Il laboratorio integrato di innovazione con intelligenza artificiale offre agli studenti la possibilità di padroneggiare le basi della programmazione in Python, la teoria e le tecnologie dell'IA e la costruzione di ambienti di deep learning, oltre ad altre competenze relative all'IA.

Utilizzando questo laboratorio gli studenti apprenderanno le seguenti abilità:

• Familiarità con il linguaggio Python e padronanza della tecnologia di base della programmazione: Python è il linguaggio di programmazione più adatto per lo sviluppo dell'intelligenza artificiale. Per la sua semplicità e facilità d'uso, è uno dei linguaggi di programmazione più utilizzati nel campo dell'intelligenza artificiale. Utilizzando questa piattaforma gli studenti impareranno la programmazione Python.

• Teoria e la tecnologia di base dell'intelligenza artificiale: compresa la storia dello sviluppo dell'intelligenza artificiale, i concetti, i metodi e le tecnologie di base, nonché l'applicazione principale della tecnologia dell'intelligenza artificiale.

• Padroneggiare le conoscenze di base degli algoritmi relativi al deep learning e l'uso di piattaforme software e hardware tradizionali: compresa la costruzione e la configurazione di ambienti di deep learning di intelligenza artificiale, nonché l'applicazione di vari framework di apprendimento progressivo.

• Padroneggiare le operazioni di base di raccolta dati, elaborazione dati, estrazione di caratteristiche e addestramento del modello: gli studenti possono apprendere e padroneggiare appieno la raccolta, la pulizia e l'etichettatura dei set di dati; utilizzare una varietà di diversi framework di deep learning per addestrare i modelli e utilizzare una varietà di framework di deep learning per addestrare i modelli. Implementazione della distribuzione.

• Tecnologia di rilevamento della visione artificiale: OpenCV è una libreria software multipiattaforma di visione artificiale e apprendimento automatico basata su una licenza BSD (open source) e può essere eseguita su sistemi operativi Linux, Windows, Android e Mac OS. Allo stesso tempo, fornisce interfacce in linguaggi come Python, Ruby e MATLAB e implementa molti algoritmi generali nell'elaborazione delle immagini e nella visione artificiale. Attraverso questa attrezzatura, gli studenti possono familiarizzare e padroneggiare l'applicazione di varie API di OpenCV, come l'utilizzo di OpenCV e Python per realizzare il riconoscimento facciale, il riconoscimento generale di oggetti e scene (riconoscimento di animali, piante, merci, edifici, paesaggi).

• Tecnologia robotica collaborativa: su questo dispositivo, gli studenti possono conoscere , imparare a utilizzare ed esercitarsi nella programmazione del software del robot collaborativo.

• Tecnologia PLC: dopo aver completato la formazione e l'implementazione del modello di riconoscimento dell'intelligenza artificiale, gli studenti possono utilizzare PLC per programmare e realizzare appieno l'applicazione della tecnologia dell'intelligenza artificiale in scenari pratici, come l'erogazione centralizzata e la vendita al dettaglio intelligente.

Contenuti didattici:

• Tecnologia di programmazione Python

• Raccolta dati per dataset di intelligenza artificiale

• Annotazione dei dati per set di dati di intelligenza artificiale

• Pulizia dei dati per set di dati di intelligenza artificiale

• Distribuzione e applicazione del framework di deep learning basato su PyTorch

• Modello di addestramento del modello di riconoscimento visivo dell'intelligenza artificiale YOLOv5

• Applicazione di Computer Vision Basata su PC e YOLOv5

• Applicazione di Computer Vision basata su Raspberry Pi e YOLOv5

• Applicazione di Computer Vision basata su Jetson Nano e YOLOv5

• Applicazione dell'unità di riconoscimento facciale offline di intelligenza artificiale

• Applicazione dell'Unità di riconoscimento vocale e sintesi dell'Intelligenza Artificiale

• Applicazione completa dell'intelligenza artificiale basata su scenari applicativi di erogazione centralizzata

• Applicazione completa dell'intelligenza artificiale basata su scenari applicativi di smart retail

• Distribuzione e applicazione del framework di deep learning basato su TensorFlow

• Esercitazioni pratiche nella lettura degli schemi elettrici

• Connessioni circuito pneumatico e cablaggio elettrico

• Applicazione dell'interruttore di rilevamento

• Applicazione di vari sensori

• Applicazione di Componenti Pneumatici

• Installazione e applicazione di PLC

• Installazione e applicazione RFID

• Installazione e applicazione touch screen

• Comunicazione tra robot e PLC

• Comunicazione tra touch screen e PLC

• Attività di lavoro di disegno piatto robot collaborativo

• Attività di lavoro in superficie con robot collaborativo

• Formazione pratica di robot collaborativi e comunicazione visiva

• I robot collaborativi gestiscono le attività di pallettizzazione

• Debug della programmazione dell'applicazione di comunicazione del lettore RFID