广东邮电职业技术学院2022年人工智能应用实训室建设项目（0809-2240GDC32194）采购更正公告（第一次）

人工智能教学平台

一、教学管理模块

(一)、基础模块：

1、采用B/S架构，即浏览器/服务器架构。

2、支持用户角色和权限区分。分为管理员、教师、助教和学生共四种角色。不同角色提供不同的权限。

3、支持管理 (略) 有课程、题库、实训数据。

4、支持管理 (略) 有专业、班级、用户。

5、支持教师创建学生账户。

6、支持教师自主创建课程，添加课程资源，添加学生为课程成员。

7、支持教师布置作业和考试，统一管理成绩。

8、支持学生参加课程学习，参与实训，提交报告，查看成绩。

(二)、平台首页：

1、支持播放轮播图。

2、支持对课程分类展现，每类默认展现固定数量。

3、 (略) 课程。

(三)、 (略) ：

1、▲提供“学情概览”模块，学生可查看个人学情，至少包含：学习活跃度，教师可查看整体学生的学习情况，至少包含班级学习活跃度、作业概览、考试概览。（提供此功能截图加盖供应商公章）

2、支持创建课程，课程设置和信息包括：课程名称、课程类别、显示设置等；支持自定义课程简介，上传视频、PPT、实训指导书等。

3、▲支持分组实训，通过分配课程成员组成多个学习小组，不同的小组可以在jupyterhub实训环境中使用“小组共享空间”，快速分享实训文件进行组内协作。（提供此功能截图加盖供应商公章）

4、▲支持设置课程为模板，支持基于原有课程快速创建新课，一键复制模板中的课程介绍、教学资源、实训训练、实训作业、课程考试、学习交流和扩展资源模块内容。（提供此功能截图加盖供应商公章）

5、支持在线查看PPT、视频、实训指导书、数据、代码；支持学生在讨论区和聊天室中交流讨论问题。

6、▲支持报告式作业。报告式作业支持2种提交方式：学生个人提交和小组组长提交，在课程成员中分配学习小组后，可由组长代表组员提交作业。支持作业报告模板设置，教师设置报告需要收集的学生个人系统信息，包括姓名、学号、专业、班级等，教师也可根据教学需求配置需要收集的报告信息， (略) 、 (略) 等；报告正文可设置学生编辑权限，支持设置学生不可编辑区域内容，学生无法进行编辑修改。（提供此功能截图加盖供应商公章）

7、▲支持编程式作业。支持教师设置Python或Java语言编程题目，系统自动评判代码输出结果。编程式作业的题目支持同步至“题库管理”模块中，创建新作业时，支持选择题库中的编程题。（提供此功能截图加盖供应商公章）

8、支持添加课程测验或考试，为考试添加新试题或从题库中批量选择填空、问答等试题，支持学生在线考试，系统对客观题实现自动评分。

9、支持统一管理课程考试，批阅学生提交的答卷，并查看考试分析报表，支持以csv、xlsx等格式下载学生成绩表。

10、 (略) 有教学资源设置访问权限，指定资源对学生进行隐藏，隐藏后学生无法查看。

11、支持按照班别对学生选课，灵活设置课程角色为助教或学生、设置学习时长限制等。

12、支持统一 (略) 有作业、测验、考试的成绩。

13、▲支持统一管理实训作业报告，对实训报告进行创建、批阅、编辑、下载、删除等批量操作；支持以压缩包形式下载多份作业，按作业类型不同，自动转为docx或xlsx格式文件。（提供此功能截图加盖供应商公章）

14、▲支持课程备份，以列表方 (略) 有课程，显示信息包括课程名称、创建时间、授课教师。对课程进行全选，批量备份课程；课程还原，以列 (略) 有课程备份文件，显示信息包括文件名、时间、大小。对备份文件进行全选，批量删除备份文件。（提供此功能截图加盖供应商公章）

15、支持课程类别及课程管理，支持课程增删改查及批量排序操作，支持隐藏课程，隐藏后学生无课程访问权限。

(四)、 (略)

1、 提供“视频库”、“课件库”、“实训库”和“工具库”模块，支持存储和共享课程相关资源，资源包含：视频、课件、实训指导书和不限制任何格式的工具文件。共享个人资源，其他用户均可复制已公开的资源到个人的资源库中。

2、 ▲课程中上传的资源支持自动同步至个人资源库中。其中，课程“教学资源”中的视频同步至视频库；课程“教学资源”中的课件同步至课件库；课程“实训训练”中的实训指导书同步至实训库；课程“扩展资源”中的文件同步至工具库。（提供此功能截图加盖供应商公章）

3、 支持在课程中直接使用资源库中已有的资源，无须重复上传。

4、 ▲提供“数据集”模块，包含公共数据、我的数据和标签管理。支持上传、编辑、复制、查看、下载数据集，设置数据集的标签、有效期、公开状态、封面、简介等。（提供此功能截图加盖供应商公章）

5、 提供“试题库”模块。支持根据对每个课程进行题库管理，可对课程创建、导入、导出、预览题目，并查看每门课程的题库信息。题库中的题库可应用于课程考试和编程式作业。

(五)、 (略) ：

1、支持用户管理功能， (略) 有用户信息，包括用户名、姓名、学号、班级、角色。支持对用户设置启用/禁用，编辑用户资料，批量选课，重置密码，删除等操作。

2、支持创建用户，创建方式至少包含单个创建、批量创建、批量导入；批量导入支持通过xlsx文件方式上传用户信息至平台，导入文件只需填写用户名、密码、角色、姓名、学号、专业和班级即可。支持导入模板下载。

3、提供“班级管理”模块，支持创建专业，创建班级，管理班级，班级批量选课等。

(六)、平台管理：

1、提供信息设置功能，可自定义系统信息和轮播图，系统信息包含平台名称、平台logo。

2、提供用户设置功能，定义平台角色，自定义各角色的权限，对用户进行角色分配。

3、提供课程基础设置、备份设置、恢复设置功能。

4、提供日志管理功能，支持查看平台的操作日志，可通过用户姓名、日期、课程操作方式等进行筛选详细日志。

(七)、技术资质：

▲须提供本软件的第三方检测报告。

二、编程实训模块

1、 (略) 署方案， (略) 署Python环境，并与教学管理平台集成。

2、基于B/S架构，通过浏览器访问平台。

3、实训工具包含：Numpy、Pandas、Scikit-Learn、OpenCV-Python。

4、支持Markdown文本，代码与解释说明文字同屏排版，方便教师教学及学生笔记。

5、 (略) 理多种数据格式，并进行可视化输出或Markdown输出。

6、支持LaTeX公式在线编辑。

7、支持代码文件导出成HTML、Markdown 、PDF等多种格式文档。

8、支持对此平台关联实训指导书与作业。

9、支持实训指导书与Python实训环境同屏显示。左侧显示实训指导书与实训作业，右侧显示实训环境。

10、支持实训指导书全屏查看，实训环境全屏操作。

11、▲支持在进入实训环境前，通过实训设置界面，设置关联数据集，将实训环境与上传至教学管理平台的实验数据进行关联，在实训环境中即可直接调取实验数据。（提供此功能截图加盖供应商公章）

三、项目实践模块

(一)、基础模块：

1、系统采用B/S架构，客户端零维护，仅需支持Chrome内核的浏览器即可访问。

2、平台框架使用JAVA语言开发，基于Spring Cloud构建，提供稳定可靠的服务调用、服务治理、服务降级能力。使用Nacos对服务进行管理，快速实现动态服务发现、服务配置及服务注册。

3、支持用户权限区分，默认系统管理员权限、普通用户权限，可自定义权限。

4、支持Python计算引擎，支持使用Python进行算法开发。

5、支持主流的关系型数据库，支持文本、图像、音频、视频等非结构化文件的导入，能够快速实现异构数据源之间的数据同步问题。

6、组件通过拖拽的方式使用，无需编程即可实现数据挖掘流程。

7、支持挖掘流程每个节点结果在线预览，流程数据可视化。

8、▲支持在线查看算法组件源代码；支持在线修改算法组件源代码。（提供此功能截图加盖供应商公章）

9、提供稳定可靠的定时调度系统，设置定时任务指定时间段执行任务。

10、提供标签管理功能。

11、▲支持算法组件调用GPU资源进行任务计算，在有GPU节点情况下，深度学习组件可选GPU资源运算。（提供此功能截图加盖供应商公章）

(二)、算法单元：

至少提供11大类共52种算法，其中统计分析7种、 (略) 理12种、脚本类组件1种、分类算法6种、聚类算法3种、回归算法4种、时间序列算法1种、关联规则2种、文本挖掘9种、深度学习2种、画图5种。分别为：

1、统计分析至少包括：全表统计、正态性检验、相关性分析、卡方检验、主成分分析、纯随机性检验和平稳性检验。

2、 (略) 理至少包括：数据标准化、 (略) 理、表堆叠、数据筛选、特征构造、数据集划分、主键合并、排序、频数统计、记录去重、新增序列和分组聚合。

3、脚本类组件至少包括：Python脚本。

4、分类算法至少包括：朴素贝叶斯、支持向量机、CART分类树、逻辑回归、多层感知神经网络和最近邻分类。

5、聚类算法至少包括：层次聚类、DBSCAN密度聚类和K-均值聚类。

6、回归算法至少包括：CART回归树、线性回归、支持向量回归和最近邻回归。

7、时间序列算法至少包括：ARIMA模型。

8、关联规则算法至少包括：Apriori关联规则和FP-Growth关联规则。

9、文本挖掘算法至少包括：HanLP分词与词性、结巴分词与词性标注、TextRank、word2vce、doc2vec、TF-IDF、过滤停用词、正则匹配、LDA。

10、深度学习算法至少包括：卷积神经网络和循环神经网络。

11、画图算法至少包括：柱状图、折线图、散点图、饼图、词云图。

(三)、接口扩展模块：

1、接口模块基于标准RESTful设计，用户可以方便、快捷的通过浏览器在线浏览、测试各个接口。

2、数据集接口：提供新增数据集和删除数据集的接口调用标准。

3、标签管理接口：提供添加、过滤、删除标签的接口调用标准。

4、连接管理接口：提供新建、更新、查找、测试、删除连接的接口调用标准。

(四)、教学资源：

1、▲至少提供10个教学案例，配套实训指导书。包含但不限于：

1.1 航空公司客户价值分析。

1.2 中医证型关联规则。

1.3 市财政收入分析预测。

1.4 应用系统负载分析与磁盘容量预测。

1.5 信用卡高风险客户识别。

1.6 RFM在线零售客户分群。

1.7 气 (略) 缺陷关联分析。

1.8 金融服务机构资金流量预测。

1.9 家用热水器用户行为分析。

1.10 商品评论情感分析。

（提供以上案例的工程截图，加盖供应商公章）

(五)、技术资质：

1、▲须提供本软件的第三方检测报告，并加盖供应商公章。

人工智能教学平台

人工智能教学平台可支撑人工智能技术应用及相关专业相关课程的实践教学，平台需提供系统管理员模块、数据分析模块、教师模块和学生模块统一入口。

1、▲系统管理员模块可对平台内资源进行集中化管理和监控。

2、▲数据分析模块可查看全平台的教学教务数据，包括课时及课程数据，教学任务发布、提交和批阅数据，理论课堂数据，实践课堂数据，备课数据，学生成绩数据等。

3、▲教师模块可供教师开展在线授课、实验教学，对学生实验情况进行评阅，查看班级学习情况、课程教学成果。

4、▲学生模块可供学生远程在线学习课程并进行实验上机。

人工智能课程资源库

课程资源库提供如下课程内容： (略) 理、机器学习、深度学习、计算机视觉、机器视觉、人工智能应用实战案例等，共计12门课程资源，13套案例资源。

1、【课程】《Python编程基础》

通过学习本课程，可掌握Python开发环境的搭建、Python基础入门、函数、面向对象编程、实用文件模块等知识点，并为后续相关课程学习及将来从事数据挖掘、数据挖掘开发和科研业务奠定基础。

课程以任务式为导向，全面介绍了Python编程基础及其知识的应用，讲解了如何利用Python (略) 分实际问题。首先介绍学习Python的准备工作，包括Python的由来与发展、Python环境搭建、编辑器介绍与安装等。然后介绍Python的基础语法、数据类型与结构、程序控制流、函数和Python面向对象编程等内容。最后讲解文件基础和第三方模块的使用。

1.课时设置：

理论教学不少于24学时，实践教学不少于24学时，总计不少于48学时。

▲2.课程资源：

不少于41个课程视频、8份课程PPT、38份实训指导书、17份代码、1份数据。（提供此资源截图加盖供应商公章）

3.课程实验清单：

包括但不限于Python环境搭建；使用PyCharm创建一个应声虫程序；输入输出；创建字符串变量并提取里面的数值；计算圆形的各参数；对用户星座进行分析；通过表达式计算给定的三个数值均值、方差、标准差；创建一个列表（list）并进行增删改查操作；转换一个列表为元组（tuple）并进行取值操作；创建一个字典（dict）并进行增删改查操作；将两个列表转换为集合（set）并进行集合运算；计算出斐波那契数列前两项给定长度的数列，并删除重复项和追加数列各项之和为新项；用户自定义查询菜单，输出查询结果；简单的好友通讯录管理程序；对两个给定的数进行最大公约数、最小公倍数的分析；实现考试成绩划分；实现一组数的连加与连乘；使用冒泡排序法排序；输出数字金字塔；猜数字游戏；统计字符串内元素类型的个数；自定义函数实现方差输出；使用匿名函数添加列表元素；存储并导入函数模块；构建一个计算列表中位数的函数；使用lambda表达式实现对列表中的数求平方；创建Car类；创建Car对象；迭代Car对象；产生Land_Rover对象（子类）；在精灵宝可梦游戏创建小火龙角色，对给出的各属性进行迭代和私有化；对小火龙游戏角色采用继承的方式；对txt文件进行读写；对csv文件进行读写；os模块；shutil模块；计算iris数据集的均值；编程实现文件 (略) 径的查找。

2、【课程】《人工智能数学基础》

通过学习本课程，可掌握在大数据的研 (略) 需要的数学基础， (略) 理、数据挖掘、判别分析等过程中，数学方法扮演着至关重要的角色,并为后续相关课程学习以及通过理论结合实践的方式，运用相关数学知识解决一些实际问题奠定基础。

课程以任务式为导向，全面介绍了人工智能数学及其知识的应用，讲解了如何利用大数据数 (略) 分实际问题。首先介绍学习《人工智能数学基础》的微积分基础、概率论与数理统计基础、线性代数基础、数值计算基础最后讲解多元统计分析，课程致力于大数据分析技术的基础数学知识传播。

1.课时设置：

理论教学不少于38学时，实践教学不少于26学时，总计不少于64学时。

▲2.课程资源：

不少于37个课程视频、8份课程PPT、21份实训指导书、21份代码、8份数据。（提供此资源截图加盖供应商公章）

3.课程实验清单：

包括但不限于函数与极限；导数；微分；微分中值定理与导数的应用；不定积分与定积分；数据分布特征的描述统计；概率与概率分布；参数估计与假设检验；行列式；矩阵及其运算；矩阵的特征分解与奇异值分解；误差；插值方法；函数逼近与拟合；非线性方程（组）求根；回归分析；判别分析；聚类分析；主成分分析；因子分析；典型相关分析。

3、【课程】《Python机器学习编程与实战》

通过学习本课程，可掌握Python进行科学计算、可视化绘图、 (略) 理，分析与建模、构建聚类、回归、分类模型的主要方法和技能，并为后续相关课程学习及将来从事数据分析挖掘研究、数据分析工作奠定基础。

课程以多个任务为导向，以Python数据分析常用技术和真实案例相结合方式，深入浅出介绍使用Python进行数据分析及应用的重要内容。首先了解数据分析的基本概念和流程，在宏观上理解数据分析能够解决什么问题。接着介绍Python数据分析常用库NumPy、Matplotlib、pandas、scikit-learn的应用，并结合具体的任务讲解操作。

1.课时设置：

理论教学不少于36学时，实践教学不少于28学时，总计不少于64学时。

2.课程资源：

不少于65个课程视频、7份课程PPT、34份实验指导书、6份代码、7份数据。

3.课程实验清单：

包括但不限于掌握NumPy数组对象ndarray；掌握NumPy矩阵与通用函数；利用NumPy进行统计分析；创建数组并进行运算；创建一个国际象棋的棋盘；掌握绘图基础语法与常用参数；分析特征间的关系； (略) 数据分布与分散状况；分析1996~2015年人口数据各个特征的分布与分散状况；分析1996~2015年人口数据特征间的关系；读写不同数据源的数据；掌握DataFrame的常用操作； (略) 理时间序列数据；使用分组聚合进行组内计算；创建透视表与交叉表；读取并查看P2P网络贷款数据主表的基本信息；提取用户信息更新表和登录信息表的时间信息；使用分组聚合方法进一步分析用户信息更新表和登录信息表；对用户信息更新表和登录信息表进行长宽表转换；合并数据；清洗数据；标准化数据；转换数据；插补用户用电量数据缺失值；合并线损，用电 (略) 告警数据；标准化建模专家样本数据；使用sklea (略) 理数据；构建并评价聚类模型；构建并评价分类模型；构建并评价回归模型；使用sk (略) 理wine和wine_quality数据集；构建基于wine数据集的K-Means聚类模型；构建基于wine数据集的分类模型；构建基于wine_quality数据集的回归模型。

4、【课程】《Python机器学习算法实现》

通过学习本课程，可掌握各个算法的应用场景，算法理论基础，编程实现、模型评价体系等，为后续课程的学习及从事数据挖掘的开发和项目业务奠定基础。

课程以任务式为导向，全面介绍了《Python机器学习算法实现》及其知识的应用，是大数据与人工智能Python系列课程的核心课程。首先课程深入讲解了机器学习中的常用算法，内容包括机器学习绪论、模型评估与选择、回归分析、决策树、神经网络、KNN、朴素贝叶斯、聚类分析、支持向量机算法的Python实现，详细阐述了每种算法解决 (略) ，最后介绍了算法的相关任务的具体操作。

1.课时设置：

理论教学不少于36学时，实践教学不少于28学时，总计不少于64学时。

2.课程资源：

不少于49个课程视频、9份课程PPT、15份实验指导书、10份代码、7份数据。（提供此资源截图加盖供应商公章）

3.课程实验清单：

包括但不限于完成波士顿房价预测模型；对研究生是否被录取进行预测；决策树算法自编；用决策树算法构建鸢尾花分类模型；自定义sigmoid激活函数；网络输入到输出；网络权值和阈值更新；网络模型训练；网络模型预测；求距离矩阵；找邻居；归类；自编KNN算法实现鸢尾花分类；对鸢尾花数据进行K-Means聚类；用支持向量机解决鸢尾花分类。

5、【课程】《MySQL数据库基础》

MySQL是最流行的关系型数据库管理系统之一，也是最好的RDBMS(Relational Database Management System，关系数据库管理系统)应用软件之一，是大数据存储必备的工具。《MySQL数据库基础》是大数据技术系列课程的基础课程。课程较为全面地介绍了MySQL相关的大数据技术相关知识，主要包括数据库概述、MySQL安装与配置、MySQL基本命令、MySQL基础等精选内容。涉及的知识点简要精到，实践操作性强，能有效指导学生对MySQL大数据技术的学习理解及应用。

1.课时设置：

理论教学不少于8学时，实践教学不少于8学时，总计不少于16学时。

2.课程资源：

不少于13个课程视频、7份课程PPT、17份实训指导书、6份代码、1份数据。（提供此资源截图加盖供应商公章）

3.课程实验清单：

包括但不限于MySQL 服务的启动及关闭；登 *** MySQL数据库；MySQL 基本命令；mysqladmin命令；MySQL 数据库操作；MySQL 创建表；MySQL 数据表的删除；MySQL 数据的插入与简单查询；MySQL 临时表的创建与删除；MySQL select查询操作；MySQL 表中数据的更新与删除；MySQL where条件查询与运算符使用；MySQL 算术运算符；MySQL 逻辑运算符；MySQL 集函数的使用；MySQL having分组约束的应用；MySQL 子查询。

6、【课程】《TensorFlow2实战》

通过学习本课程，可掌握TensorFlow2常用数据类型和操作、模型构建、高阶API-Keras使用的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

课程首先对TensorFlow进行介绍，然后学习TensorFlow2的常用数据类型和操作，接着学习线性模型的构建，包括初始化模型、构建损失函数、模型训练及可视化等内容，接着学习高阶API-Keras的使用，最后通过《mnist手写数字识别》与《鸢尾花分类》案例巩固前面学习的知识。

1.课时设置：

理论教学不少于16学时，实践教学不少于16学时，总计不少于32学时。

2.课程资源：

不少于11个课程视频、1份课程PPT、3份代码、3份数据。

7、【课程】《TensorFlow2深度学习原理与实现》

通过学习本课程，可掌握构建卷积神经网络CNN、构建循环神经网络RNN、长短时间记忆模型LSTM的主要方法和技能，并为后续相关课程学习及将来从事数据挖掘工作奠定基础。

课程介绍深度学习中常用算法的原理以及编程实现，包含图像识别中常用模型卷积神经网络CNN、 (略) 理常用模型循环神经网络RNN、长短时间记忆模型LSTM。 (略) 以应用为导向， (略) 学知识是如何解决问题的，通过教授 (略) 学知识，使学生真正理解 (略) 学知识。最后结合实训内容巩固前面学习的知识。

1.课时设置：

理论教学不少于16学时，实践教学不少于16学时，总计不少于32学时。

2.课程资源：

不少于13个课程视频、1份课程PPT、2份代码、2份数据。

3.课程实验清单：

包括但不限于CNN实现MNIST手写字体识别；RNN实现MNIST手写字体识别；LSTM实现MNIST手写字体识别。

8、【课程】《深度学习与计算机视觉实战》

通过本课程的学习掌握计算机视觉中图像读写、图像颜色空间、几何变换、图像增强、图像分类、目标检测、图像分割和图像生成知识，利用深度学习框架TensorFlow搭建神经网络，熟悉利用OpenCV、TensorFlow等库完成图像分类、目标检测、图像分割和图像生成任务，提升计算机视觉工程师等相关工作岗位的认知能力。

本课程全面 (略) 理基础及计算机视觉应用，讲解了如何利用Python解决实际计算机视觉问题。首先介绍计算机视觉概述，包括计算机视觉和深度学习知识和应用领域、深度学习框架TensorFl (略) 理的相关Python库OpenCV等介绍。然后通过多个实际生活场景进行知识强化。

1.课时设置：

理论教学不少于32学时，实践教学不少于32学时，总计不少于64学时。

2.课程资源：

至少包括课程视频、课程PPT、实训指导书、代码、数据。

9、【课程】《机器视觉及应用》

通过学习本课程， (略) 理的基本操作和图像识别相关分析挖掘知识，熟悉图像文件格式的转换和图像矩阵的显示方法，掌握图像定位、 (略) 理、数字图像变换、特征提取和图像分割的原理和方法，能够搭建深度学习相关模型进行图像检测，为后续相关课程学习及将来从事数据挖掘、大数据开发、人工智能和科研业务奠定基础。

课程以不同级别的实验要求为导向，以实验为单位，以背景和基础原理作为基础，将理论知识与实践操作融合，通过大数据挖掘建模平台进行实验操作，引导深入学习实验的主要内容。本课程首先介绍图像的基本操作和图像运算，接着介绍图像定位、数字图像变换、图像边缘检测、特征提取和图像分割等 (略) 理方法，逐步递进讲解数字图像相关操作知识。

1.课时设置：

理论教学不少于24学时，实践教学不少于40学时，总计不少于64学时。

2. ▲课程资源：

至少包含29个视频、8份PPT、21份实验指导书、8份数据。（提供此资源截图加盖供应商公章）

3.课程内容：

实验1 图像基本操作与图像运算：

1.1 背景介绍和图像运算原理

1.2 初级平台操作

实验2 使用空域滤波和频域滤波进行图像增强：

2.1 背景介绍和图像增强理论

2.2 初级平台操作

2.3 中级平台操作

实验3 数字图像变换：

3.1 背景介绍和图像变换原理

3.2 初级平台操作

3.3 中级平台操作

3.4 高级平台操作

实验4 数字图像边缘检测与特征提取：

4.1 背景介绍和边缘检测与特征提取原理

4.2 初级平台操作

4.3 中级平台操作

4.4 高级平台操作

实验5 图像分割：

5.1 背景介绍和图像分割原理

5.2 初级平台操作

5.3 中级平台操作

5.4 高级平台操作

实验6 车牌识别1：

6.1 背景介绍和车牌识别原理

6.2 初级平台操作

6.3 中级平台操作

6.4 高级平台操作

实验7 车牌识别2：

7.1 背景介绍和车牌识别原理

7.2 初级平台操作

7.3 中级平台操作

7.4 高级平台操作

实验8 车牌识别3：

8.1 背景介绍和车牌识别理论

8.2 初级平台操作

8.3 中级平台操作

8.4 高级平台操作

4.实训目录：

实验1 图像基本操作与图像运算：

实训1 图像基本操作与图像运算（初级）

实验2 使用空域滤波和频域滤波进行图像增强：

实训1 使用空域滤波和频域滤波进行图像增强（初级）

实训2 使用空域滤波和频域滤波进行图像增强（中级）

实验3 数字图像变换：

实训1 数字图像变换（初级）

实训2 数字图像变换（中级）

实训3 数字图像变换（高级）

实验4 数字图像边缘检测与特征提取：

实训1 数字图像边缘检测与特征提取（初级）

实训2 数字图像边缘检测与特征提取（中级）

实训3 数字图像边缘检测与特征提取（高级）

实验5 图像分割：

实训1 图像分割（初级）

实训2 图像分割（中级）

实训3 图像分割（高级）

实验6 车牌识别1：

实训1 车牌识别1（初级）

实训2 车牌识别1（中级）

实训3 车牌识别1（高级）

实验7 车牌识别2：

实训1 车牌识别2（初级）

实训2 车牌识别2（中级）

实训3 车牌识别2（高级）

实验8 车牌识别3：

实训1 车牌识别3（初级）

实训2 车牌识别3（中级）

实训3 车牌识别3（高级）

10、【课程】《 (略) 理实战》

通过本课程的学习， (略) 理相关Python库，掌握图像的基本变换、增强与复原操作，掌握 (略) 理方法，掌握图像提取、分割技术，熟 (略) 理相关技术，提升图像 (略) 理等相关工作的认知能力。

本课程全面 (略) 理的相关知识，讲解了如何利用Python解决实际图像问题。首 (略) 理概述，包括 (略) 理介绍、 (略) 理工具和Pytho (略) 理库。然后层层递进，由浅入深地介绍了图像的基本变换、图像增强与复原、 (略) 理、图像特征提取和图像分割。

1.课时设置

理论教学不少于16学时，实践教学不少于16学时，总计不少于32学时。

2.课程资源：

至少包含实训指导书、课程视频、课程PPT、数据、代码。

3.课程内容：

第1章 (略) 理概述：

1.1 (略) 理

1.2 认识图像

1.3 (略) 理工具

1.4 (略) 理相关Python库

第2章 图像的基本变换：

2.1 读写图像数据

2.2 在图像上绘制简单的图形

2.3 变换图像的颜色空间

2.4 变换图像几何空间

第3章 图像增强与复原：

3.1 使用空间滤波增强图像

3.2 使用 (略) 理图像

3.3 复原车牌图像

第4章 (略) 理：

4.1 腐蚀和膨胀车牌图像

4.2 使用开/ (略) 理车牌图像

4.3 使用基本的 (略) 理图像

第5章 图像特征提取：

5.1 提取水质图像的颜色特征

5.2 提取图像的纹理特征

5.3 提取图像的边缘和轮廓特征

5.4 提取电容零件的形状特征

第6章 图像分割：

6.1 使用阈值化分割图像

6.2 使用边缘的分割图像

6.3 使用区域分割电容零件图像

6.4 使用模板匹配电容零件图像

11、【课程】《智能机器人应用开发》

1.课时设置

理论教学不少于18学时，实践教学不少于42学时，总计不少于60学时。

2.课程资源：

至少包含实训指导书、课程PPT、数据、代码。

3.课程内容：包括智能机器人认知与架构、智能机器人运动控制、智能机器人环境建图、智能机器人自主导航、智能机器人自主无线充电、智能机器人避障、智能机器人语音控制、智能机器人目标跟随、智能机器人的机械臂运动控制、智能机器人的机械臂视觉抓取、智能机器人目标检测、智能机器人戴口罩人脸识别、智能机器人仓储应用场景开发、智能机器人导游应用场景开发、智能机器人家政服务应用场景开发。

12、【课程】《机器视觉应用技术》

理论教学不少于32学时，实践教学不少于28学时，总计不少于60学时。

1.课程资源：

至少包含实训指导书、课程PPT、数据、代码。

2.课程内容：包括项目1：机器视觉概述、项目2：实现图像的颜色空间转换和基本变换、项目3：检测目标画像的边缘、项目4：分割目标画像、项目5：拼接两张图像、项目6：使用OCR识别文字、项目7：检测人脸、项目8：手动搭建BP神经网络实现图像识别、项目9：搭建卷积神经网络实现手写数字图像识别、项目10：基于ResNet50实现限速牌识别、项目11：实现零件的自动分拣、项目12：基于深度学习的工业钢材缺陷检测、项目13：基于深度学习的医学影像分类、项目14：实现机器小车的目标跟随、项目15：实现机器小车的视觉巡线与自动驾驶、项目16：实现视觉SLAM建图、

13、【图像应用案例】《水产养殖水质智能识别》

通过学习本案例，可掌握图像切割、特征提取、模型构建和模型评价的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

水产养殖的关键因素之一是水质，养殖水体生态系统的平衡状况可通过水质颜色体现而传统水质监控的关键是行家。本案例主要根据水质图 (略) 理模型和分类算法实现水质的自动检测。本案例的主要分析目标为：分析不同水质样本的特征，实现对水质的自动分析。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

▲2.案例资源：

不少于16个案例视频、1份案例PPT、4份实训指导书、3份代码、1份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于案例背景与目标；读取一张图片数据；获取图片数据的像素值矩阵；截取图像的有效区域；水质图像特征-颜色矩；三个颜色矩的Python实现；如何进行批量化数据转换；自定义函 (略) (略) 有图片名称； (略) 有图片数据； (略) 理代码整理；模型构建与性能评估。

4.技术点：

至少包含图像切割、颜色矩提取、决策树、混淆矩阵。

14、【计算机视觉应用案例】《动态人脸智能识别》

通过学习本案例，可掌握mtcnn检测、 (略) 理、卷积神经网络构建人脸识别模型的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

人脸识别技术是 (略) 特征信息进行身份识别的一种生物识别技术，人脸识别技术广泛应用于机场、高铁、考勤等生活场景。卷积神经网络作为一项因为其“权值共享”的优势，使得大规模的网络训练变得十分简单，所以在图像识别领域应用的十分广泛。

1.课时设置：

理论教学不少于8学时，实践教学不少于8学时，总计不少于16学时。

2.案例资源：

不少于29个案例视频、1份案例PPT、5份实训指导书、10份代码、2份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于背景与目标、调用电脑摄像头拍照、实现批量拍照、封装拍照操作的代码、人脸检测介绍、实现照片中人脸检测、过滤人脸不全的照片、人脸照片的灰度转换及存储、 (略) 理及存储、将 (略) 理代码封装成类、获取人名及 (略) 径、自定义独热编码函数、确认样本和标签对应关系、定义照片数据转数组数据的函数、将数据整理代码封装成类、建模介绍、定 (略) 需的常用方法、搭建第一个卷积层结构、测试网络结构、搭建第二个和第三个卷积层、搭建第一个全连接层、搭建网络输出层、定义模型训练的损失函数-交叉熵、模型训练准备、模型训练代码实现、执行模型训练、模型性能调优、调用保存好的模型、模型性能评价结果。

4.技术点：

至少包含mtcnn检测、 (略) 理、卷积神经网络。

15、【机器视觉应用案例】《车牌智能识别》

通过学习本案例，可掌握图片数据读取、 (略) 理、图片内容中的字符分割、卷积神经网络车牌识别模型构建的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

汽车车牌识别技术是车辆检测系统中的一个重要环节，它在交通监视和控制中占有很重要的地位，有着多种应用，例如自动收费系统、不停车缴费、失窃车辆的查寻、停车场车辆管理、特殊车辆的出入控制等等。同时，汽车车牌识别的方法还可应用到其他检测和识别领域，所以汽车车牌识别问题已经成为现代交通工程领域中研究的重点和热门问题之一。

1.课时设置：

理论教学不少于12学时，实践教学不少于12学时，总计不少于24学时。

2.案例资源：

不少于23个案例视频、1份案例PPT、8份实训指导书、15份代码、2份数据。

3.案例内容：

包括但不限于案例背景、工程新建及图片读取、RGB像素值分布直方图绘制、Gamma变换、图像平滑：高斯平滑、 (略) 理、图像边缘信息：Sobel算子、 (略) 理、图像形态学操作与中值平滑、代码整理、轮廓查找与可视化、轮廓矩形图像提取、车牌判别模型计算图搭建、车牌提取、车牌方向纠正、 (略) 理、车牌字符分割、车牌识别模型网络结构搭建、字符图像读取、模型训练、模型测试、调用模型进行测试、拓展思考。

4.技术点：

至少包 (略) 理； (略) 理； (略) 理；图像轮廓；图像峰度；卷积神经网络；车牌识别。

16、【机器视觉应用案例】《道路车辆行人感知》

视觉信息具有易于采集、采集设备价格低廉与信息全面直观的优点，当前机器视觉与深度学习技术日新月异的发展，为自动驾驶系统感知周围环境提供了技术支持。在驾驶过程中，自动驾驶车辆需要感知的最重要的两个目标便是车辆与行人，其次还有车道线信息、交 (略) 灯等，本例针对车辆与行人的感知问题提出解决方案。通常使用目标检测方法对车辆行人进行感知，用边界框来表示检测的结果，这种结果表达方式不能精确地表达出目标在图像中的位置。特别是在鱼眼摄像头图像中，当目标离车辆比较近时，用边界框来表达会有极大误差。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

2.案例资源：

不少于1份案例PPT、2份实训指导书、5份代码、2份数据。

3.案例流程：

包括但不限于定义MaskRCNN网络及训练配置信息及锚框生成；定义网络结构；读取图像数据；图像 (略) 理；定义网络训练策略；训练模型并保存；模型评价，将测试集放入模型，通过实际标签评价模型性能。

4.技术点：

至少包含Keras、MaskRCNN、Adam、RPN。

17、【机器视觉应用案例】《FasterRCNN目标检测》

随着计算机技术的发展和计算机视觉原理的广泛应用，利用 (略) 理技术对目标进行实时跟踪研究越来越受到重视，目标检测通常是指对输入的图像根据其目标对象的特征信息，首先画出能够把目标对象完整圈在框内的最小外接矩形；其次给矩形贴上类别标签；最后对物体的边框进行回归。

对目标进行动态的实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中的手术器械定位等方面具有广泛的应用价值。无论是 (略) 轨道安全、内挂网障碍物检测，车辆行驶中对车辆、行人、标识牌的识别，还是医学中的肿瘤检测、农业中的果实检测，基于目标检测与跟踪的计算机视觉技术都在很大程度上代替或者辅助了人类的活动，节约了人力。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

2.案例资源：

不少于1份案例PPT、3份实训指导书、7份代码、2份数据。

3.案例流程：

包括但不限于定义Faster R-CNN配置信息和R (略) 理参数；定义网络结构；读取图像数据；图像 (略) 理；生成先验锚框Anchors；定义网络训练策略；定义网络训练参数；训练模型并保存；模型评价，将测试集放入模型，通过实际标签评价模型性能。

4.技术点：

至少包含Keras、FasterRCNN、RPN。

18、【计算机视觉应用案例】《图像物体检测》

随着自动驾驶汽车、智能监控摄像头、面部识别以及大量对人有价值的应用出现，快速、精准的目标检测系统市场也日益蓬勃。这些系统除了可以对图像中的每个目标进行识别、分类以外，它们还可以通过在该目标周围绘制适当大小的边界框（bounding box）来对其进行定位。

1.课时设置：

理论教学2学时，实践教学6学时，总计8学时。

2.案例资源：

不少于15个案例视频、2份案例PPT、3份实训指导书、1份代码、3份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于项目背景与目标、R-CNN介绍、R-CNN的缺陷、Fast、R-CNN介绍、Faster、R-CNN介绍、数据集和现有模型介绍、安装Object、detection、API、下载模型及准备数据、执行物体检测、加载类别标签、完成对图片的目标检测、读取视频数据、自定义物体检测函数、对整个视频进行物体检测、将检测结果合成为新视频。

4.技术点：

至少包含R-CNN、Fast R-CNN、FASTER R-CNN。

19、【 (略) 理应用案例】《基于眼底图像的眼疾智能识别》

通过学习本案例，可掌握图像识别、 (略) 理、特征提取、图像分类的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

常见眼病的早期发现是相当困难的，因为在疾病的早期很少有明显的症状。由于进行性视网膜色素上皮变薄和衰减，近视患者的视力下降也是高风险的。本案例提供了结构脱敏后眼科的数据集，包括患者的年龄、性别、双眼彩色眼底照片和医生的诊断关键词。基于眼底图 (略) 理，构建模型实现眼科疾病自动分类。本案例的主要分析目标为：对病人信息进行整合；对患者彩色眼 (略) 理；构建分类模型，对多张眼底照片进行训练，根据模型训练结果预测测试集。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

▲2.案例资源：

不少于10个案例视频、1份案例PPT、1份实训指导书、1份代码、3份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于背景与挖掘目标；高斯模糊；图片生成器；图像增强效果；图像合并；模型介绍；模型构建；模型训练；模型预测；小结。

4.技术点：

至少包含深度学习；图像识别；VGG19卷积神经网络。

20、【深度学习应用案例】《基于深度学习的肝脏肿瘤分割》

通过学习本案例，可掌握图像对比度增强、图像增强和图像分割的主要方法和技能，并为后续相关课程学习及将来从事计算机视觉工作奠定基础。

我国是肝癌大国，世界范围内约有一半以上的新增肝癌患者和因肝癌而死亡的案例发生在中国，对肝脏疾病的早发现早治疗是当前面临的主要任务。本 (略) CT序列图像，通过深度学习U-Net模型实现图像分割。对图像进行增强对比，并提取肝脏切片进行数据增强，构建模型实现图像分割。本案例的主要分析目标为： (略) 理，提取肝脏切片；对切片图像进行数据增强；构建深度学习U-Net模型；调用已经训练好的模型进行测试。

1.课时设置：

理论教学不少于6学时，实践教学不少于6学时，总计不少于12学时。

▲2.案例资源：

不少于22个案例视频、1份案例PPT、5份实训指导书、1份代码、1份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于案例背景；数据说明与目标； (略) 理流程介绍；打开工程文件；DICOM医学图像数据加载；windowing方法介绍和参数选择；windowing方法实现；CT对比增强：直方图均衡化；掩膜图像加载；自定义提取肿瘤掩膜图位置的函数；文件保存；循环操作20名病人CT图像；数据增强：定义图像生成器；数据增强：图像数据增强设置及可视化；数据增强：归一化与自定义增强函数；U-Net网络结构介绍；U-Net网络结构实现；模型编译；模型训练；模型训练结果展示；模型预测；拓展思考。

4.技术点：

至少包含图像增强；图像分割；深度学习U-Net模型。

21、【 (略) 理应用案例】《基于CycleGAN的图像风格转换》

图像到图像的转换是一类视觉和图形问题，其目标是获得输入图像和输出图像之间的映射。图像风格转换是最近新兴起的一种基于深度学习的技术，它的出现是占了卷积神经网络的天时，卷积神经网络能对图像特征的高层特征的进行抽取，使得风格和内容的分离成为了可能。

图像风格转化在生活中的运用有很多。例如，智能手机相机里的卡通滤镜功能，可以将拍摄的图像转换成卡通风格，或者将有损坏的图像补全，这些都有涉及图像到图像的转换问题。本案例使用油画和现实风景图像数据集，构建CycleGAN网络，将现实风景图像转换成油画风格。

1.课时设置：

理论教学不少于2学时，实践教学不少于8学时，总计不少于10学时。

2.案例资源：

包含案例视频、案例PPT、实训指导书、代码、数据。

3.案例流程：

包括但不限于案例背景与目标；案例流程及图像数据读取； (略) 理；模型介绍；模型构建；模型训练；小结。

4.技术点：

至少包含TensorFlow2；图像读取；格式转换；计算机视觉；CycleGAN网络模型。

22、【机器学习应用案例】《家用热水器用户行为分析》

通过学习本案例，可掌 (略) 理、划分事件、确定阈值、特征构建、BP神经网络模型构建的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

居民在使用家用热水器的过程中，会因为地区气候、区域不同和用户年龄性别差异等原因，形成不同的使用习惯。本案例以从国内某 (略) 商处抽取用户的用水数据为数据源，并对获取的数 (略) 理和模型构建分析等。本案例的主要分析目标为：对用户的洗浴事件进行识别，根据识别结果比较不同客户群的客户使用习惯，加深对客户的理解；对不同的客户群提供最适合的个性化产品，改进新产品的智能化的研发和制定相应的营销策略。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

2.案例资源：

不少于9个案例视频、1份案例PPT、3份实训指导书、3份代码、5份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于案例背景；删除冗余特征；划分用水事件；确定单次用水事件时长阈值；构建用水时长与频率特征；构建停顿特征；构建用水量与波动特征；筛选候选洗浴事件；模型构建。

4.技术点：

至少包 (略) 理；划分事件；确定阈值；特征构建；神经网络模型。

23、【机器学习应用案例】《智能应答模型应用》

机器人（Robot）是一种可编程和多功能的操作机；或是为了执行不同的任务而具有可用电脑改变和可编程动作的专门系统。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。

1.课时设置：

理论教学不少于12学时，实践教学不少于12学时，总计不少于24学时。

2.案例资源：

不少于39个案例视频、1份案例PPT、8份实训指导书、1份代码、7份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于案例背景、RNN模型、Seq2Seq模型、聊天机器人模型概述、 (略) 理_读取语料库文件、 (略) 理_分词并构建词典、 (略) 理_构建映射关系、 (略) 理_语料库转为id向量、 (略) 理_拆分成source与target、 (略) 理_词向量训练、 (略) 理_保存文件、模型计算图搭建_读取id向量、模型计算图搭建_读取字典、模型计算图搭建_读取词向量模型、模型计算图搭建_构建词向量模型矩阵、模型计算图搭建_统计id向量的长度、模型计算图搭建_定义Tensor、定义LSTM、Cell、Embedding、Layers、MultRNN、Cells、Dynamic、RNN(动态RNN)、Encoder端自定义函数、添加_BOS、Embdeeing、Layer、MultiRNN、Cells、Projection、Layer、Trainning、Decoder、Inference、Decoder、自定义Decoder端函数、Seq2Seq、Model搭建、Loss、Function、Optinize(优化器)、梯度剪枝、Train初次运行、Train调整、Inference_Test、调用计算图进行测试、The、Attention、Mechanism(注意力机制)、模型的实现示例。

4.技术点：

至少包含Word2Vec、语料库构建、TensorFlow、Seq2Seq、注意力机制。

24、【机器学习应用案例】《电商产品评论数据情感分析》

通过学习本案例，可掌握网络数据爬虫技术、文本去重、文本分词和模型构建的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

消费者需要在没有看到真正的产品实体、做出购买决策之前，根据其他购物者的评论了解产品的质量、性价比等信息，为购物抉择提供参考依据。本案例运用数据分析技术对爬虫获取的数据进行分析，然后对原 (略) 理，从而获得消费者的意见和评价。本案例的主要分析目标为：收集用户的评论数据，挖掘评论中的关键信息；分析商品的优点与不足并提供改善建议。

1.课时设置：

理论教学不少于4学时，实践教学不少于8学时，总计不少于12学时。

2.案例资源：

不少于22个案例视频、1份案例PPT、4份实训指导书、4份代码、3份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于背景与目标、数据介绍、数据读取及简单查看、剔除换行符、去除评论数据 (略) 信息、去除html语言 (略) 、文本去重、分词及去停用词、词云绘制、文本情感分析介绍、 (略) 需词表、计算情感词分数、程度副词计算、否定词计算、程度副词和否定词融合、自定义分值计算函数、所有评论数据的情感得分、 (略) 理后的评论数据、LDA主题模型介绍、读取好评数据、LDA主题模型构建、小结。

4.技术点：

至少包含文本去重；文本分词；LDA模型。

25、【人工智能应用案例】《基于姓名数据的性别智能分类》

通过学习本案例，可掌握词袋建立、词向量化、卷积神经网络模型构建、模型评价的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。

(略) 时，常常会因需要填写繁琐的表格而放弃注册，容易造成用户流失。因此，若在填写信息的时候，当某一个人输入他或她的名字后，系统可以根据姓名判断性别，这样便减少用户填写的工作，从而提高用户体验，获取更多的新用户。

1.课时设置：

理论教学不少于4学时，实践教学不少于4学时，总计不少于8学时。

2.案例资源：

不少于8个案例视频、1份案例PPT、2份实训指导书、1份代码、1份数据。（提供此资源截图加盖供应商公章）

3.案例内容：

包括但不限于背景与目标、数据读取、 (略) 理、标签转化、特征构建：词袋的建立、特征构建：词向量化、卷积神经网络原理、模型构建与评估、模型评价、小结。

4.技术点：

至少包含Tensorflow、词袋模型、padding。

人工智能课程资源库

（一）、课程资源库提供如下课程（可多于列表内容）：

每门课程总计不少于64学时。至少包括课程视频、课程PPT、实训指导书、代码、数据。

1、《Python编程基础》

2、▲《人工智能数学基础》

3、▲《机器学习编程与实战》

4、▲《人工智能导论》

5、▲《TensorFlow2深度学习原理与实现》

6、▲《 (略) 理实战》

7、▲《机器视觉及应用》

8、▲《深度学习与计算机视觉实战》

课程内容与上述一致，课程名称可以不同。

（二）、课程资源库提供如下案例资源：

1、▲人工智能应用实战案例10个以上，每个案例支持不少于8个学时的实践教学内容，提供案例实操视频、案例PPT、实训指导书、代码、数据。

人工智能设备套件

一、硬件：

1、沙盘外形：长为850mm，宽为560mm，高为1800mm(允许±5%误差)。

2、支架采用铝型材，面板为铝塑复合板件，兼顾结构的稳定性与整体的美观。

3、采用USB接口相机。

4、采用轻量型四轴机械臂，最大功率60W，配置吸盘、气动手爪和气泵控制盒。

5、电脑参数：CPU i5以上，内存8.0G以上，硬盘转速7200以上，容量500G以上。

6、键盘×1，鼠标×1，物料托盘×2，专用标定板1块，工具收纳盒1个。

7、显示屏参数：面板尺寸≧ *** 英寸，屏幕比例16：9，最佳分辨率1920×1080以上。

8、物料参数：提供电容零件50个，多色不定形状七巧板50块。

二、软件：

1、提供无序分拣功能。对处于无序状态下的若干个电容零件，可以通过神经网络预测出零件的抓取位置并指挥机械臂进行抓取。

2、提供基于Windows GUI的机械臂标定、移动、工作区域圈定、连接、断开功能。

3、支持数据源、预处理算法、神经网络模型、发布模型的选择。

4、▲ (略) 理前后的实时对比功能。（提供此功能截图加盖供应商公章）

5、提供基于TensorFlow的深度神经网络初始模型，支持用户在初始模型的基础上搭建新的神经网络，进行训练并保存结果。

6、▲支持根据当前代码实时生成网络结构图。（提供此功能截图加盖供应商公章）

7、▲支持模型训练步骤设置、模型名称设置、实时查看模型训练损失和模型准确率。（提供此功能截图加盖供应商公章）

8、支持HTML格式模型训练报告的生成。

9、▲支持抓取结果、抓取成功率、模型预测成功率的实时查看。（提供此功能截图加盖供应商公章）

10、支持基于光电感应开关的图像数据实时自动标注功能。

11、支持用户更改抓取对象，重新采集数据并进行深度学习训练。

12、提供模版匹配功能，能够根据提前截取的模版，通过计算相似度，对高于一定阈值的物体进行抓取。

三、教学资源：

1、▲提供基于深度学习的无序抓取案例说明文档，文档内容包括图像数据采集、 (略) 理、模型构建、模型对比、模型评价等。（提供此资源截图加盖供应商公章）

2、提供案例配套教学PPT，辅助日常教学工作。

3、提供案例配套样例数据，可添加沙盘实时数据。

4、提供案例配套代码，代码与文档对应，沙盘增量数据无需更改代码即可运行。

人工智能设备套件

★人工智能设备套件是模块化硬件小型设备，可以在桌面上进行实操演示、模型训练和课程教学。能够满足日常专业教学、学生竞赛、认证考试、教师课题研究等一体化需求。

1、提供设备说明文档和实操手册。

2、配套教学PPT，辅助日常教学工作。

3、提供设备配套样例数据。

4、提供设备配套代码。