个人介绍
人工智能与机器学习
深度学习模型开发:熟练使用 Python和 PyTorch ,专注于目标检测、识别和追踪。
图像处理:精通 OpenCV ,擅长高级图像分析和优化机器学习模型。
编程与软件开发
丰富的C语言和嵌入式系统经验,包括低功耗蓝牙和 MCU 编程。
Web 开发:精通 Django和 Flask ,熟练使用 PyQt 进行前端设计。
系统操作与数据库管理
Linux 环境熟练,具备数据库架构和管理能力。
工作经历
2018-08-01 -至今深圳原数科技有限公司算法工程师
深圳原数科技有限公司 Python 2023.01-至今 1陷阱相机野生动物模型数据采集 、模型训练 2远程水阀涂鸦小程序前端开发 3国电南瑞充电桩有序控制模块开发适配 深圳原数科技有限公司 算法工程师 2023.03-2024.03 1.南京南瑞 CVT 项目开发 新增 CVT 数据及事件采集 、召测 更新数据库存储机制 格蓝若武汉联调(含后续测试) 2.湖南-698集中器 新增光伏逆变器数据控制 、上报 新增物联表数据采集 、上报 新增湖南定制化停上电功能 优化分钟级采集数据缺点 、主动上报功能 3.河北-698集中器 新增分钟级数据主动上报及
2017-08-01 -2018-08-01北京航科智控信息科技有限公司 算法工程师
编写车票预处理算法 图像优化处理:开发算法以清晰化和标准化车票图像,包括调整亮度、对比度,执行去噪和锐化等操作,确保文本和图形信息清晰 可读。 特征提取与格式标准化:从车票图像中准确提取关键信息(如日期、时间、车次等),并将其转换为标准格式,以便后续处理。 修改并训练 CRNN 代码 代码优化:调整现有的 CRNN (卷积循环神经网络)模型代码,以提升其在车票文本识别方面的性能和准确度。 模型训练与调参:利用预处理后的车票数据进行模型训练,不断调整超参数以获得最佳的识别效果。 提供 API 供前端调用
2016-08-01 -2017-08-01北京航科智控信息科技有限公司算法工程师
内容: 工厂 APS 排产算法编写 算法设计与开发:负责设计和开发高效的自动化排产算法,用于优化工厂生产线的调度。这涉及对生产流程、资源分配、时间管理 东北石油大学 本科 化学 2012-2016 等多个方面的精密计算和排程。 数据集成与分析:整合来自生产、库存、物流等多个部门的数据,通过分析这些数据来洞察生产流程中的关键变量和潜在瓶颈。 算法实时调整:在生产过程中实时监控并调整排产算法,以应对突发情况或生产线变化,确保生产流程的连续性和效率。 业绩: 通过高级算法设计和优化,提高工厂的生产效率和资源使用效率,降低成本,同时确保生产质量和可持续性,为企业创造更大的经济和环境价值
教育经历
2012-09-01 - 2016-06-01东北石油大学化学本科
技能
项目背景 随着家电行业的快速发展,冰箱等产品的品牌形象和能效标识成为消费者关注的焦点。冰箱的 Logo 和能效图标不仅是品牌识别的关键元素,也是产品质量认证的标志。因此,在冰箱生产过程中,对 Logo 和能效图标的正确张贴和显示进行自动化检测显得尤为重要。传统的人工检测方式效率低、成本高,容易出现遗漏或误判。本项目旨在开发一套基于图像识别的冰箱 Logo 和能效图标自动检测系统,帮助提高生产线检测效率,保障产品标识合规性。 项目目标 本项目旨在建立一个智能检测系统,通过计算机视觉和深度学习技术对冰箱表面的 Logo 和能效图标进行检测,确保位置、内容、清晰度等符合品牌和能效要求,从而提升冰箱生产过程的合规性和产品质量。 项目功能 Logo 位置与完整性检测:识别冰箱表面的品牌 Logo,检查其位置是否正确、图案是否完整清晰,避免 Logo 缺失、错位或模糊。 能效图标检测:检测冰箱上的能效图标,验证图标内容和能效等级是否符合标准,确保冰箱出厂时符合能效要求。 图像质量分析:对图标和 Logo 的清晰度、色彩等进行分析,识别任何潜在的印刷或张贴质量问题,确保品牌和图标视觉效果一致。 自动报警和提示:若检测到 Logo 或能效图标不合规,系统会自动报警或提示操作人员,及时进行调整或修复。 检测数据存储与报告生成:将检测数据存储至数据库,定期生成合规检测报告,帮助生产线分析产品标识合规情况,为管理层提供数据支持。 项目特点 高准确度识别:通过深度学习模型,准确识别冰箱上的 Logo 和能效图标,提高检测的准确性。 实时检测:系统支持实时检测,能够在生产线的流水作业中快速完成标识检测。 自动化与智能化:无需人工干预,自动识别和报警,提升工厂自动化水平。 数据可追溯性:检测记录可追溯,帮助工厂进行长期数据分析和质量管理。 技术架构 图像采集系统:通过高分辨率摄像头采集冰箱表面的图像数据,传输到后台进行分析。 图像处理与识别模型:使用深度学习模型(如 YOLOv8 或 ResNet 等)进行图像处理和分析,识别 Logo 和能效图标的位置、内容和清晰度。 后台数据管理与报告系统:将检测数据存储至数据库,定期生成检测报告并进行数据分析,便于追溯和质量管理。 报警与通知系统:与生产线的报警系统对接,检测到不合规标识时自动报警,确保生产过程及时纠正。 项目价值 提高检测效率:实现 Logo 和能效图标的自动化检测,降低人工检测成本,提高检测速度。 保证产品合规性:确保冰箱出厂时 Logo 和能效图标符合品牌和能效标准,提升产品在市场中的竞争力。 支持质量管理:通过数据追溯,帮助工厂更好地进行质量分析和改进,推动产品品质提升。 提升品牌形象:确保 Logo 和能效图标的准确显示,提升冰箱产品的品牌形象和市场认可度。 本项目的实施将帮助冰箱生产线显著提高标识合规性和质量控制水平,推动生产智能化升级,为企业发展提供有力的技术支持。
项目背景 在制造业环境中,工人穿戴的安全装备和服装合规性直接关系到工厂的安全生产与员工的健康保护。美的工厂作为全球知名的家电制造企业,对生产过程中的工人穿戴规范有严格的要求。然而,传统的人工检查方法存在效率低、覆盖不全的缺陷,且容易出现人为疏忽。因此,引入智能化的穿戴合规检测系统,有助于提高安全管理水平,确保员工符合工厂规定的穿戴标准。 项目目标 本项目旨在开发一套智能穿戴合规检测系统,通过图像识别、深度学习等技术对工人穿戴的合规性进行实时检测,确保员工按照规定穿戴安全帽、工作服、手套等装备,从而提高美的工厂的生产安全性和规范性。 项目功能 穿戴合规检测:实时识别员工的穿戴情况,判断安全帽、工服、手套等是否佩戴齐全,并自动记录检测结果。 违规报警:如果发现穿戴不合规的情况,系统会触发报警,通知现场管理人员及时干预,确保安全隐患尽早消除。 数据分析与报告生成:对检测数据进行统计分析,生成定期合规报告,帮助管理层掌握安全状况,改进管理流程。 人员身份与权限管理:结合员工的身份信息进行权限管理,确保特定区域和任务的穿戴合规,提升管理的精准性。 项目特点 高效性:通过自动化检测提高合规检查效率,减少人工检查的时间消耗。 准确性:采用深度学习模型,能够准确识别和判断员工穿戴是否符合规定。 实时性:系统提供实时监控和报警功能,及时处理违规情况,保障安全。 数据可追溯性:所有检测数据将保存至数据库,便于追溯和分析,帮助工厂制定进一步的安全管理措施。 技术架构 前端系统:安装在工厂的摄像头实时采集工人图像,传送至后台系统。 后台系统:应用深度学习模型(如 YOLOv8)进行图像分析,判断员工穿戴情况。检测结果保存至数据库,并生成定期合规报告。 报警与通知系统:与现场报警装置和管理层通知系统集成,实现异常情况实时报警和通知。 项目价值 提升安全管理水平:减少安全隐患,确保生产环境的安全性。 提高检查效率:自动化系统替代人工检查,减少误差,提高工厂管理的智能化程度。 降低管理成本:自动化合规检测大幅减少了人工检查的投入,节约管理成本。 通过本项目的实施,美的工厂将大幅提升工人穿戴规范的合规性,进一步保障生产安全,为企业的智能化管理奠定基础。