人工智能

内容： 平安信托业务是深圳罗湖平安总行的信用托管业务分支。该系统主要是以用户的存款额度进行投资，以一百万为基础单元进行信用投资，开发任务主要是定时进行行内信托基金的批量处理业务。融资份额达到一千万的账号需要进行批量的业务处理。 软件架构： 银行内部系统架构技术 工作描述： 1. 平安银行深圳罗湖总行的软件开发部的平安信托项目组需求分析。 2. 项目评审会议参加验证需求讨论实现方式。 3. 需求文档开发任务的拆分和实现。 4. 代码复检。 5. 线上和线下测试，与测试组完成开发的任务的测试工作。 6. 项目部署和线上任务的错误日志收集。 7. 特殊情况项目组的轮流值守工作。 业绩： 1. 需求说明书的生成。 2. 项目评审。 3. 需求任务的开发和上线测试。 4. 运维。

爬虫模块：负责在互联网上抓取网页数据。 索引模块：负责对抓取到的网页数据进行处理和存储，建立索引。 搜索模块：负责接收用户的搜索请求，根据索引进行搜索，并返回搜索结果。 用户界面模块：负责展示搜索结果，并提供用户交互功能。 对于使用者来说，搜索引擎能够实现以下功能： 通过关键词搜索互联网上的网页，获取相关的搜索结果。 对搜索结果进行筛选和排序，找到最符合自己需求的网页。 查看网页的摘要和元数据，了解网页的基本信息。 通过相关搜索、分类筛选等功能进一步缩小搜索范围。 在项目中，我可能会负责设计和实现搜索引擎的索引模块和搜索模块。具体来说，我可能会使用倒排索引等数据结构来存储和处理网页数据，使用TF-IDF等算法来计算网页和关键词的相关度，使用布隆过滤器等技术来提高搜索效率和准确性。此外，我还可能会使用自然语言处理等技术来对用户的搜索请求进行分析和理解，以提高搜索质量。 最终成果取决于项目的具体需求和时间进度。我希望能够实现一个高效、准确、易用的搜索引擎，满足用户的需求。在开发过程中，可能会遇到一些难点，比如如何处理大规模的网页数据、如何提高搜索的准确性和效率、如何理解和处理用户的搜索请求等。我会通过查阅相关资料、与团队成员交流等方式来解决这些问题。

爱立信携手广州城市建设投资集团有限公司，对电灯杆进行技术创新，让不起眼的路边灯杆，拥有无限智慧能力，实现智能广告屏、充电桩、灯光智能调控、紧急求助等功能；开启智能城市应用和服务的新窗口，实现节能绿色环保的城市建设。 1、智能广告屏：不仅支持后台推送商家广告，同时可播报政府信息，包括实时新闻、公共安全、流行疾病预防等老百姓关注的公共信息 2、充电桩：对灯杆原有的电路进行改造升级，灯杆上集成充电桩能力，支持实时计费和在线支付等功能，极大的便利车主，也为政府推广新能源车创造有利条件 3、灯光智能调控：路灯都支持远程开关和调节亮度功能，并且灯杆上安装了光感设备，实时的检测周围环境的明亮度，根据环境的明暗情况自动开关路灯或者调节亮度，实现节能减排。 4、紧急求助：灯杆上安装报警按钮，当路人遇到危险时，或者走丢儿童路过灯杆时，可按下这个按钮一键报警。由于灯杆具有位置信息，能够准确的将报警信息通知到最近的警察。为城市智能治安提供更多的报警途径，同时也提高了警察的办事效率。

握零担SAAS平台提供从开单、配载、运输、送货、签收、结算等全流程服务，是国内较为领先的适用于专线管理和专线联盟模式的云服务平台。该平台在支持专线公司传统的运输管理功能的基础上，进行了多项创新： 1) 与上游货主端打通，实现订单管理、订单智能匹配等功能。 2) 与下游司机车主打通，实现智能派单、车辆跟踪、财务结算等功能。 3) 实现移动端协同办公能力。 4) 实现专线自由联盟、协同运营等功能。 5) 支持各项增值服务，包括油卡、保险、金融等服务。

一易管车SAAS平台是国内首家集管车、结算、财税、后服、金融等五位一体的车辆运营管理服务平台。运用物联网、移动互联网、大数据、人工智能、区块链等先进技术，实现了信息流、货物流、资金流、票据流“四流合一”，助力物流车队规范业务运营、提升信息化管理水平、优化运力资源、连接增值服务，降本增效。 1) 系统支持所有业务的支付全程线上化，运营人员及司机无须接触到现金，杜绝腐败现象。 2) 系统与G7、易流、北斗打通，对每条线路的油耗进行实时严格管控，可大幅减低车队加油成本。 3) 车辆的维修保养等费用，线上申请、审批、支付，直接对接到供应商，既方便又避免内部人员报销作假。 4) 年审、保险等各种证件到期智能提醒，避免证件过期的车辆上路，减少不必要的罚款。 5) 系统与找油网、万金油等油服务平台打通，支持给车队的行驶线路智能推荐最优惠油站，为车队大幅节约油成本。

APP端： 1.app支持人脸检测，支持多人脸识别，人脸识别速度快； 2.app提取人脸特征，调用后端RESTful API识别人物信息； 3.app支持多种方式人脸录入。 后端： 1.将人脸信息及特征存入数据库； 2.设计人脸识别引擎从海量数据中快速准确识别人脸特性； 2.采用REST API设计。 app：https://github.com/ppd324/FaceIdentificationAndroid 后端：https://github.com/ppd324/go-face-server

1.负责墨西哥项目、VDF 、电信、联通、中移等运营商定制项目的测试活动以及、红魔系列手机的测试； 测试的模块：通信、系统、桌面、影像、音频、近场、外场等。 2.参与需求分析，风险预估，输出测试方案，测试计划，安排测试任务，规划测试样机 数量和人力投入 ； 3.项目过程中，针对异常突发问题，配合研发团队进行专项攻关，针对验证结果进行分 析，组织人员调整验收方案，直到问题形成闭环。 4.负责测试人员招聘、管理测试团队、进行日常培训、任务分解、过程监督和工作指导 以及考核； 5.制定并不断优化公司软件测试流程及规范、并跟进各方人员的实施过程； 6.任务或资源冲突时，与各团队进行沟通，高效高质完成既定任务； 7.售后问题处理和跟进优化，总结用户痛点为，进行项目复盘，优化测试策略和测评标 准。

1. 本项目主要分为以下功能模块： - 数据集准备：收集和标注包含不同车型的图像数据集，包括样本图像和对应的标签数据。 - 特征提取：使用深度学习模型（如卷积神经网络）对车型图像进行特征提取，获取代表车型特征的向量表示。 - 车型识别：利用训练好的分类模型，通过对车型图像的特征向量进行分类，实现车型识别功能。 对于使用者来说，该项目能实现以下功能： - 对输入的车型图像进行识别，快速准确地判断出车型。 2. 在本项目中我负责如下任务： - 收集、清洗和标注车型图像数据集，为训练模型做准备工作。 - 使用深度学习技术（如卷积神经网络）进行特征提取，将车型图像转换为特征向量表示。 - 使用Python编程语言和相关深度学习框架（如PyTorch）实现车型识别的代码。 - 进行模型的训练和调优，提高车型识别的准确率和泛化能力。 最终达到的成果是一个能够对输入的车型图像进行准确识别的系统，可以迅速给出车型类别的判断结果。 3. 在本项目中的难点主要包括： - 数据集多样性：车型种类繁多且外观差异大，如何收集全面且具有代表性的车型图像数据集是一个挑战。我们通过广泛搜集不同来源的图像数据，并进行手工标注，构建了较为多样化的数据集。 - 特征提取的准确性：车型图像的特征表达不同，如何提取出能够准确区分不同车型的特征向量是一个难题。我们采用了预训练的深度学习模型，借助其在大规模数据集上学到的特征表示能力来提取车型图像的特征。 - 模型训练的效果：如何通过训练和调优模型提高车型识别的准确率和泛化能力是一个关键问题。我们采用了数据增强、模型结构调整和超参数优化等方法，不断改善模型在训练集和测试集上的性能。 通过以上解决方案，我们的系统能够实现对输入车型图像的准确识别，具备较高的识别准确率和鲁棒性，可应用于交通管理、智能监控等领域。

1. 本项目主要分为以下功能模块： - 数据集准备：收集和标注包含行人和车辆的视频数据集，包括样本视频和对应的标签数据。 - 目标检测：使用YOLOv8算法对视频中的行人和车辆进行目标检测，实现实时的多目标检测。 - 多目标跟踪：利用ByteTrack算法对检测到的行人和车辆进行多目标跟踪，保持目标的连续性并给出每个目标的轨迹。 - 行人车辆计数：根据跟踪结果统计行人和车辆的数量，实现实时的计数功能。 - 越界识别：基于目标的运动轨迹和预定义的区域，识别出行人和车辆的越界行为。 对于使用者来说，该项目能实现以下功能： - 对行人和车辆进行实时的目标检测和多目标跟踪。 - 实时计数行人和车辆的数量。 - 检测并识别行人和车辆的越界行为。 2. 我在本项目中负责如下任务： - 收集、清洗和标注视频数据集，为训练模型做准备工作。 - 使用YOLOv8算法进行目标检测，并使用ByteTrack算法进行多目标跟踪。 - 使用Python编程语言和相关深度学习框架（如PyTorch）实现目标检测和多目标跟踪的代码。 - 设计并实现行人车辆计数和越界识别的算法，结合目标的轨迹和区域判断目标是否越界。 最终达到的成果是一个可以实时进行行人和车辆目标检测、跟踪和计数的系统，并能够识别出行人和车辆的越界行为。 3. 在本项目中的难点主要包括： - 目标检测的准确性：由于视频中行人和车辆数量众多且姿态多变，如何通过YOLOv8算法实现高准确性的目标检测是一个挑战。我们采用了大规模数据集的训练和调优网络结构的方法，提高了目标检测的准确率。 - 多目标跟踪的连续性：在动态场景下，如何保持行人和车辆的连续跟踪是一个难点。我们结合了多种跟踪算法，并通过目标的特征匹配和运动预测等方法提高了跟踪的连续性和准确性。 - 越界识别的精度：在不同场景下，如何准确地判断行人和车辆是否越界是一个挑战。我们设计了基于轨迹分析和区域判定的算法，综合考虑目标的运动特征和区域约束，提高了越界识别的精度。 以上解决方案使得我们的系统能够对行人和车辆进行实时监测、计数和越界识别，具有较高的准确率和效果，可以广泛应用于人流统计、交通管理等领域。

1. 本项目主要分为以下功能模块： - 数据集准备：收集和标注自己的数据集，包括样本图片和对应的标签数据。 - 模型训练：使用YOLOv8算法对数据集进行训练，得到训练好的模型。 - 模型测试：利用训练好的模型对新数据进行目标检测，并输出检测结果。 - 模型优化：根据测试结果对模型进行优化，使得目标检测的准确率和效率都有所提升。 对于使用者来说，该项目能实现以下功能： - 制作自己的数据集，并训练自己的模型，实现目标检测任务。 - 通过可视化界面查看目标检测结果，方便直观。 2. 我在本项目中负责如下任务： - 收集、清洗和标注数据集，为训练模型做准备工作。 - 使用Python编程语言和YOLOv8算法对数据集进行训练，并根据训练结果对模型进行调整和优化。 通过这些任务的实现，我最终得到了一个可以对自己的数据集进行目标检测的模型，使得该模型可以方便地应用于实际生产环境中。 3. 在本项目中，最大的难点是如何标注数据集和如何优化模型以提升目标检测的准确率和效率。 针对数据集标注的难点，我们采用了多人标注+众包的方式，让多个标注者同时对同一张图片进行标注，取标注结果的交集作为最终标签数据。这样可以有效避免单个标注者的主观误差和盲区，提高标注数据的质量。 针对模型优化的难点，我们结合了多种优化方法，包括调整超参数、采用不同的激活函数、增加/减少网络层数、使用模型融合等，同时考虑模型的准确率和效率，最终成功提升了目标检测的性能。 以上解决方案得到了良好的实验效果，并被应用于实际生产环境中，得到了用户的高度认可和好评。

软件包括文字搜题、图片搜题、ChatGpt 问答等服务，包括 C 端和 B 端两种形式，在日本东京的服务器上 搭建了 WebSocket 代理程序，提供稳定的信息传输渠道，后续会接入其他大语言模型。

运动目标控制与自动追踪系统在许多领域具有广泛的应用，如无人机监控、智能交通等。本作品基于全国大学生电子设计大赛的E题要求，采用open mv视觉模块，并使用python语言使用IDE对其直接进行编程，设计并实现了一种运动目标控制与自动追踪系统。该系统利用先进的图像处理和控制算法，实现对运动目标的实时追踪和控制。通过对目标的位置和运动状态进行分析，系统能够自动调整相机的角度，实现对目标的精确跟踪和拍摄。经过自行测试，该作品完全实现了题目所有要求

基于 Android 的垃圾识别和分类 APP 实现基于 Android 的计算机视觉识别分类软件。 Machine Learning 模型使用 Tensorflow、keras 框架训练、python 语言，分析比较不同算法以及参数对准确率的 影响。 Android 端使用 TFLite 进行与 android 端的推理连接，实现拍照以及实时检测功能。

负责甲方整理项目的调样，设计开发。了解甲方对人工智能分析的要求。解决甲方需要的痛点例如人员的相应速度，各个业务人员目前的处理的状态，对高速公路人员监控，对行驶车辆的监控等等

对产品说明书、操作文档、政策文件等文章类型数据，进行处理，最终实现效果为类似于chatPDF，用类似于chatGPT的大语言模型对文档内容作答，本地部署支持多种模型基座 涉及功能切片、摘要、向量化后存储向量搜索引擎等 下列图片为国家税务政策文件的问答，一张为根据问题搜索政策文件，第二张图片为由模型学习文件之后的作答

文本检测： CTPN：核心思想是将图片按宽度为16像素分成很多个小格，检测每一个小格中是否包含文本，同时预测文本的高度和宽度。最后将多个检测结果融合，形成最终的文本框。CTPN缺点:对于倾斜和弯曲的文本检测效果很差，这个是因为模型自身的原理决定，很难通过训练解决。 CRAFT：可以识别任意角度的文本，而且可以给出图片中每一个像素为文本的置信分。在深度学习的OCR文本检测中，有一个很大的痛点就是在图片里有比较大的文本和比较小的文本的时候，小文本容易被漏检，这是因为采用了类似region proposal原理的算法（比如CTPN），很难通过调参或者数据集解决。而Craft由于是像素级别的预测，在这方面有天然的优势，不会漏检图片中的小文本。 Seglink：在CTPN基础上进行改进，利用开源项目测试了一些比较模糊的图片，发现效果不是很好，暂时没有深入研究，从论文的结果来看，在复杂场景下的识别效果要好于CTPN。 EAST：在Seglink基础上的改进算法，在识别倾斜和弯曲文本的效果上比较好 文本识别： CNN+RNN+CTC：其中CNN用于提取图像特征，RNN在CNN提取特征的基础上，通过双向LSTM提取相邻下像素之间的特征，最后CTC用于计算损失函数。 CNN+Seq2Seq+Attention：引入了attention机制，通过开源项目的测试，效果相当好 keras开源库：实现了文字检测和文字识别的整合，其中文字检测用的是CRAFT，文字识别用的是CRNN

使用OpenMVS框架进行三维重建。OpenMVS是三维重建的一个成熟开源框架，综合重建效果和性能，该算法是目前MVS(Multi-View Stereo)相关的所有开源库中最好的一个

智能问答、智能起名、智能文案生成、智能客服小程序。使用大语言模型，类似ChatGPT，通过问答的方式实现智能文本生成。

根据openhd二次开发，实现实时地面端与天空的端的数据交互。地面端支持接入定向天线可使通信半径延长至30公里。可根据需求定制无人机的外挂装置。

通过lora模型微调等方法进行定制化图片生产；流行插件的功能组合使用；特殊需求的定制化插件开发；prompt的经验化调整