人工智能

利用 OpenCV 来实现对视频中动态物体的追踪。 为了描述图像中的点，opencv中提供了点的模板类，分为2维点模板类Point_和3维点模板类Point3_。Point_通过2维图像平面中的x和y坐标确定点的位置，Point3_通过3维立体图像中的x、y、z坐标确定点的位置。

采用mask R-CNN对变压器、绝缘子等电力设备的可见光通道进行实例分割，并做温度校准，识别电力设备故障，自动返回故障报告。 我主要负责对红外相机内置SKD获取可见光图像和温度双通道设备区域温度，模型开发及部署。

采用目标检测、关键点检测等技术方案识别商场用户和智能用户画像，并基于此进行意图识别和商场广告推荐。 我完全负责包括数据获取、数据标注、模型训练、推荐策略设计、模型加速、模型落地、链路搭建部署等工作。

爬取航空网站数据，并进行简单的数据清洗，分析和可视化操作，最后保存到本地。 爬取航空网站数据，并进行简单的数据清洗，分析和可视化操作，最后保存到本地。

将FP32的模型量化成FP8、int8的模型；利用deepspeed进行模型的训练、部署加速等；完成onnx模型导出等；完成半监督等性能提升方法的实现；

基于stable diffusion、control net、lora、T5等模型的生成模型微调和训练，支持多种生成训练pipeline；做过部署优化相关的模块。

多任务分割检测模型的训练，量化，包含道路车道线、车道实力分割，行人、车辆、自行车检测等；多场景的任务检测扩展

宇包团队，项目可整包，从产品到设计，到开发，到上线，到维护，全程一对一服务。 可接html5，小程序，网站，sass平台等项目

项目主要是爱立信的EDA平台，负责给下游生产线分发任务指令，实现具体的运营商业务，我主要负责运维这部分。

1、负责产品移动端的UI设计，参与从创意到执行产品周期的所有阶段；2、配合开发部门对各项目的方案进行UI美化和产品交互体验，能独立完成软件产品界面风格设定交互，控制设计输把控产品用户体验出质量，组织设计规范的建立与维护。与产品、技术、运营团队紧密配合，结合用户体验优化完善设计，制定可行的产品品质提升

数据集展示 1.树形数据展示 增删改查 2.网页文件夹 系统 3.数据集在线修改 4.拖拽树行 执行流程 5.真的不知道写啥了。为啥要写50个字。 前端不就是curd 掉接口渲染数据吗？ 总不能搞什么xxs攻击防范吧。

一. 项目功能模块： 1. 文本分析 （一）投诉内容中文分词 中文分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。 分词是文本分析的基础，如在分相似工单的时候，就需要用到投诉内容相似度分析的算法，而文本相似度算法首先就需要分词的支持，将用户投诉文本分词后形成词袋模型，再通过类似TFIDF文本相似度算法来分析哪些热线投诉是相似工单，这样就可以辅助业务人员在处置工单的时候可以参考以往相似工单，有针对性的下发派遣。 （二）投诉内容关键词提取 如何准确、高效地对热线投诉的内容进行检索，是目前的研究热点。对于文本的分析，一般会先从关键词入手，热线投诉的关键词不但可以概括文章的主题，还能反映整篇文章所表达的主要内容与情感倾向。因此，高效、准确地获取关键词，对于文本分类、自动摘要和文本检索至关重要。 （三）投诉内容实体识别 实体识别是指将预先定义好的实体类型（人名，机构，地名等）识别出来，如识别文本中的人名、手机号、车牌号、身份证、地名、机构名、时间、其他专有名字。 实体识别主要用于热线工单的填报辅助分析，通过识别分析投诉工单，自动将工单中的投诉事件，投诉人名称，投诉地点，投诉关键信息摘录出来，帮助业务人员填报相关信息。 （四）投诉内容自动摘要 投诉内容摘要是指用户投诉信息的主题范围及内容梗概的简明摘要，相当于简介。在有限的字数内向管理者提供尽可能多的定性或定量的信息，充分反映该研究的创新之处。本次项目中文章自动摘要主要针对于字数较多、阅读时间比较长的投诉信息，根据投诉的字数提取出符合文章主题的摘要信息。 2. 地址辅助解析 在投诉工单的派单中会涉及到地址解析和地址定位问题，比如案件描述中有“秀文路靠近七莘路向东200米的商店”，需要能解析出“秀文路536号莘庄华玲商店”这个地址。然而，这里的店面有很多家店面都是一个门牌号码，但是商店只有一家为“秀文路536号莘庄华玲商店”，所以，这家商店需排在智能推荐的第一的，方便管理者准确及时定位。将各类历史地址描述文本进行词性标注和实体标注后进行模型训练，定期获取新的训练集数据对模型进行优化。 将训练后的模型应用到实际的语义分析中，进行分词和地名实体的提取，对有问题的结果进行记录后定期反馈模型重新训练。 主要用于接入智能派单系统，用户也可以通过NLP模块的文本解析查询。 3. 评价指标体系管理 针对绩效考核报告与数据分析报告，提供标准化的指标管理功能，根据不同的业务分类，可以搭建用于不同考核内容，不同分析内容的指标分类。包含上报数，受理数，核实数，派遣数，应处置数，处置数，按期处置数，超期处置数，超期未处置数，应核查数，核查数，结案数，应结案数，按期结案数，超期结案数，缓办数，督办数，返工数，挂账数等。在不同的分类下围绕考核与分析的数据与统计模型，建立原子指标、派生指标和复合指标。 支持指标体系导出EXCEL，支持用户对指标进行增删改查操作，支持指标上下线操作。 4. 预警管理 自动指标预警是指对现象城市运行过程进行监测，并据此对可能出现的总体失衡、结构性矛盾、突发异常情况作出预报的指标，不限于一人多诉、集中投诉、反弹回潮、强反强延、结案存疑、不合理退单等自动预警推送。 预警指标配置 根据业务场景需求，配置预警模型进行提醒。根据配置的预警阈值，支持对接不同类型的业务数据库， 预警任务管理 配置预警的任务计算触发时间，允许查看历史预警结果。 二. 技术栈 项目基于Nacos使用了微服务的架构模式，使用了Spring、Spring MVC、SpringBoot、SpringCloud Alibaba、MyBatis、Oracle、Mysql、Redis、ElasticSearch

项目描述：为合作伙伴提供 FOTA（云升级）、 ADM（云管理）两大解决方案，通过云端为 具有连网功 能的设备提供固件升级服务，用户使用网络以按需、易扩展的方式获取智能终端 系统升级包，并通过 FOTA 进行云端升级，完成系统修复和优化。 个人职责： 负责零件管理模块的开发。 维护管理平台的一些主要的 BUG 解决以及消息队列的代码的处理 Fota包以及整包差分包的开发，与Fota包算法工程师联调数据 负责爱驰车场线程Fota包升级 SpringBoot+SpringCloud+Redis+MySql+Maven+Ajax+BootStrap+JSP+Jquery

开发环境：IntelliJ IDEA、Centos7.9、PgSql、JDK1.8 、禅道 等 项目描述： 实现了由云端调度管理、车联网通信、车载智能终端组成的全套矿山运输无人驾驶解决 方案。通独有的驾驶机器人+线控的混合驾驶执行技术可以适应多种车型和矿区。同时，踏歌智行为 矿区研发的环境感知融合技术、路径智能规划技术、动态路径智能规划技术、V2X智能协同交互技 术、平台智能调度技术、车辆行驶优化技术及核心算法已经经过矿区的使用验证，具备可靠、高效的 特点。 个人贡献： 负责实现运维管理平台项目的人员面试，需求评审，技术选型，框架设计等工作 负责整个项目的道路变更，动静态路径下发，智能调度，作业区以及道路关停等功能。 负责无人驾驶，算法，路权，仿真，车端，测试部门的数据流通以及数据处理，交流 负责无人驾驶部门后期功能优化，设计，维护，部署等文档撰写与团队会议 SpringCloud+SpringData+PgSql+Redis+Mongdb+RabbitMq+Docker+Nacos+MinIO

项目描述：该项目是北方重汽与踏歌智行合作项目。主要是实时展示矿区数据，配合无人驾驶部门实现数 据统一本项目是北方股份对销售的所有矿车前装TBox设备，通过搭建车联网云服务平台，收集车辆CAN数 据和定位数据，用于车辆后续的维修保养提醒、配件预警、数据分析。实现Mbox与Tbox原始数据解析与 传递，消息推送，电子围栏以及整个车联网项目开发，部署，管理等日常工作 个人贡献： 负责整个车联网项目的需求评审，框架搭建，功能开发等日常开发工作。 负责车联网项目与大数据团队数据交互，参与项目技术选型与人员面试工作。 负责车联网项目的代码review，团队管理，项目部署。 负责车联网项目一期二期与甲方公司交互，bug修复，参与项目结项等工作。 技术实现： SpringCloud+Mysql+Redis+Mongdb+ne tt yWebSoc k e+Dcok e r+ N a cos

通过无监督学习，设定评价，让机器自己学习如何在月球登陆 0：不做任何事 1：点燃右引擎 2：点燃主引擎 3：点燃左引擎

通过梯度下降的方法来实现对手写数字的识别。 使用softmax作为输出层，对识别结果判断相似度。 共设置了三层，每层unit分别为:25,15,10

1、面向科研机构，根据信通院等的设计要求，学习其他竞品，梳理并设计平台需求 2、负责产品需求及原型交互设计

1.主要为工厂的能耗去去做统计和优化监控，以及场景联动，智能化操作 2.对自研产品的使用管理 3.对智能家居的能耗控制监控

项目介绍：随着物联网传感设备和无线通讯技术的蓬勃发展，室内定位已然成为大众生活中不可或缺的一部分。目前，众多室内定位技术利用无线局域网信号(Wireless Local Area Network, WLAN)的相关特征来进行定位，常用的技术有 Wi-Fi、蓝牙、红外线和超声设备等。然而由于室内环境的复杂性（墙壁、金属、人员流动和其他电子设备等）导致射频信号无法覆盖全区域，很难向所有用户提供同等质量的定位服务。由于指纹识别技术可以提供 6 ~ 8米的定位精度，且精度随着无线访问接入点(Access Points, APs)密度的增加而提高，以及深度学习(Deep Learning, DL)技术可以帮助克服定位服务过程中的不确定性，因此将 DL 技术应用在室内定位方法中，可通过待定位的位置点与接收信号强度(Received Signal Strength, RSS)指纹数据的映射关系来确定用户的精确位置。基于 DL 的 RSS 指纹室内定位方法是当前最流行的室内定位方法之一，该类方法主要使用包含定位终端和定位云服务器的云计算架构来实现室内定位，其核心是发现指纹数据与位置点之间映射关系的定位算法。 但是，云服务器作为一个不可信的实体，恶意攻击者可能会获知 DL 模型的相关参数，生成最优的对抗性噪声，并将其添加至用户提交的 RSS 指纹数据中，导致 DL 分类模型返回错误的定位服务，使得定位系统服务质量下降，甚至瘫痪。 主要工作：提出了一种抵御对抗样本攻击 的 室 内 定 位 方 法 (Indoor Location Method Against Adversarial Sample Attacks, AdvILoc)。作为一种改进的室内定位方法，AdvILoc 通过 DP技术，在室内定位 DL 网络中加入满足DP 的噪声层，随机化模型泛化的计算结果，为用户提供满足DP 且经过鲁棒性认证的室内定位服务。与此同时，通过在全连接层后添加 Dropout层，随机失活全连接层中部分神经元，削弱神经元节点间的联合适应性，然后在训练过程中正则化模型损失参数，不断优化模型拟合能力，避免模型过拟合、学习能力低等问题出现，提高了模型的鲁棒性。实验验证了在实时定位阶段，AdvILoc 在保证模型抵御对抗样本攻击的同时，仍能为用户提供高效的室内定位服务。