1080P 视频编码，支持H.264，VP8格式，须支持2路1080P@30fps编码；视频后期处理器：反交错、去噪、边缘/细节/色彩优化。
13） 智能视频处理：须支持实时图像缩放、裁剪、格式转换、旋转等功能；
14） 视频接口输出: 1路HDMI2.0(Type-A)接口，须支持4K/60fps输出；1路MIPI接口，须支持1920*1080@60fps输出；
15） 音频接口：不少于1路HDMI音频输出；不少于1路Speaker，喇叭输出；不少于1路耳麦，用于音频输入输出；不少于1路麦克风，板载音频输入；
2． 高清摄像头模块：
1) 模块须搭载不低于800万像素工业级无畸变摄像头。
2) 支持自动曝光控制AEC。
3) 支持自动增益控制AGC。
4) 支持自动白平衡。
5) 支持自动对焦功能。
3． 麦克风阵列
1) Sensor数量≥6；
2) 输入电压不大于12V；
3) 音频输入 1*2pin；
4) 音频输出 1*USB 兼容烧写和通信口；
5) 工作电压不大于3.3V；
6) 支持串口通信。
4． 指纹采集模块
1) 模块图像大小256*288pixel。
2) 对比速度不高于6ms。
3) 图像处理时间（s）<0.4(S)。
4) 上电延时（s）<0.1(S)。
5) 搜索时间（s）<0.3(S)。
6) 拒真率<1%。
7) 认假率<0.001%。
8) 指纹存容量不少于300枚。
5． 人体测温模块
1) 工作电压支持3V~5V；
2) 环境温度支持10~40°C；
3) 分辨率：0.1°C
4) 最大允许误差:
35.0°℃~43.0℃范围以内，±0.2℃
32.0°℃~43.0°℃范围以内，0.3℃"
6． 执行器模块
a) 红、蓝、绿灯各1个。
b) 风扇1个。
7． 图像识别实验模块
1) 模块须配备不低于2个人偶模型。
2) 模块须配备不低于3种动物种类模型，至少包括猫、奶牛、狗动物。
3) 模块须配备不低于2种水果模型，至少包括苹果和香蕉。
4) 模块须配备不低于2种交通工具模型，至少包括汽车和摩托车。
8． 实验器材收纳模块
模块须配置具有防震、防摔、收纳功能的收纳箱，支持IP67防水防尘，支持耐温最低到-10℃最高到80℃。
三、 平台软件资源：
1、 操作系统：
1) 边缘计算终端须支持linux嵌入式操作系统，满足嵌入式操作系统教学。
2) 边缘计算终端须内置Python3.0以上板本的运行环境，满足Python 的AI教学。
3) 边缘计算终端须内置QT、PYQT5的运行环境，满足AI的可视化教学。
4) 边缘计算终端须内置语音唤醒、语音识别、语音合成、语音播报的离线SDK，满足AI的语音技术应用教学。
5) 边缘计算终端内置的AI算法至少包括目标检测、人脸识别、车牌识别、人脸多属性分析、人体骨骼关键点检测，满足AI的基础应用与开发教学。（提供功能截图盖章佐证）
6) 边缘计算终端须内置人脸多属性分析算法，具有不少于2个维度的分析结果，比如（表情、是否佩戴眼镜、是否佩戴口罩、年龄、性别）；（提供功能截图盖章佐证）
7) 边缘计算终端须内置人体骨骼关键点检测算法，具有不少于16个关键点的检测。（提供功能截图盖章佐证）
2、 端侧应用软件：
1) 应用软件具有不少于5个内置AI算法应用，程序界面应包括摄像头调用、图像采集、算法调用、结果呈现等功能与代码对照教学演示，可展开关键技术分解教学。在认知和关键步骤上进行实际操作，满足AI的通识教学（提供功能截图盖章佐证）。展开的内置AI算法应用至少包括物品分类识别、物品目标检测、人脸识别、车牌识别和人脸属性识别。
2) 应用系统应不少于3个人工智能综合项目案例，满足AI行业应用实验教学。
3、算法模型训练工具：
供可视化模型训练工具，支持学生零代码构建高精度模型,支持检测预训练模型，载入标注后的数据后，工具提供“数据预处理”、“数据生产”、“训练参数配置”、“模型训练”和“模型验证”功能（提供功能截图盖章佐证）。训练好的模型无需交叉编译可直接部署到边缘计算终端进行端侧推理验证。
4、虚拟仿真实训软件：
虚拟仿真实训软件是一款功能强大的三维物理仿真平台，具备强大的物理引擎、高质量的图形渲染、方便的编程与图形接口。
1）动力学仿真：支持多种高性能的物理引擎，例如ODE、Bullet、SimBody、DART等。
2）三维可视化环境：支持显示逼真的三维环境，包括光线、纹理、影子。
3）传感器仿真：支持传感器数据的仿真，同时可以仿真传感器噪声。
4）可扩展插件：支持用户可以定制化开发插件，扩展系统功能，满足个性化的需求。
5）多种机器人模型：内置不少于三款机器人模型，包含智能移动机器人、智能搬运机器人、智能复合巡检机器人等多种机器人模型（提供图片盖章佐证）。
6）终端工具：支持用户可以使用命令行工具在终端实现仿真控制。
7）具备虚拟仿真实验功能，通过软件可以运行巡线驾驶、倒车入库、交通标识识别、障碍物识别等虚拟仿真实验案例。（提供功能截图盖章佐证）。
8）虚拟仿真实训系统支持开展ROS相关实验，如定位与地图构建、路径规划与导航、机器人运动规划与控制等。
四、 平台资源
平台须配套不少于两门的课程资源，至少包含《嵌入式人工智能技术应用》、《边缘智能计算应用》两门课程。
1、《嵌入式人工智能技术应用》
教学资源须配套《嵌入式人工智能技术应用》课程实训指导手册、教学PPT、教学视频、案例源码及数据集等内容。
1）需满足不低于64课时教学。
2）符合项目式教学模式，每个项目围绕某一领域工作任务或知识点开展，每个项目中包含2-4个实操任务，每个实操任务满足约2个课时的实操教学。
3）提供不低于16份实训指导手册，每份实训指导手册匹配一项实操任务，若该实操任务采用JupyterNotebook方式开展，该实训指导手册可以.ipynb格式文件提供，若不是，可以word或pdf格式文件提供。
4）提供不低于16份教学视频，对实操任务的教学过程进行讲解，讲解过程清晰，涵盖实操任务完整过程。
5）提供不低于16份教学PPT。根据教学内容配套，教学课件内容须贴合实际教学。
6）提供相关案例源码及数据集文件。
7）教学资源内容须涵盖但不限于以下内容：
使用OpenCV实现人脸检测、使用计算机视觉算法实现图像识别、利用串口实现边缘硬件控制、基于人脸检测算法实现家用设备的控制、基于计算机视觉技术实现稻麦监测系统、基于语音识别实现智能家居控制、基于人脸属性检测的疫情防控应用开发。
2、《边缘智能计算应用》
教学资源须配套《边缘智能计算应用》课程实训指导手册、教学PPT、教学视频、案例源码及数据集等内容。
1) 需满足不低于64课时教学。
2) 符合项目式教学模式，每个项目围绕某一领域工作任务或知识点开展，每个项目中包含2-4个实操任务，每个实操任务满足约2个课时的实操教学。
3) 提供不低于14份实训指导手册，每份实训指导手册匹配一项实操任务，若该实操任务采用JupyterNotebook方式开展，该实训指导手册可以.ipynb格式文件提供，若不是，可以word或pdf格式文件提供。
4) 提供不低于14份教学视频，对实操任务的教学过程进行讲解，讲解过程清晰，涵盖实操任务完整过程。
5) 提供不低于14份教学PPT。根据教学内容配套，教学课件内容须贴合实际教学。
6) 提供相关案例源码及数据集文件。
7) 教学资源内容须涵盖但不限于以下内容：
a.边缘计算开发板基础应用：开发板介绍及应用案例体验、基于OpenCV的USB摄像头的使用。
b.边缘计算算法SDK应用：目标检测算法接口应用、人脸识别算法接口应用、人体关键点算法接口应用、车牌识别算法接口应用。
c.基于TensorFlow的图像上色模型部署：基于TensorFlow的图像彩色化、TensorFlow模型转RKNN模型并进行预测。
d.基于Pytorch目标检测模型部署：基于Pytorch的YOLOv5模型训练及转换、ONNX模型文件转RKNN模型文件、基于YOLOv5的实时检测模型部署。
e.基于TFLite的手掌检测模型部署：基于Mediapipe的手势识别模型转换、基于RKNN模型的手掌检测、边缘端手掌检测应用的部署和运行。
|
