图形/图像处理

1，把视频里面的柱子识别出来，用的yolo5，全自主开发，视频追踪和识别 2，自己标注数据，识别准确率是90%。 3，其他的算法方向也可以

1、主要模块有： 垃圾检测模块，在无人机巡检的视频中检测出相应的垃圾信息，并反馈给用户 2、我主要负责的工作： 整个程序全部由我负责完成 技术栈： 后端：Python 目标识别：yolov5 前端： Python的 tkinter模块 3 遇到的困难： 主要是垃圾的形状、颜色、大小、都不固定，这给识别目标带来了一定的困难。 解决：通过增加喂给AI模型更多数据、更细致的人工打标签，使得识别率达到了90%以上

1.面向在校大学生： 本系统的功能如下： (1)基本移动功能：蛇能够根据玩家输入的方向键指令移动； (2)自动增长功能：当蛇吃到食物时，其长度相应增加； (3)食物生成机制：游戏中应定期在随机位置生成新的食物； (4)碰撞检测功能：游戏需实时检测蛇头是否与自身或边界发生碰撞； (5)分数统计功能：记录并显示玩家的得分情况； (6)用户注册登录以及最高分数据保存功能 2.特点： 系统可以分为两个部分，前部分由用户使用，主要包括注册登录；1.登录注册子模块主要实现用户登录和注册功能。用户注册后能登录游戏，还有退出系统。浏览查询模块 可以通过find user查询所有已存在的user 后部分主要包括背景图，食物个性化，蛇移动，鼠标交互，最高分数据存储5个模块。 3.成品：简单贪吃蛇小游戏

利用midjourney画的龙年手机壁纸。 将传统元素与现代、俏皮的手法相结合，旨在捕捉观众的想象力并唤起一种奇妙和愉悦的感觉。

1. 插值计算G通道：估计raw图红色像素位置的色差G-R，蓝色像素位置的色差G-B，从而完成绿色像素插值。在估计色差时，使用东西方向的水平色差估计值和南北方向的垂直色差估计值，加权平均计算色差。权重与色差梯度成反比。 2. 插值计算R位置上B通道和B位置上的R通道：用上一步计算的色差估计raw图红色像素的色差G-B，蓝色像素的色差G-R。从而完成红色和蓝色像素位置的三通道插值。 3. 插值计算G位置上的R和B通道：使用双线性插值得到raw图G像素上的色差G-R和G-B，至此完成所有位置的RGB插值

针对采集到的工业场景Lidar点云，使用ResPointNet++从中语义分割出管道点云，结合DBSCAN聚类+Efficient RANSAC进行圆柱体形状检测与建模，针对真实管道点云残缺及有噪声所导致的建模错误、建模断裂以及建模缺失问题，设计增量建模框架，建模精度相比于现有专利提高25%。

识别数字 根据轨迹寻线送药 根据数字对应的房间 叫药瓶送至病房 激光循迹 另一个激光跟踪 双车巡线 后车跟随

1.面向行业和所解决问题 行业：面向安防场景，移动端检测场景，自动驾驶场景，门禁轧机，工厂生成线等。 解决问题：目标物体检测和跟踪，目标物体识别，人脸识别，缺陷检测等 2.功能模块和作用 图像处理：图像去噪，去畸变，梯形矫正 检测，分割：使用yolov8模型进行目标物体的检测和分割 识别：使用深度学习模型提取特征并与预存库进行对比识别 3.所选技术和原因 数字图像处理技术：处理各类相机在各类场景下拍摄到的画面，消除由于畸变，噪声等造成的干扰 深度学习技术：使用深度学习模型对特定目标进行训练，保证在个各个复杂常见中能有稳定地检测到，分割出目标物 在移动终端部署：使用各类基于硬件边缘计算厂商的推理框架进行部署（nvidia的TernserRt，rockchip的rknn，海思的nnie等）

通过伺服舵机和单线激光雷达的硬件搭配，可以生产完整的空间3D数据生成 相比于当前的多线激光雷达，该方案成本低，生成效果更好，检测角度范围更大

为客户提供数字化客服系统。使用厂商提供的 API 及 SDK 构建交互式和可视化的用户界面。负责数字人厂商的后台管理系统，包括换肤、行为模式、摄像机位、事件业务

1.木材颜色筛选程序可以按模版将不同种类的木材进行分类识别。 2.本项目主要分为Qt界面模块、摄像头采集模块、算法识别模块。分别实现了界面交互、摄像头采集控制、算法识别木材种类。 3.项目使用C++作为主要开发语音，使用Qt进行界面设计加快开发速度，使用OpenCV进行算法开发确保程序的运行速度。

语言翻译一共有三个模块： 1、文字翻译成目标语言 2、识别图片中的文字翻译成目标语言 3、实时扫描翻译目标语言 此项目由我一个人独立开发完成 技术难题： 实时扫描中扫描框大小对应扫描的范围问题有一点难度

大数据可视化平台系统可分为：数据采集模块，数据分析模块，数据展示模块，数据存储模块，权限管理模块、日志管理模块、前端配置工具等等模块； 该系统： 1、可以根据不同配置展示不同的人机交互界面； 2、根据不同的接入采集装置可以展示不同的信息模块； 3、各采集数据实时刷新，动态监测，最要数据会及时备份云端及后台； 4、支持部分权限人员线上修改相关参数； 5、根据类型不同存在不同日志中； 6、智能分析数据趋势，并提前告警

内容创作者：包括博主、短视频制作者、社交媒体用户等，他们经常需要将视频片段转换为GIF以在平台上分享或嵌入文章。 开发者与程序员：需要集成视频转GIF功能的网站或应用开发者，可以利用本项目提供的API或源码进行快速集成。 教育工作者：在制作教学材料或演示文稿时，可能需要将视频中的关键帧转换为GIF来辅助说明。 市场营销人员：用于制作广告素材、产品演示等，GIF格式因其循环播放的特点，非常适合快速传达信息。 便捷性：用户无需下载多个软件或学习复杂的命令行操作，即可快速将视频转换为GIF。 效率：通过优化FFmpeg参数，大幅缩短了转换时间，同时保证了GIF的质量和大小。 定制化：提供丰富的参数设置，如分辨率、帧率、颜色深度等，满足不同场景下的转换需求。 跨平台：基于Node.js的后端服务确保了服务可以部署在多种操作系统上，前端Vue框架使得前端界面能够在各种设备上流畅运行。 高度集成与易用性：集成了FFmpeg的强大功能，同时通过Vue构建了直观易用的用户界面，降低了技术门槛。 高效处理：通过智能分析视频内容，自动选择最优的转换参数，确保转换效率与质量的平衡。 云端部署支持：支持云服务

项目包含图像处理模块、图像加载模块、参数控制模块、训练验证模块、模型导出模块…… 使用迁移学习、Pytorch、sklearn、混淆矩阵

此项目是一款由 Avue 框架开发的后台管理系统，主要服务于公司自身平台、客户公司以及经销商公司。该系统的主要 目标是简化公司对客户公司和经销商公司的管理工作，以及对机器的远程配置修改和遥控。通过使用本系统，可以大幅 度减少售后人员的出场频次，节省售后成本，并显著提高售后运维工作的效率。 未选择文件

项目由图像采集、模型选择、模型训练、模型推理、结果显示5个部分组成。使用光学相机采集隧道螺栓图像，并对采集的图像进行旋转校正、平移放缩、对比度调整等规范为640*640大小的图像，构成数据集原始图像。采集的数据集以VOC的格式构建数据集，按照一定比例划分训练集、验证集。模型可选择不同主干网络构成的UNet模型，并加载相应预训练权重。将数据集输入到模型中进行训练，训练结束后将保留最优的权重文件。将待检测图片放入指定文件夹下，模型进行推理时将加载最优模型进行推理，模型的预测结果可以保存为背景为黑色，目标区域为白色的二值图像，也可以与原图进行融合，将预测结果在原图上显示。

我们的驾驶员状态检测系统集成了多个YOLO-v5模型，部署在车载设备上，旨在实时监测和评估驾驶员的状态。系统利用摄像头捕捉驾驶员的图像，通过OpenCV进行处理后输入到YOLO-v5模型，从而检测出驾驶员的年龄、性别、驾驶状态（如是否集中）、是否疲劳等关键信息。这一系统能够有效提高行车安全，减少事故风险。 主要功能： 1. 驾驶员特征检测： 年龄识别：利用YOLO-v5模型分析驾驶员的面部特征，准确预测其年龄范围。 性别识别：基于面部特征和模型分析，实时识别驾驶员的性别。 驾驶状态监测： 2. 注意力检测：通过检测驾驶员的眼睛和头部姿态，判断其是否集中注意力。 疲劳检测：通过分析眼睛闭合状态、眨眼频率等指标，实时监测驾驶员是否疲劳。 图像处理与输入： OpenCV处理：使用OpenCV对摄像头捕捉的图像进行预处理，包括图像增强、裁剪和缩放等操作，以便更好地输入模型进行分析。 实时输入：系统能够实时处理和分析图像，确保监测信息的时效性和准确性。 项目优势： 多模型集成：系统结合多个YOLO-v5模型，提供全面的驾驶员状态检测，提升了识别的准确性和多样性。 高效图像处理：通过Open

项目描述：工务智能巡检机器人系统由部署在远端机房的数据综合分析系统，运行在轨道上 的巡检机器人组成，巡检机器人采用分体式平台化设计，分为自走行的载人与检测平台，检测平 台有线路检测模块、隧道检测模块等。检测道床异物，扣件、弹条和螺栓等的丢失、松动、错位、 断裂等

功能模块： 主车： 负责获取道路信息（红绿灯、斑马线、行人等），控制自身行驶路线和速度，并通过蓝牙与从车通信。 从车： 负责接收主车信息，并通过激光雷达感知主车位置，控制自身行驶路线和速度，实现跟随主车的功能。 视觉模块 (K210): 负责识别道路信息，包括红绿灯和斑马线，并将识别结果发送给主车。 通信模块 (HC-05蓝牙模块): 负责主车和从车之间的数据传输。 使用者功能： 主车： 可以在指定路线上自主行驶，并识别红绿灯和斑马线，进行停车或减速操作。 从车： 可以跟随主车行驶，保持一定距离，并安全地避开障碍物。 我的任务： 负责整个小车跟随行驶系统的设计和实现，包括硬件选型、电路设计、软件编程、算法实现等。 使用了STM32单片机作为控制核心，结合编码电机、红外寻迹传感器、超声波传感器、激光雷达、K210视觉模块等硬件设备，实现了小车的自主行驶和跟随功能。 采用PID算法实现了小车的速度控制和转向控制，并通过激光雷达数据实现了从车对主车的跟随控制。 技术栈： 硬件： STM32单片机、编码电机、红外寻迹传感器、超声波传感器、激光雷达、K210视觉模块、HC-05蓝牙模块等