近日，“新大陆杯”2023年江苏省大学生计算机设计大赛暨2023年中国大学生计算机设计大赛江苏省级赛落下帷幕，我院三组本科生团队在大赛中斩获佳绩，获得特等奖两项，二等奖一项，詹德川、章宗长老师获评优秀指导教师。下面，让我们一起来领略三组团队的风采吧~
项目名称 智电未来——区域电力负荷预测深度学习平台
项目成员 史浩男 史浩宇 陈硕
指导老师 詹德川 金莹
项目介绍
作品响应国家《“十四五”现代能源体系规划》文件要求，助力实现其中最主要的“安全保供”目标，并突破国外厂商在电力系统预测领域的技术壁垒，助力“双碳”。目前高效率、低污染的发电方式，往往缺乏应对电力需求突变的能力，因此电网调度系统会预测未来一段时间的用电情况，电厂按照计划向“电网”供电。但是各种极端事件的发生都会降低传统预测方法的准确率，使预测失效，超过电网调度能力，造成大量污染。
面临这样的困境，我们创新性改进了前沿的深度学习算法，结合多种深度学习技巧优化了预测算法，建立电力负荷预测平台，极大提升了预测精度、预报提前量、预测失误率等指标。应用本作品进行负荷预测可以留给我国发电系统更多调整、测试、规划的时间，节省电网维稳成本，节约更多能源，助力“双碳”目标。
比赛心得
回头看这次大数据实践赛的历程，一路走来虽然艰难，但充实且难忘。其实刚决定参加这个比赛时，团队里三个人心里都没底。平时在课堂里学习的以理论知识为主，而实践赛的核心在于利用大数据思维发现社会生活的切实需求，实现数据分析、辅助决策等实际应用。在比赛的过程中我们遇到了很多困难和挑战，当立足于一个真正的实际问题时，我们才发现解决问题的每一步都不容易。无论是前期对电网系统的调研和优质国内外数据集的搜集，还是核心的模型设计与迁移，乃至最后的平台适配和研究报告撰写，都耗费了大量的精力。尤其是进入决赛后，我们不得不顶着专业课的压力推进项目进行。还记得准备最终答辩前，团队三人在计科楼挑灯奋战了好几个夜晚，打磨优化我们的作品和展示PPT。
莫问收获，但问耕耘，努力过后，必有所得。感谢詹德川老师、金莹老师、陈颖老师对团队的关心和指导，感谢学校和学院对项目的支持，感谢团队所有成员的合作和坚持，彼此之间不断引领和互相鼓励，让我们坚持到了最后。
比赛图片
项目名称 妙得：基于CLIP和扩散模型的智能古诗词作画系统
团队成员 俞睿 曹明隽
指导老师 章宗长 张洁
项目介绍
妙得是一款基于CLIP和扩散模型的智能古诗词作画系统，只需输入古诗词文本，妙得就能根据文本智能生成国画画风的图片，将诗词中的意象通过图画的方式展现出来。其主要特色在于将新兴的人工智能图像生成技术与古代诗词和国画相结合，同时还具备多样的诗词主题、丰富的国画题材、可定制高质量的作画结果等亮点。它不仅能够增加读诗的趣味性，还可以帮助用户更好地理解诗词中的意境和内涵，从而加深对古代诗词的体验和理解。
“妙得”这个名字取自陆游诗中“文章本天成，妙手偶得之”一句，同时也来自中国绘画理论中 “迁想妙得” 的重要原则，是诗画的精髓所在。习近平总书记指出，“中华优秀传统文化是我们最深厚的文化软实力，也是中国特色社会主义植根的文化沃土”，而古诗词和国画正是我们源远流长的民族文化中的两颗璀璨夺目的瑰宝。近年来，AI作画也是十分热门的新兴技术，从最早走入公众视野的DALL-E2，到专注于二次元作画的Novel AI等，都受到了广泛的关注。我们受此启发开发了妙得，希望通过图画的形式将古代诗词变得生动具体，解决现代人理解古诗难的问题，激发人们对诗词与国画的兴趣，进而起到弘扬优秀传统文化的作用。
比赛心得
在开发妙得智能古诗词作画系统的过程中，我们深刻认识到将人工智能技术与传统文化相结合的意义，需要跨学科思考和创新，并注重用户体验和实际应用的场景。这样的项目不仅可以增加文化的传承与弘扬，还可以带来创新和乐趣。在技术实现的过程中，我们遇到了古诗词文本难以预处理、人像图片生成不佳的问题，但通过小组成员的共同努力，通过使用古诗文数据库、添加带人像的训练集等方式解决了这些问题。通过本次实践，我们对深度学习模型及其应用产生了更深入的理解，收获颇丰。
比赛图片
项目名称 危险设备违规使用检测系统
团队成员 江易航 张少丹 邓嘉宏 李丹悦 汪宇驰
指导老师 申富饶 张洁
项目介绍
项目依托人脸识别算法与YOLOv6目标检测算法实现了危险设备违规检测系统。该系统包括以下功能：人脸检测与识别、手机目标检测、违规使用手机检测以及操作员疲劳检测。操作员需要首先通过活体检测与人脸识别以登录系统，随后开启违规检测。在实时检测过程中，若操作员出现使用手机或明显疲劳的情况，系统会及时予以提醒，避免危险状况发生。若过程中操作员出现变更，系统也能即使发现并及时锁定，避免不明用户误操作。此外，系统还提供了对已有视频的检测，能够在每一帧图像上标注出当前的操作员、手机以及手的位置，实现违规操作的检测。
比赛心得
在实现系统的过程中，我们最大的困难在于手机检测模型的准确率。在测试中，模型时常将水杯、纸盒等相似的物体也识别为手机。为解决这个问题，我们一方面研究模型算法，另一方面制作扩充了数据集，在原本的开源手机数据集中加入了大量用于鉴别的反例，最终训练的结果令人满意。我们认识到，人工智能算法想要落地，不能仅仅考虑算法本身，而是需要从数据、算法、部署等等从零开始的各个方面都有所思考。这次的经验会对我们以后在人工智能的应用实践中有很大的帮助。
比赛图片
