该项目用于下载一些写真网站图片，可以批量下载。 下载方式分为单页下载和多页下载。 单页下载用于在当前URL中抓取，通过变换请求来切换不同页面。 多页下载方式中需要预定义URL迭代规则。 实测在1000Mbps带宽的家用场景中，三天半可以爬完整个“秀人网”。并整理了多达2.3TB的图片资料。 （限于内容比较暴露不方便展示抓取的图片，仅展示部分代码）

为了能够方便地进行跨平台部署，本项目使用JavaScript代码编写。这样的好处是可以大量分发给不同的平台的用户，包括Windows、MacOS等而不需要做适配工作。同时使用方法也简单，只需要调出控制台复制粘贴即可。 项目功能是对某条微博持续刷转评赞的量，利用浏览器执行。 刷量实现方法：编写了一个AJAX模块，向微博服务器持续发送请求。通过异步任务定时重刷。（微博不能连续刷，需要有休息时间。）通过尾部添加随机数避免重复。 发送的请求通过浏览器控制台抓取，并由本人专门研究过。其他网站也是可以刷的，只不过需要具体研究请求表单内容。一般来说通过JSON方式发送，需要用到JS内置的JSON模块转换一下表单形式。

本人985博士，发明的一项研究成果，现已发表于CCF A类国际顶尖会议UbiComp。 系统UI使用Python和OpenCV实现，现已商用于Philips等知名电动牙刷厂商。 功能包括：刷牙位置识别与显示，刷牙时长统计（每颗牙）。 具体实现： 信号处理实现方法：通过调用numpy、scipy等科学库实现相关算法。相关算法共编写了5个大的模块，包括离散傅立叶变换、巴特沃斯滤波器等信号算法，也包括决策树、支持向量机、狄杰斯特拉等决策算法。 数据来源：麦克风实时监测刷牙位置（相关算法原理可见论文） UI实现方法：所有的牙齿分为32个图层，系统通过调用OpenCV API改写图层的通道值实现牙齿热度图的实时刷新。并绘制箭头显示在当前牙齿位置。 深度学习方法：本项目使用TensorFlow构建了一个深度学习网络用于辅助判断。网络模型参考VGG实现。数据来自于实际的麦克风文件wav，使用numpy生成data.npy和label.npy文件用于规整数据集。训练200个batch以达到基本效果。