人工智能实训室

一、人工智能技术服务专业人才培养定位

本专业聚焦人工智能产业发展需求，旨在培养具备扎实专业素养的应用型人才。通过系统培养，使高校毕业生熟练掌握数据标注、人工智能产品部署安装、调试运维、市场推广、销售咨询及售前售后技术支持等核心技能，精准匹配企事业单位对人工智能领域高素质技术应用型人才的岗位需求。

二、人工智能专业教学与实训的核心要求

人工智能相关专业知识体系具有较强的复杂性与实践性，因此对教学质量与实训效果提出了更高标准：

· 理论教学以构建知识框架为核心，通过系统讲解专业基础理论与前沿技术，帮助学生建立对人工智能知识体系的整体性认知，为实践应用奠定基础。

· 实训环节则聚焦实操能力培养，重点提升学生在设备安装部署、环境搭建、系统运维、故障诊断与修复等方面的动手能力，实现理论知识向实践技能的转化。

三、人工智能实训室的建设目标与要求

实训室作为实践教学的核心载体，需满足以下关键需求：

· 提供沉浸式实践空间：通过模拟真实行业场景，让学生在实操中全面掌握人工智能产品的组件构成、系统架构、部署流程及运行逻辑，强化理论与实践的结合。

· 对接行业真实应用：实训设备需以主流人工智能产品的实际行业应用为原型，进行模型化重构与场景化还原，确保师生能与行业前沿应用无缝对接，降低从学习到产业落地的转化门槛。

· 实现可视化成果输出：通过实训项目设计，引导学生完成 “看得见、摸得着” 的人工智能应用项目（如智能识别系统、自动化运维平台等），直观呈现理论知识的实践成果，提升学习成就感与职业竞争力。

通过上述建设，最终实现 “理论学习 — 技能实训 — 产业应用” 的闭环培养，助力学生快速适应行业岗位要求，成为兼具理论深度与实践能力的人工智能技术人才。

四、人工智能实训室的主要设备介绍

1. 人工智能实训箱

（一）硬件参数​

· 核心处理器：提供2个AI Core，主频为1.0GHz，内存容量为4GB/4266Mbps（支持ECC功能）。

· 存储模块：配备大容量的存储组合，包含 8GB 的 LPDDR 内存，保障数据的快速读写与处理，使系统在运行多个程序和处理大规模数据时依然能够保持流畅。存储方面采用 64GB 的 EMMC，用于存储操作系统、实训课程资料、学生的实验数据以及各类人工智能模型等，充足的存储空间可满足长时间的实训教学需求，无需频繁外接存储设备。​

· 显示模块：搭载一块 13.3 英寸的高清显示屏，具备高分辨率，能够清晰呈现实训过程中的数据可视化结果、图像识别效果、模型训练进度等信息。屏幕采用 IPS 技术，拥有广阔的可视角度，无论从哪个方向观看，都能保证色彩的准确性和图像的清晰度，为学生提供良好的视觉体验，方便其在实训过程中进行观察和分析。​

· 摄像头：配置高清摄像头，像素可达 200 万，分辨率最大为 1920×1080，通过 USB 接口连接至实训箱。该摄像头无畸变，输出格式支持 MJPG，也可切换至 YUYV 格式，满足不同场景下对图像采集的需求。同时，支持控制调整角度，可灵活捕捉各种实验场景的图像信息，用于计算机视觉相关的实训项目，如物体识别、图像分类、目标检测等。​

· 传感器模块：集成丰富的传感器，包括温湿度 & 光照传感器模块，能够实时感知环境中的温湿度和光照强度变化，并将数据传输至处理器进行分析和处理，可应用于智能环境监测等实训场景；指纹识别模块，用于实现生物特征识别的实训操作，如指纹识别系统的开发与优化；压力传感器模块，能检测压力变化，适用于模拟压力感知类的人工智能应用开发；舵机 & LED 模块，可实现简单的机械控制和灯光指示，配合相关算法，可完成如智能小车的运动控制、灯光跟随等实训项目；继电器模块，常用于控制电路的通断，可用于构建智能家居控制系统中的电器开关控制部分；蜂鸣器模块，用于发出声音警报或提示，增强实训项目的交互性；语音识别模块，可采集语音信号并进行识别，为语音交互类人工智能应用的开发提供基础支持。​

· 轴机械臂组件：配备 6 轴机械臂组件，具有较高的运动灵活性和精度。其重复定位精度可达 0.2mm，能够模拟工业生产中的机械臂操作，如零件分拣、装配等任务。通过与实训箱的处理器连接，学生可利用所学的人工智能算法对机械臂进行编程控制，实现智能化的操作，从而深入理解人工智能在工业自动化领域的应用。​

· 其他接口：提供丰富多样的接口，方便与外部设备进行连接和扩展。具备 2 个 USB 3.0 接口，数据传输速度快，可快速接入如移动硬盘、高性能摄像头等外部设备；1 个 USB Host 接口，用于连接各类 USB 设备；1 个 USB UART 接口，方便进行串口通信；2 个千兆以太网接口，保障网络通信的高速稳定，可用于数据传输、远程控制以及与云端服务器进行交互；1 个 Type - C 接口，支持多种功能，如充电、数据传输等；1 个音频接口，用于连接扬声器或麦克风，实现声音的输入输出；1 个 MIC 咪头，专门用于语音采集；1 个 RS485 接口，常用于工业设备之间的通信连接；1 个 CAN 总线接口，适用于汽车电子、工业自动化等领域的通信；1 个 SIM 卡插槽，可插入 SIM 卡实现 4G 或 5G 网络连接，方便在没有有线网络的环境下进行数据传输；1 个 TF 卡插槽，可进一步扩展存储容量。​

（二）软件配置​

· 操作系统：实训箱设备支持国产化操作系统、Ubuntu操作系统，支持国产化AI深度学习框架，支持CCE/CCE Compiler Tool编译工具。其中Ubuntu的友好桌面环境，方便学生进行日常的操作和应用开发，同时也具备丰富的软件资源和社区支持。系统的配置满足了不同学生的学习需求和开发习惯，无论是侧重于系统底层开发还是应用层开发，都能找到合适的环境。

· 开发语言支持：支持 Python、C、C++ 等多种主流开发语言。Python 以其简洁的语法和丰富的库，成为人工智能开发的首选语言之一，学生可以使用 Python 快速搭建人工智能模型，进行数据处理、算法实现等操作。​

· 深度学习框架：内置 TensorFlow、TensorFlow Lite、PyTorch 等多种深度学习框架。TensorFlow 是谷歌开发的一款广泛应用的深度学习框架，具有强大的计算图优化功能和丰富的模型库，可用于构建各种复杂的深度学习模型，如神经网络、卷积神经网络、循环神经网络等。TensorFlow Lite 则专门为移动设备和嵌入式设备进行了优化，能够在资源有限的环境下高效运行深度学习模型，适合实训箱这种嵌入式设备。PyTorch 以其动态计算图的特性，在研究和开发领域备受青睐，它的代码风格更加简洁直观，易于调试和修改，方便学生进行深度学习算法的探索和创新。通过这些深度学习框架的支持，学生可以在实训箱上进行从模型搭建、训练到部署的全流程操作，深入理解深度学习的原理和应用。​

· 计算机视觉库：预装 OpenCV 计算机视觉库，这是一个功能强大的开源计算机视觉库，包含了众多用于图像处理、计算机视觉任务的算法和函数。学生可以利用 OpenCV 进行图像的读取、预处理、特征提取、目标检测、图像识别等操作，结合深度学习框架，实现如人脸识别、物体检测、图像分类等实际应用项目。OpenCV 的丰富功能和广泛应用，使其成为人工智能实训中不可或缺的工具，能够帮助学生快速上手计算机视觉领域的开发，提升其实践能力。​

· 实训课程资源：配套丰富的实训课程资源，包括从基础到进阶的人工智能课程。基础课程涵盖 Python 编程基础、人工智能理论基础、机器学习基础算法等内容，帮助学生建立起对人工智能的基本认知和编程能力。进阶课程则深入讲解深度学习算法、计算机视觉应用、自然语言处理应用等领域的知识和实践项目，如基于卷积神经网络的图像分类实战、基于循环神经网络的文本情感分析实战等。课程资源采用理论讲解与实践操作相结合的方式，每个知识点都配备了相应的实验案例，学生可以在实训箱上直接运行和调试代码，通过实践加深对理论知识的理解。同时，课程资源还提供了详细的实验指导手册和视频教程，方便学生自主学习和解决遇到的问题。​

（三）特色功能应用

· 黑白图像上色体验应用：该功能依托实训箱内置的深度学习框架（如 TensorFlow、PyTorch）和计算机视觉库（OpenCV）实现。通过相关图像上色模型，对输入的黑白图片进行上色推理。学生可以将黑白图像通过 USB 接口传入实训箱，利用 RK3588 处理器的强大算力，让模型快速处理图像，在 13.3 英寸高清显示屏上清晰呈现上色后的效果。此应用能让学生直观感受深度学习在图像生成与修复领域的应用，理解图像特征提取、色彩预测等算法原理，是计算机视觉实训中的重要实践内容。​

· 雨天图像增强体验应用：借助实训箱的高性能硬件和专业的图像处理算法，可对雨天图像进行清晰化处理。雨天图像往往存在雨线干扰、对比度低等问题，该应用通过预处理、雨线检测与去除、图像增强等步骤，提升图像质量。处理过程中，OpenCV 库用于图像的读取和基础处理，RK3588 处理器保障处理效率，处理后的清晰图像在显示屏上展示。学生通过该应用能学习到图像去噪、增强等计算机视觉技术，了解如何运用算法解决实际场景中的图像质量问题，增强对人工智能在恶劣环境下图像优化应用的认知。

（四）实训箱特色​

· 软硬协同设计：实训箱的硬件和软件进行了深度协同设计，硬件的高性能配置为软件的运行提供了坚实的基础，而软件的丰富功能则充分发挥了硬件的潜力。例如，NPU 与深度学习框架的紧密结合，使得模型的推理速度得到极大提升；传感器模块与相应的驱动程序和算法相结合，能够快速准确地采集和处理数据。这种软硬协同的设计理念，使学生在实训过程中能够更好地理解硬件与软件之间的交互关系，培养其综合开发能力。​

· 产教融合理念：以产教融合为导向进行设计，实训项目和课程资源紧密贴合实际行业应用。通过模拟真实的工业场景和业务需求，学生在实训过程中能够接触到实际工作中的问题和挑战，掌握解决实际问题的能力。例如，利用 6 轴机械臂组件进行零件分拣的实训项目，模拟了工业生产中的自动化分拣流程；基于传感器模块的智能环境监测项目，与实际的智能家居、智能工厂环境监测应用相似。这种产教融合的设计，使学生毕业后能够更快地适应企业的工作岗位，实现从学校到职场的无缝对接。​

· 多场景教学支持：能够覆盖多种教学场景，满足不同课程和专业的教学需求。在计算机科学与技术、人工智能、自动化、电子信息等专业的教学中，可用于 Python 编程、机器学习、深度学习、计算机视觉、自然语言处理、嵌入式系统等课程的实践教学。同时，也适用于创新创业实践、学科竞赛等活动，为学生提供了一个综合性的实践平台，培养学生的创新思维和实践能力。

2. 智能小车及教学实训系统

（一）硬件部分​

· 主控单元：国产化芯片的边缘计算开发板，采用先进的四核心CPU架构，主频1.5 GHz，内存容量为4GB/4266Mbps（支持ECC功能），能够高效处理复杂的控制算法和传感器数据，为智能小车的稳定运行提供强大的运算支持。同时，内置8TOPS算力的NPU和半精度4 TFLOPS的运算能力，专门针对人工智能算法进行优化，可实现AI模型的本地快速部署与推理，大大提高了人工智能相关任务的执行效率，满足如机器学习、深度学习模型的实时运行需求。

· 电机驱动模块：采用 TB6612FNG 电机驱动芯片，可同时驱动两路直流电机。该芯片能够承受高达 1.2A 的连续输出电流，峰值电流可达 3.2A，能够为智能小车的电机提供充足动力。其内置的过热保护和过流保护功能，可有效防止电机因异常情况受损，保障系统的稳定性和可靠性。通过 PWM（脉冲宽度调制）技术，能够精准控制电机的转速和转向，实现智能小车的前进、后退、转弯、调速等动作。​

· 传感器模块​

· ①超声波传感器：配置 HC - SR04 超声波传感器，用于检测小车前方障碍物的距离。其有效检测范围为 2cm - 400cm，测量精度可达 ±0.3cm。通过发射和接收超声波信号，计算信号往返时间来确定障碍物距离，为小车的避障功能提供关键数据支持。​

· ②红外循迹传感器：在小车底部安装 3 个红外循迹传感器，呈左、中、右分布。该传感器能够检测地面上的黑线或其他颜色对比明显的轨迹，检测距离可在 2mm - 10mm 范围内调节，适应不同场景的循迹需求。通过检测反射光的强度变化，判断小车与轨迹的相对位置，实现沿预定轨迹行驶的功能。​

· ③陀螺仪传感器：选用 MPU6050 六轴陀螺仪加速度计，可实时检测小车的姿态变化，包括俯仰角、翻滚角和偏航角等。其测量范围可设置为 ±250°/s、±500°/s、±1000°/s 和 ±2000°/s，满足不同精度要求的应用场景。通过获取小车的姿态信息，可辅助小车在行驶过程中保持平衡，以及在转弯等操作时进行精确的角度控制。​

· ④视觉传感器：配备 OpenMV 摄像头，能够采集彩色图像，分辨率最高可达 1600×1200 像素。支持多种图像识别算法，如颜色识别、物体识别、二维码识别等。通过对采集到的图像进行分析处理，可实现智能小车的物体跟随、目标检测等高级功能，为学生提供更丰富的人工智能应用实践场景。​

· 电源模块：采用可充电的锂电池组，电压为 7.4V，容量为 2200mAh，能够为智能小车提供稳定且持久的电源供应。配备专门的电源管理电路，可对电池进行过充、过放保护，延长电池使用寿命。同时，通过降压电路将电压转换为 5V 和 3.3V，为单片机、传感器和其他模块供电，确保各模块正常工作。​

· 通信模块​

· ①蓝牙模块：集成 HC - 05 蓝牙模块，用于实现手机或电脑与智能小车的无线通信。可在 10 米范围内稳定传输数据，方便用户通过移动设备对小车进行远程控制，如发送前进、后退、转弯等指令，也可用于实时获取小车的传感器数据和状态信息。​

· ②Wi - Fi 模块：选用 ESP8266 Wi - Fi 模块，支持 802.11b/g/n 协议，可将智能小车接入局域网或互联网。通过 Wi - Fi 连接，可实现更高速的数据传输，支持远程视频监控（配合 OpenMV 摄像头）、与云端服务器进行数据交互等功能，拓展了智能小车的应用场景，例如在远程控制、数据采集与上传等方面具有更广泛的应用。​

（二）软件部分​

· 操作系统：基于 FreeRTOS 实时操作系统进行开发，该系统具有高效的任务调度机制，能够确保智能小车的各个功能模块（如传感器数据采集、电机控制、通信等）在多任务环境下稳定运行，互不干扰。通过合理分配系统资源，提高了系统的实时性和可靠性。​

· 开发语言：采用 C 语言进行程序开发，C 语言具有高效、灵活、可移植性强等特点，适合对硬件进行底层控制和复杂算法的实现。学生可以通过编写 C 语言代码，深入理解智能小车的控制原理和人工智能算法的实现过程，培养其编程能力和逻辑思维能力。​

· 公有云账号绑定功能：支持主流公有云平台（如阿里云、腾讯云、AWS、华为云等）的账号绑定，通过系统内置的安全认证模块，实现智能小车与公有云账号的安全连接。绑定过程简单便捷，学生和老师可通过图形化界面输入账号信息、密钥等进行授权绑定，绑定后可实现以下功能：​

·     ①云存储交互：支持用户直接从课程章节进入实验，可将实训过程中产生的实验数据、图像、模型文件等上传至公有云的对象存储服务中进行安全存储和管理，也可从云端下载所需的数据集、模型和课程资源。​

·     ②云端班级管理：支持教师将自主实验分配给班级用户；支持用户进行自主实验，可选择实验时间、资源配置；同时支持通过桌面云形式进入页面平台实验操作区。​

·     ③模型管理与部署：在实训箱中开发和训练的人工智能模型，可上传至公有云的模型仓库进行版本管理，也可直接部署到云端的 AI 推理服务中，供其他设备或应用调用，实现模型的共享和规模化应用。​

·     ④数据分析与可视化：传感器采集的数据、实验结果等可实时同步至公有云的数据分析平台，利用云端的大数据分析工具进行深度挖掘和可视化展示，生成直观的图表和报告，辅助学生理解数据规律。​

·     ⑤远程管理与协作：支持查看Markdown实验指导书；实验指导区支持查看实验指导书或实验指导视频；老师可通过绑定的公有云账号远程查看学生的实训进度和实验数据，进行在线指导和评价；学生之间也可通过云端共享实验成果，实现协作开发和学习交流。

（三）算法库​

· 运动控制算法：内置 PID（比例 - 积分 - 微分）控制算法，用于精确控制电机的转速和转向，使智能小车能够按照预定的轨迹和速度行驶。通过调整 PID 参数，可适应不同的行驶场景和控制要求，提高小车的运动稳定性和准确性。​

· 避障算法：实现基于超声波传感器和红外传感器数据的避障算法，如 A * 算法、Dijkstra 算法等。这些算法能够根据传感器检测到的障碍物信息，规划出一条安全的行驶路径，使小车能够在复杂环境中自主避障行驶。​

· 图像识别算法：集成 OpenCV 库中的常用图像识别算法，如 Haar 级联分类器用于物体识别、颜色直方图用于颜色识别等。结合 OpenMV 摄像头采集的图像数据，学生可以利用这些算法实现智能小车对特定物体或颜色的识别和跟踪功能，深入了解计算机视觉在人工智能领域的应用。​

· 教学实训软件平台：配套专门的教学实训软件平台，具有友好的用户界面。该平台提供了丰富的教学资源，包括实验指导手册、视频教程、示例代码等，方便学生自主学习和实践。学生可以在平台上进行代码编写、编译、下载到智能小车中运行，并实时查看传感器数据、小车运行状态等信息，实现对人工智能算法和智能小车控制的可视化调试和验证。​

3. 其他辅助设备

（一）红外半球型智能摄像机模块

配置高清红外半球型智能摄像机，具备强大的智能分析与图像采集能力，具体功能如下：​

· 多算法切换运行：支持人脸相关模式与行为分析模式的灵活切换。在人脸相关模式下，可实现人脸与人体的关联抓拍，精准捕捉人物影像并建立对应关系；在行为分析模式下，能够进行快速移动、徘徊检测等行为识别，及时发现异常行为。​​

· 高精度人脸属性分析：可对检测到的人脸进行多维度属性分析，包括年龄段（老、中、轻）、性别、是否带口罩、是否带眼镜等，各项属性分析的平均准确率≥90%，为实训中人脸识别算法的优化与应用提供精准数据支持。​

· 多目标检测与抓拍能力：在同一视频画面中，最多可同时检测≥25 个运动人体目标，同时支持对≥15 个运动人体目标进行检测、跟踪与抓拍，且支持人体正面、背面双向抓拍，抓拍率≥95%，能满足复杂场景下的多目标识别实训需求。​

· 数据交互与应用：该摄像机采集的视频数据、人脸属性分析结果及人体抓拍信息，可通过实训箱的网络接口上传至绑定的公有云平台进行存储、分析与共享，也可与实训箱的其他模块（如人脸识别模块、行为分析算法库）协同工作，用于开展人脸识别系统开发、行为分析算法优化等实训项目，助力学生深入理解计算机视觉在智能安防、人机交互等领域的应用。

（二）基于计算机视觉的智能交通沙盘配置

· 智能交通沙盘硬件参数​

设备整体规格：设备整体尺寸≥2m×1.5m×0.5m，台面尺寸≥3m²，为各类交通场景模型和实验操作提供充足空间，满足多人同时开展实训的需求。台面采用耐磨、防滑材质，确保模型稳固放置，同时便于清洁和维护。​

仿真交通场景模型​

· 全息交通路口：包含≥双向 8 车道的仿真道路，车道及路口标线清晰规范，严格按照实际交通规则比例设计，如车道分界线、停止线、斑马线等，真实还原城市道路路口场景。配备≥2 个手动控制红绿灯模型，可模拟不同交通信号灯状态，支持手动切换红灯、绿灯、黄灯，为交通信号灯与车辆行为关联的算法实验提供场景支持。​

· 停车场场景：提供≥48 个标准停车位的停车场场景模型，停车位标线清晰，包含入口、出口、通道等设计，模拟真实停车场的布局。同时配备≥2 处辅助场景模型，如加油站、人行道等，丰富交通沙盘的场景多样性，为更复杂的交通场景算法实验创造条件。​

· ①模型小车道具：提供实验所需的各类模型小车，具体包括：磁力小车≥9 个，采用磁力驱动方式，可通过外部控制实现自动行驶，便于开展车辆跟踪、路径规划等实验；工程车、货车、公交车≥3 个，不同车型具有明显外观特征，用于车型识别算法的训练与测试；普通款型小车≥30 个，款式多样，可模拟社会车辆，满足大规模车辆检测与分析实验的需求。所有模型小车尺寸与交通沙盘场景比例适配，确保在沙盘中行驶顺畅。​

· ②视觉采集与处理模块：配备高清工业相机≥4 台，分布安装于交通沙盘上方不同位置，实现对沙盘全域场景的无死角拍摄，拍摄分辨率≥1920×1080，帧率≥30fps，确保清晰捕捉车辆行驶状态、红绿灯变化等细节。相机通过数据传输线与人工智能实训箱连接，将采集的视频数据实时传输至实训箱的 RK3588 处理器进行处理，利用其内置的 6TOPS 算力 NPU 和 OpenCV 计算机视觉库，实现对车辆的实时检测、识别与分析。​

· ③控制与交互模块：包含小车控制单元，可通过无线通信方式（如蓝牙、Wi-Fi）与模型小车进行连接，实现对磁力小车等自动行驶车辆的速度、方向控制，支持预设路径行驶和实时遥控两种模式。配备触摸显示屏，用于展示实验数据、算法处理结果，如车辆识别标注画面、违规行为判断结果等，同时支持手动操作设置实验参数，如调整检测区域、启动 / 停止实验等。

· 智能交通沙盘软件参数​

· ①车型 / 车辆检测实验：基于计算机视觉技术，支持对沙盘道路上的车辆及车辆类别进行识别。通过高清工业相机采集视频画面，利用实训箱中的深度学习框架（如 TensorFlow、PyTorch）和训练好的车型识别模型，对画面中的车辆进行实时检测，自动在画面中框选标注车体，并截图显示车辆细节及车辆类别（如公交车、货车、小车等）结果。该功能可用于车辆检测算法的优化、车型分类模型的训练等实训项目，帮助学生理解目标检测和图像分类算法在智能交通中的应用。​

· ②违规掉头检测实验：针对交通沙盘中的禁止掉头区域，通过视觉采集模块实时监测该区域内的车辆行驶状态。系统利用目标跟踪算法对自动运行的车辆进行持续跟踪，分析车辆行驶轨迹，当检测到车辆在禁止掉头区域实施掉头行为时，自动在画面中框选标注该车辆，截图显示车辆当前行驶状态并判断为违规掉头，同时记录违规时间和车辆信息。此功能为学生提供了违规行为识别算法的实践平台，可深入研究轨迹分析、区域检测等技术。​

· ③占用公交车道检测实验：对交通沙盘中的公交车专用车道区域进行实时监控，通过计算机视觉算法识别行驶在该区域内的车辆。系统能够区分公交车与社会车辆，当检测到非公交车占用公交车道时，自动框选标注该车辆，截图显示车辆当前行驶状态并判断为占用公交车道行为。学生可通过该实验学习特定区域车辆识别、类别判断等算法，理解智能交通中专用车道管理的技术实现。

· ④闯红灯检测实验：针对交通沙盘的十字路口区域，结合红绿灯状态和车辆行驶情况进行检测。系统实时识别交通信号灯的颜色状态，并跟踪通过路口的车辆，当检测到车辆在红灯状态下越过停止线时，自动框选标注该车辆，截图显示车辆当前行驶状态和交通信号灯状态，并判断为闯红灯行为。该实验可让学生掌握多目标（车辆与信号灯）协同识别技术，以及基于时间序列的行为判断算法。

· ⑤剩余停车位检测实验：对停车场场景模型中的停车位进行实时监测，通过视觉采集模块获取停车场画面，利用图像分割和目标检测算法识别已停放车辆和空余车位。系统自动在画面中框选标注已停放的车辆，统计并显示空余车位数量，同时可生成停车位占用热力图，直观展示停车场的使用情况。学生通过该实验可学习区域分割、数量统计等算法，了解智慧停车场中车位管理的技术原理。​

· ⑥违规停车检测实验：监测停车场场景中车辆的停放情况，识别未停放在指定停车位内的车辆（如停放在通道、入口等区域）。系统自动框选标注违规停放的车辆，截图显示违规位置和车辆状态，帮助学生掌握异常行为检测算法在停车场管理中的应用。