负责 aigc 工具平台业务功能接口接口开发与维护，如今已实现文生图、图生图、高清修复等接口开发并上线工具平台，使用 chatgpt 生成提示词工具接口开发，降低提示词书写难度；

能够场景化地复现基于深度学习的智能车在实际领域中的应用，尤其是在无人的环境中，实现数据采集、数据模型构建、自主识别弯道、无人驾驶验证等多种技术融合的场景。主要采用如下技术完成本次任务： 1、通过百度 paddlepaddle 深度学习框架解决卷积神经网络的搭建； 2、使用 python、C++语言编写程序； 3、采用 YOLOv 3目标检测算法来实现红绿灯等交通标志检测，车道线识别使用 unet 语意分割网络 4、通过 python multiprocessing 模块多进程实现车道线数据 集采集； 5、arduino 单片机开发下位机程序控制舵机，电机装置，上位机为百度 edgeboard 嵌入式开发板部署网络模型。操作系统为 Linux 系统

使用 halcon 图像处理库实现传统检测算法以及深度学习目标检测技术，传统检测算法做图像预处理，包括图像位姿校正、图像压缩以及图像亮度校正等，将经过预处理后的图像传入深度学习模型进行色差、脏污、粉尘、爆花、漏插以及卡点烧焦类型缺陷检测。深度学习采用rennet50网络结构并将检测图像大小压缩为256*256。将同种缺陷类型按照形态大小，颜色以及明暗继续细化分类，并在训练过程中引入学习率预热训练技巧优化训练过程。AI检测算法对粉尘类型缺陷检测准确率为99.38%，漏失率为0.62%，过判率为0.45%，传统检测算法对粉尘类型缺陷检测准确率为79.26%，漏失率为20.74%，过判率为8.55%，AI算法相比传统算法粉尘类型检测效果提升明显。