gandalf
全职 · 300/日  ·  6525/月
工作时间: 工作日08:30-21:30、周末08:30-21:30工作地点: 远程
服务企业: 0家累计提交: 0工时
联系方式:
********
********
********
聊一聊

使用APP扫码聊一聊

个人介绍

我是一名热衷于计算机视觉(CV)、同步定位与地图构建(SLAM)以及单片机开发的工程师,拥有丰富的项目经验和技术积累。在过去的几年中,我致力于将这些技术应用于各种实际场景,推动智能设备的创新与发展。


技能概述计算机视觉(CV)熟悉OpenCV、pytorch等计算机视觉框架,能够进行图像处理、特征提取和目标检测。参与多个图像识别项目,提升了识别准确率和实时处理能力。擅长运用深度学习技术解决复杂的视觉任务,包括图像分类、分割和三维重建。同步定位与地图构建(SLAM)理解SLAM的基本原理和算法,熟悉常用的SLAM框架(如ORB-SLAM和RTAB-Map)。参与开发基于视觉和激光雷达的SLAM系统,实现环境的实时建图和定位。有效处理动态环境中的数据融合问题,提升了系统的鲁棒性和精度。单片机开发精通Arduino、STM32等单片机平台,具备丰富的嵌入式开发经验。能够设计和实现各种传感器的数据采集和控制系统,搭建智能硬件原型。在项目中多次应用单片机与计算机视觉结合,开发智能监控、自动导航等应用。


工作经历

  • 2022-02-01 -至今商汤科技算法工程师

    研究最新的计算机视觉技术与算法,推动项目的技术进步。 开发和优化图像处理、目标检测、图像分割、人脸识别等算法

教育经历

  • 2007-09-01 - 2011-07-01四川大学自动化本科

技能

深度学习
图像识别
单片机
0
1
2
3
4
5
0
1
2
3
4
5
作品
AGV自主移动底盘

随着机器人技术的快速发展,激光SLAM(同步定位与地图构建)技术在智能移动机器人中扮演了越来越重要的角色。室内激光SLAM自动移动底盘是这一技术的具体应用之一,它能够在复杂的室内环境中自主导航、避障和地图构建,广泛应用于物流、清洁、安防等领域。 2. 激光SLAM技术概述 激光SLAM结合了激光测距与高效的算法,使机器人能够在未知环境中实现自主定位和地图构建。与传统的视觉SLAM相比,激光SLAM具备更高的精度和可靠性,尤其在光照条件不佳或环境特征不明显的情况下,激光传感器仍能提供稳定的距离测量数据。 3. 关键组件 3.1 激光传感器 激光传感器是自动移动底盘的核心组件之一,通常采用激光测距仪(如LIDAR)来获取周围环境的高精度数据。这些传感器通过发射激光束并测量反射回来的时间,构建出环境的二维或三维地图。 3.2 运动控制系统 运动控制系统负责处理来自传感器的数据,并将其转化为移动底盘的运动指令。这一系统通常包括电机驱动、轮子配置和路径规划算法,确保机器人能够平稳、高效地移动。 3.3 计算单元 计算单元是处理SLAM算法和数据分析的核心。现代移动底盘通常配备强大的单板计算机(如Raspberry Pi或NVIDIA Jetson),用于实时处理传感器数据、执行SLAM算法和控制运动。 4. SLAM算法 SLAM算法的核心是数据关联、地图更新和状态估计。通过不断获取环境数据,机器人能够实时更新自己的位置并调整地图。常用的SLAM算法包括: 扩展卡尔曼滤波(EKF-SLAM):通过状态估计来降低噪声对定位精度的影响。 粒子滤波(PF-SLAM):使用一组粒子来表示位置分布,适合非线性和高维度的环境。 图优化(G2O):通过图形优化方法来实现全局地图的优化,提升整体定位精度。 5. 应用场景 室内激光SLAM自动移动底盘的应用场景十分广泛: 物流仓储:自动搬运机器人能够在仓库内自主导航,实现货物的搬运和分类,显著提高工作效率。 清洁服务:智能扫地机器人利用SLAM技术能够准确识别清洁区域,自动规划清扫路径。 安防监控:巡逻机器人可在固定区域内自主巡逻,实时获取监控数据,并在发现异常时做出响应。 6. 挑战与未来发展 尽管室内激光SLAM自动移动底盘的应用潜力巨大,但仍面临一些挑战。例如,复杂环境下的实时数据处理、动态障碍物的识别与避让、以及长时间运行的能量管理等。 未来,随着人工智能和计算能力的提升,SLAM技术将朝着更高的精度和更强的适应性发展。同时,结合深度学习和计算机视觉等新兴技术,机器人在复杂环境中的自主能力将进一步增强。

0
2024-09-24 20:39
菜品视觉识别

随着科技的发展,图像识别技术在各个领域得到了广泛应用。特别是在餐饮行业,基于视觉的菜品识别系统正逐渐成为提升顾客体验和优化运营流程的重要工具。本文将介绍一种基于视觉的菜品识别系统,强调其免训练添加新菜品的优势以及具体实现方式。 1. 系统概述 基于视觉的菜品识别系统旨在通过图像处理和计算机视觉技术,自动识别并分类各种菜品。传统的菜品识别方法往往需要大量的训练数据和复杂的深度学习模型。而我们的系统设计理念是通过免训练的方式,简化新菜品的添加过程,使其更加灵活和高效。 2. 技术架构 系统主要由以下几个模块组成: 图像采集模块:通过摄像头实时捕捉菜品图像。 图像处理模块:对捕捉到的图像进行预处理,包括去噪声、图像增强等操作。 特征提取模块:利用传统的计算机视觉技术(如边缘检测、颜色直方图等)提取菜品的特征,而不是依赖于深度学习模型。 菜品识别模块:将提取的特征与数据库中的特征进行比对,实现菜品识别。 数据库管理模块:用于存储已有菜品的特征信息,并支持用户方便地添加新菜品。 3. 菜品识别流程 系统的菜品识别流程可以分为以下几个步骤: 图像捕捉:用户通过摄像头拍摄当前的菜品,图像被实时传输到系统中。 图像预处理:系统对捕获的图像进行处理,包括调整亮度、对比度,去除背景噪声等,以提高后续特征提取的效果。 特征提取:采用 SIFT、ORB 等特征提取算法,从处理后的图像中提取出关键特征。这些特征将用于后续的菜品比对。 菜品比对:系统将提取的特征与数据库中存储的特征进行比对。通过计算特征之间的相似度,识别出最匹配的菜品。 结果展示:识别结果将反馈给用户,包括菜品名称、可能的配料以及营养信息等。 4. 免训练添加新菜品的优势 在传统的机器学习模型中,添加新菜品往往需要重新训练模型,这个过程不仅耗时,而且需要大量的标注数据。而我们的系统通过以下方式实现免训练的菜品添加: 特征存储:用户在首次识别新菜品时,系统会自动提取其特征并存储到数据库中。下一次识别时,系统只需与已存特征进行比对,无需重新训练。 简单操作:用户可以通过简单的界面操作输入新菜品的名称和描述,系统会自动完成特征的提取和存储,大大降低了使用门槛。 灵活性高:由于不依赖深度学习模型,系统对新菜品的适应能力强,可以快速应对餐厅菜单的变化。 5. 应用场景 该系统可以广泛应用于以下场景: 餐厅自助点餐:顾客可以通过摄像头拍摄菜品,系统自动识别并提供详细信息,提升点餐体验。 营养监测:用户在家庭烹饪时,能够通过该系统了解自己制作的菜品的营养成分,帮助制定健康饮食计划。 食品安全:在食品监管中,可以利用该系统进行食品追溯和检测,确保食品的安全与合规。 6. 未来展望 随着计算机视觉和人工智能技术的不断进步,基于视觉的菜品识别系统有望实现更高的识别准确率和更丰富的功能。例如,未来可以结合自然语言处理技术,实现对菜品的智能推荐和个性化服务。此外,随着用户数据的积累,系统还可以分析用户的偏好,从而提供更贴心的饮食建议。

0
2024-09-24 20:39
更新于: 09-23 浏览: 46