人工智能

该项目是基于华为昇腾服务器设计的一个全天铁路场景异物智能检测系统，该项目实现了对前端发送报警图片的处理：主要包括图片前处理，模型推理，图片后处理；同时基于Flask框架实现对处理结果的返回。本人只要负责深度学习模型修改，模型转换，网络微调，Web应用程序框架编写。

1、智慧交通大脑包含数据采集，数据存储、数据分析、数据库、数据可视化等功能 2、我负责对接客户需求，按需求形成解决方案，项目管理等工作 3、解决了城市交通出行效率问题

1．精通WINDOWS平台下MAPINFO、VC++、VB开发语言； 2．精通UNIX台下GCC、QT、GTK开发技术； 3．精通 JAVA、springMVC、springBoot、springCloud、VUE、JSP、J2EE、EXT、EASYUI、mybatis、uniapp开发技术； 4．精通 SQLSERVER、ORACLE、MYSQL数据库方面的开发技术； 5．熟悉ArcGIS、Flex开发技术； 6．熟悉大数据hadoop、MapReduce、HDFS、flume、pig、hive、spark、hbase、zooKeeper相关技术； 7．熟悉project等项目管理软件、loadrunner测试软件、visio、rose、powerdesiger等软件设计软件、subversion软件版本管理软件、项目管理的流程及细节管理； 8．熟悉电力系统、油田的相关规范及指纹识别方面原理； 9．熟悉产品的方案制定、规划，开发的需求规格设计、详细设计、概要设计、开发计划制定、开发过程管控、单元测试和集成测试。

1.使用vue及ElementUI插件对页面进行初步编写及样式调整。 2.大屏中严格按照给定的分辨率来实现页面。 3.实现功能模块化和页面信息的实时刷新动。 4.在vue中使用vue-router对面进行路由进行跳转,axios封装拦截器,以及封装api在Vuex中的actions中发送异步请求并得到后端的响应。 5.使用Axios技术与后台进行数据交互,完成页面渲染和数据的提交。

1.擅长使用网页爬虫，api对接erp/mes等系统，采集爬取数据 2.使用Excel/SQL/Python等工具对采集后的数据进行清洗、处理并进行分析，生成可视化图表 3.编辑公式、代码，构建爬取数据、生成图表的自动化脚本，提高取数和分析效率 图为爬取猫眼电影影评，并根据词频生成对应的词云图

1. 该项目可分为数据预处理、数据集设计和划分、网络模型、模型训练、模型测试、界面设计几个模块。该项目的目的是为了从人体多种组织细胞的病理图像中，分割出癌细胞核，以辅助医务人员和科研人员对于癌细胞的研究和癌症的诊断。输入可以选择测试集中的一张细胞病理图像，输出为模型预测出的癌细胞核的mask。使用者可以根据自己的实际需要调整界面控件（按钮、输入输出图像显示、文本框等）的摆放位置、控件数量，调整预测接口以输出定制化的预测结果（如输出图像中癌细胞核的mask和细胞原图的所属类别）。该项目的输入数据来源于kaggle平台提供的公开数据集：Cancer Instance Segmentation and Classification，使用者可以根据数据集之间的差异修改项目中的数据集模块。根据指标需要替换和修改网络模型以进一步提高指标。通过修改mask的通道，该项目还可以实现其他细胞核的分割：炎性细胞、结缔/软组织细胞、死细胞和上皮细胞。 2. 由于images.npy文件很大，直接读取和进行数据处理，读取速度慢、资源开销大，而且.npy文件不便于可视化，因此需要进行数据预处理，将images.

检索首页 普通检索 高级检索 文档预览 文档分类 知识专题 高频访问文档 热词统计 热门专题统计 系统管理 用户管理 角色管理 菜单管理 权限设置（支持按钮权限、数据权限） 表单权限（控制字段禁用、隐藏） 部门管理 文件管理 草稿文件上传 文档编辑 收藏夹 待审核文件 已审核文件 文件统计 配置管理 知识专题定义 文档属性定义 文档操作记录 系统日志

该项目是基于华为昇腾服务器设计的一个全天铁路场景异物智能检测系统，该项目实现了对前端发送报警图片的处理：主要包括图片前处理，模型推理，图片后处理；同时基于Flask框架实现对处理结果的返回。本人只要负责深度学习模型修改，模型转换，网络微调，Web应用程序框架编写。

利用深度学习中的卷积神经网络以及图像处理的技术，将从网上获取到字母图片数据集进行图像识别，包括对原图像的进行预处理，用tensorflow对进行图像识别时，还将采用卷积神经网络来构建模型，本次实验将分为未采用卷积神经网络进行图像识别，采用卷积神经网络以及采用卷积神经网络加数据增强这几个步骤，依次对比各种训练方法对图像识别的准确率。

在语言级别的模态进行初步的情感识别并进行BERT的特征提取。 对于图片数据，利用CNN,Vi-Transformer进行特征提取，并利用Pytorch计算语言数据的对应程度，完成特征对其。 将对齐的数据进行特征融合，输出到Cross-Attention-Modality网络中进行前向传播与Loss计算。 针对不同的下游任务进行特定的超参数微调(Fine-Tuning).可将该模型迁移至任意给定的多模态任务。

COPYAI智能创作是一个AIGC的创作平台，该系统采用前后端分离以及独立的H5应用。根据相关关键词可以生成各平台的创作内容。

应用场景：非接触式监测人体睡眠时的心率、呼吸、血氧饱和度情况； 设备：940nm和660nm摄像头、940nm与660nm灯光、windows微型主机； 主要算法：人脸识别、傅里叶变换、巴特沃斯滤波等； 成果：人体静卧睡眠时，能有效检测人体的心率、呼吸、血氧饱和度。心率误差在±5次以 内，呼吸率误差±3次以内，血氧饱和度误差±4%； 承担工作：算法分析与实现、系统部署、文档撰写

1. 该项目功能包括二类/多类loss设计、模型融合、阈值dice指标设计、数据集设计、模型训练和测试。该项目的目的是识别并分割五类人体器官的功能组织单位，提高模型跨越多个器官的泛化性和鲁棒性。数据来源于kaggle平台的公开数据集：HuBMAP + HPA - Hacking the Human Body，输入图像为.tiff格式，图像中的标注信息包含RLE编码过的mask，使用者可以使用该项目分割出人体器官对应的mask，可将mask编码为RLE格式 2. 将.csv文件中的RLE信息转换成.png格式的mask。训练集图片有351张，数据量少，且图片的分辨率很大（3000×3000），因此需要对图像进行切patch操作。训练过程中使用多折交叉验证的训练策略，提高数据的利用率。设计动态门限，找到对应dice值最高的门限值。通过消融实验验证efficientNet、FPN、UneXt50、和ASPP模块的作用（是否会影响指标），最终融合这些模块。在测试阶段使用TTA，提高模型的泛化能力。设计二类/多类loss，二类loss用于预测每个像素是否属于mask，多类loss用于得到该图像属

基于Python，用于数据挖掘建模。 使用直观的拖放式图形界面构建数据挖掘工作流程，无需编程。 支持多种数据源，包括CSV文件和关系型数据库。 支持挖掘流程每个节点的结果在线预览。 提供5大类共40种算法组件，包括数据预处理、分类、聚类等数据挖掘算法。 支持新增/编辑算法组件，自定义程度高。 提供众多公开可用的数据挖掘示例工程，一键创建，快速运行。 提供完善的交流社区，提供数据挖掘相关的学习资源（数据、代码和模型等）。

对所使用数据690-ChIP进行预处理，利用one-hot编码方式对字母格式的DNA序列进行编码。 通过Self-Attention机制重新生成DNA序列特征编码，使其具有长序特征。 结合ResNet对数据进行训练，生成预训练模型。 进行迁移训练，生成690种人类细胞的转录因子结合位点识别模型。

yolov5针对特定场景的建模，针对特定场景的精度调优，并利用各种识别分类。 首先批量读入数据，调用yolo对车辆边界进行识别并分析场景内部位置的代数关系，进行识别出来的物体进行标号。 对于已经编号的识别物体，选用Deep-sort算法对物体进行追踪计数

对芯片生产项目中晶圆片的缺陷模式进行分类与识别，数据规模为10w+。 使用滤波器（中值、模式等）对图像进行降噪处理，使用翻转旋转等操作进行图像数据加强。 使用传统机器学习方法如logistic regression等对晶圆片缺陷进行分类。 使用深度学习神经网络方法如VGGNet、普通深度卷积神经网络（CNN）、引入空洞卷积的CNN、全卷积网络（FCN）等，训练不同模型，不断调整参数优化，进行分类预测。 利用多种神经网络预测结果进行网络投票，得到准确率较高的结果（99.6%）。 下方出售源码。

针对现有语义分析模型长文本分类正确率较低的问题，对长文本进行切分后结合BERT模型进行分类。本项目提高了长文本领域的分类正确率。

项目描述： 1.原有的身份验证模块在Android iOS已有原生开发的SDK组件库，采用method channel 实现与Android iOS端的通信的技术，通过功能接口的定义可以快速集成原生端的组件库。 2.掌握flutter插件开发技术，了解ffi开发的基本流程，掌握基础数据类型在两侧的转化，采用ffi 通过功能接口定义实现与底层算法库功能对接。 3.通过flutter可以快速搭建Android iOS 双端页面，跨平台技术flutter框架的引入，使开发效率得到提升。 4.通过引用Isolate线程，解决了前期调用算法的时候出现卡断的问题。 5.三方插件库的调研，camera、video_player、webview_flutter、flutter_bloc。 6.关注flutter开发最新技术。

识别本项目目标是实现对自动生成的带有各种噪声的车牌识别。此次车牌识别是将车牌7个字符同时训练，字符包括31个省份简称、10个阿拉伯数字、2，共有65个类别，7个字符使用单独的loss函数进行训练。 添加了通过H（色调）和S（饱和度）来对车牌颜色进行判断，然后使用tkinter搭建了简单的GUI，可以实现打开摄像头拍摄照片然后再对照片进行识别