一、總體描述：
邊緣智能應用競賽平臺是面向人工智能等相關專業的學科基礎知識和專業技術教學平臺產品。實驗平臺通過人工智能技術教學分解與典型行業案例實戰，掌握人工智能計算機視覺、邊緣計算、終端感知控制等相關人工智能知識。
邊緣智能應用競賽平臺圍繞人工智能實際教學場景進行一體化設計，減少教師、學生課前實驗準備時間，降低課后收納規整管理難度。平臺由NLE-AI800嵌入式人工智能核心開發板、圖像采集模塊、語音采集模塊、指紋采集模塊、執行器等硬件模塊組成。開發板基于邊緣計算芯片，具有高可擴展性和強大的AI計算能力，支持多sensor輸入，集成豐富的硬件接口，內置各類深度學習算法，支持模型重訓、模型評估，支持構建算法應用，NLE-AI800開發板的功能強勁表現為算法識別延遲低、可滿足端末同時處理多個算法需求、實現人體骨骼檢測與可視化顯示的性能要求，支撐從教學、應用到科研技術方案支撐。
邊緣智能應用競賽平臺提供物品分類識別、物品目標檢測、人臉識別、人臉多屬性分析、車牌識別、車位檢測、人體骨骼點檢測七個典型計算機視覺算法的技術認知和教學分解，同時基于七個典型計算機視覺算法結合智能語音、采集控制設備，提供了疫情防控、智能停車場、智能垃圾分類、趣味明星臉、智能家居五個典型人工智能實戰案例。
平臺以終端互動體驗、關鍵技術分解和實戰案例為導向，進行人工智能能力遞進教學，支持JupyterNotebook方式進行分段式代碼片段教學，支持聯動控制實驗設備遠程運行，內容便捷分享，通過教學實訓系統代碼編程學習進行基本編程技能教學，通過豐富的應用項目實踐學習進行綜合編程技能教學，由淺入深對學生能力結構進行培養。

二、系統組成：
邊緣智能應用競賽平臺由硬件、軟件、教學資源3大部分組成。
（1）硬件部分為一體式實驗平臺設計，使用防撞箱進行收納，形態小巧、擺放收納靈活，便于與PC機搭配在學校實訓室進行實驗教學。主要部分由NLE-AI800開發板與圖像采集模塊、語音采集模塊、指紋采集模塊、執行器模塊組成。
（2）軟件部分包含有平臺配套的實訓系統、數據標注工具、Jupyter開發與深度學習訓練環境等。實訓系統對實驗平臺的核心功能進行可視化呈現和實戰案例展示，主體分為AI算法模塊基礎能力和AI應用案例展示。AI算法模塊基礎能力對多個算法進行技術關鍵步驟分解教學，包含物品分類識別、物體目標檢測、人臉識別、車牌識別和人臉屬性識別。AI應用案例展示使用多算法技術與環境感知采集技術、執行器控制技術進行集成應用到典型行業場景中，通過項目案例將AI基礎技術與應用進行融合賦能行業，掌握行業應用開發相關技能。
數據標注工具軟件支持圖像標注、語音標注、文本標注、視頻標注等，標記的基本形式有標注畫框、3D畫框、文本轉錄、圖像打點、目標物體輪廓線等。數據標注是數據標注人員借助標注工具，對人工智能學習數據進行加工處理，轉換為機器可識別信息的過程。
Jupyter開發與深度學習訓練環境是通過工具化的方式簡化學生在數據處理、模型訓練、模型預測與部署過程中對復雜環境與參數設置的要求。
（3）教學資源包含項目化實驗指導書，指導書包含5個項目化章節，以“使用OpenCV人臉檢測、計算機視覺算法實現圖像識別、邊緣硬件控制、基于人臉檢測算法實現家用設備控制、基于計算機視覺技術實現稻麥監測系統”，對應講述“OpenCV圖像處理、圖像識別算法應用、邊緣硬件控制、計算機視覺模型應用、TensorFlow深度學習實踐技術”等人工智能嵌入式技術應用關鍵任務。

2.1 硬件組成
AI核心開發板
（1）CPU：多核ARM64位處理器；
（2）GPU：雙核ARM Mali處理器，支持OpenCL 1.1/1.2/2.0，支持OpenGL ES 3.0/3.1/3.2；
（3）AI加速單元：支持8bit/16bit運算，支持TensorFlow、Caffe模型，運算性能可達3.0TOPs；
（4）內存：LPDDR4 4G；
（5）存儲器：Emmc5.1,32GB；
（6）編碼能力：最高支持到H264/H.265 7680x4320@30fps,最高支持到7680x4320@15fpsJPEG解碼；
（7）輸出能力：支持HDMI2.0、最大4K@60fps輸出，支持MIPI CSI，DSI輸出，支持6/8/16/24bitRGB數字LCD輸出，最高分辨率支持1920x1080@60fps輸出；
（8）有線通訊：1路千兆以太網口，支持POE受電;
（9）無線通訊：WiFi、藍牙4.0、4G，支持5G擴展；
（10）串行接口：RS232、RS485，支持Micro USB的U轉調試串口；
板載接口/GPIO：帶PCIE,可接1*I2S、2*I2C、ADC1_CHO、ADC1_C H1、1*PWM、2*SPI，支持中斷編程，3路電源（12V\5V\3.3V）。

高清攝像頭
（1）800萬像素;
（2）對接方式：USB2.0免驅動;
（3）模塊支持自動曝光控制AEC;
（4）支持自動增益控制AGC;
（6）支持自動白平衡。
（7）支持自動對焦功能。
（8）功耗5V供電，低于2.5W
（9）圖像色彩：彩色

觸摸屏
（1）搭載10寸1920*1080 IPS屏10點觸控電容屏；
（2）提供178°水平可視角度；
（3）提供350cd/㎡顯示亮度；
（4）提供800：1（動態）的對比度；
（5）內置音箱HDR；
（6）工業級鋁合金屏外殼。

麥克風陣列
（1）直徑85mm；
（2）輸入電壓：DC 5V
（3）支持360度拾音
（4）音頻輸出：1*USB，兼容燒寫和通信口
（5）工作電壓：3.3V
（6）工作電流：20-50mA
（7）支持串口通信

指紋采集模塊
（1）指紋存容量 300枚
（2）工作電壓 3.0-3.6V
（3）工作電流 3.-60mA
（4）USB通訊 2.0FS
（5）傳感器圖像大小 256*288pixel

人體測溫模塊
（1）通訊方式：Uart
（2）波特率：9600
（3）半徑：13mm

執行器模塊
（1）24V繼電器組（4路）*2；
（2）三色燈：紅、藍、綠各1個
（3）迷你小風扇；

視覺實驗模塊
包含人偶模型、動物模型、水果模型、交通工具模型。

2.2 軟件組成
實訓系統基礎能力教學系統
提供物品分類、物品目標檢測、人臉識別、人臉多屬性分析、車牌識別等端上模型推理應用，以知識拆解的方式進行展開；提供項目教學案例，包含智能家居、疫情防控站等多算法復合應用。

疫情防控案例
案例基于疫情環境下，對進入小區人員進行體溫與是否戴口罩檢測，同時將檢測數據上報到云平臺，云平臺提供數據接口，可供類似疾控中心或疫情防控中心進行接入獲取數據與數據分析。項目使用人工智能開發板、攝像頭、紅外熱像儀等，項目以人臉口罩識別、體溫檢測為主，主要采用計算機視覺、深度學習算法、物聯網等技術。

智能停車場案例
智能停車場案例基于停車場應用場景，基于人工智能計算機視覺技術，通過對車輛進行車牌識別，構建的智能停車場管理系統，主要功能包含車輛注冊、車牌識別、車輛權限控制、門鎖控制、LED燈控制、語音播放，并實現了對車庫出入記錄管理。

智能垃圾分類案例
智能垃圾分類案例基于人工智能物體分類檢測技術，通過對可回收垃圾（如礦泉水瓶）、廚余垃圾（如菜葉、雞蛋殼）、干垃圾（如衛生紙巾、煙盒）、有害垃圾（如：電池、燈泡），主要功能包含了通過攝像頭識別檢測物體，顯示垃圾對應的名稱，截取出對應的垃圾物體圖片，通過動畫形式分別放置到對應的垃圾桶。

趣味明星臉案例
趣味明星臉案例基于人工智能人臉識別技術，案例通過人臉識別，與明星人臉特征庫進行匹配，得到相似度最高的明星人物，達到娛樂趣味性。

智能家居案例
智能家居案例基于人工智能計算機視覺、深度學習算法，開發的一款具備智能開鎖、遠程開關門、遠程開關燈、安防警報等功能。案例使用人工智能開發板、攝像頭、人體紅外傳感器、風扇、報警燈等設備；項目以智能家居安防為主，同時提供浴室魔鏡趣味功能。

Jupyter教學實驗平臺
Web應用程序的交互式筆記本，便于創建和共享文學化程序文檔，支持實時代碼，數學方程，可視化和markdown。

數據標注工具
支持圖像、文本和視頻等多種標注形式，包含圖像分類，矩形
框，多邊形，曲線定位，3D定位文本分類，文本實體標注，視頻跟蹤等；支持導出支持主流數據集格式，支持PascalVoc（與ImageNet采用的格式相同）和CoreNLP等標準。

深度學習訓練環境與AI應用開發環境
提供TensorFlow深度學習訓練環境、集成開發環境Pycharm系統安裝鏡像。深度學習訓練環境用于模型訓練、模型編譯、模型轉換、模型部署。集成開發環境Pycharm用于使用已完成訓練的模型進行應用開發。

2.3 教學資源
產品配套項目化實驗指導書，教材以行業應用知識需求為導向，強化培養學生硬件編程與計算機視覺等人工智能技術相結合的實踐技能，將理論教學與實踐教學進行結合，以嵌入式技術平臺為核心，展開豐富的實驗教學。
嵌入式人工智能技術應用課程提供豐富的算法案例，包括分類識別、目標檢測、車牌識別、人臉識別、人臉多屬性分析等算法應用。基于嵌入式技術平臺的高性能配置，可以展開多算法同時處理的深度應用，也可展開較為復雜的算法模型應用，如趣味明星臉、疫情防疫站等。同時配套開發環境和深度學習環境鏡像，以及數據標注工具和模型訓練工具，靈活選擇PC端學習或者平臺端學習路徑。配套了《嵌入式人工智能技術應用》、《邊緣智能計算應用》兩套教學資源
1、《嵌入式人工智能技術應用》大綱：
1）課程提供圖像處理相關開發教學資源，包括圖像讀取與保存，使用OpenCV調用視頻流，視頻錄制與讀取，使用OpenCV人臉識別算法檢測等。
2）課程提供人工智能計算機視覺相關算法應用開發教學資源，包括人臉檢測實驗、圖像識別、AI邊緣硬件控制、計算機視覺技術實現稻麥監測系統等。
2、《邊緣智能計算應用》大綱：
1）課程提供主流深度學習框架Tensorflow、Pytorch進行模型搭建、模型訓練、模型轉換、模型部署、模型推理等。
2）課程提供邊緣計算開發板基礎應用、邊緣計算算法SDK應用、基于TensorFlow的圖像上色模型部署、基于Pytorch目標檢測模型部署、基于TFLite的手掌檢測模型部署等課程內容。