人工智能

项目使用官方的YOLOv5算法代码，网上进行收集相关的数据集，修改整理并使用标注软件标注用于训练，训练完成实现对口罩的识别。

1.调试海思hi3516dv300 面板机项目， 主要调试AI人脸识别算法，系统启动调试，qt应用功能调试， wifi，红外功能调试，mipi屏调试。 2.AI人脸算法调试，video视频流的匹配调试 3.Mipi屏调试，800 * 1024等大分辨率显示问题解决 4.usb升级问题分析解决 5.海思ddr 适配调试

对2022年论文ConvNext网络进行复现，并且收集猴痘以及相似皮肤病的数据集，同时使用多种先进的网络，transformer和图神经网络进行测试，对比效果和性能差异。

1.实现虚拟camera功能，可以远程Camera设备扫码功能 2.实现声音虚拟设备功能处理。可以预先放置声音，实现mic的声音数据 3.远程App与服务器连接处理控制 4.多台设备连机运行处理 5.android8.1 root 权限处理

1. 环境部署安装Nodejs 1.1 Kiosk安装 1.2注意事项 2. 环境部署安装pm2 2.1 利用PM2部署node.js项目 2.2 运行进程的不同方式 3. 环境部署 浏览器设置 3.1 下载火狐浏览器 3.2 创建kiosk快捷方式 4. 项目格式介绍 4.1 项目文件目录介绍 4.2 Bin文件夹 4.3 Config 文件夹 4.4 dao文件夹 4.5 Logs 文件夹 4.6 node_modules 文件 4.7 public 文件夹 4.8 routes 文件 4.9 Views 文件夹 5. KIOSK首页监控接口 5.1 KIOSK 前台监控方法 5.2 KIOSK 前台监控界面 6. check-in 预定查询界面 6.1 CHECKIN-IN 预定查询获取 6.2 前台界面返回数据逻辑处理 7. KIOSK 护照身份证读取 8. 人脸识别 9. 支付界面金额计算 以及POS支付 10. CHECKIN 发卡机发卡逻辑 11. 打印机逻辑 以及打印机插件配置

使用目标检测算法识别目标物体，结合卡尔曼滤波和匈牙利算法进行后处理跟踪，实现多目标算法，并应用到四足机器人上，完成行人目标跟踪

项目简介： 对摄像头采集到的数据进行处理，使用two-stage模型完成人脸检测，姿态检测，关键点识别，活体检测与人脸识别 责任描述：模型训练与部署 1. 对摄像头采集的视频进行处理,使用yolov3tiny完成人脸检测 2. 多任务：Backbone使用resnet34，完成关键点（wing-loss），人脸姿态（landmark-free直接回归欧拉角），性别（分类），年龄检测（回归） 3. 通过计算人眼关键点横纵比变化来进行活体检测 4. 人脸识别：backbone使用SeNet，头网络使用Arcface，使用BS架构。为了调高计算并行度，将原论文中的loss改为(FeatureMax @ W) 5. 优化人脸识别评估自动调参，FAR错误接受率低于十万分之一，FRR 51%，精准率55%（单张图片） 6. 优化人脸数据自动录入（姿态过滤，翻滚角修正，依据翻滚角进行仿射变换）

人工智能（AI）预测是一种使用AI技术来预测未来可能出现的事件或情况的方法。 AI预测可以使用数据挖掘、机器学习和深度学习等技术从大量数据中提取可以用来预测的特征。AI模型解释是一种有助于深入理解人工智能模型的技术，它能够解释AI模型的决策过程，使用者可以更好地理解其行为和决定，进而改进模型。

1. 项目分为数据收集和算法的开发与实现 2. 通过作者的不同翻译版本采集不同风格的文本数据 3. 在少量数据的情况下，利用MAML的元学习方法同时训练不同风格的相互转换 4. 论文在arXiv上

1、公司对外的AGV大屏展示网站，实现了对整体的agv动态监控及实时任务反馈，数据是模拟数据，独立开发 2、技术栈：vue全家桶+ECharts+dataV+cad绘图

项目使用官方的YOLOv5算法代码，网上进行收集相关的数据集，修改整理并使用标注软件标注用于训练，训练完成实现对鱼类的识别。

项目简介：针对顾客评价进行评价维度和观点抽取，以及细粒度的情感分析。 1. 项目分为四个部分： ① 数据准备：收集数据（API+爬虫）、数据ETL、确定标签的结构和层级、对数据进行标注（专业标注工具+培训后的标注员） ② 模型训练：使用预训练模型微调训练数据 ③ 模型精度：训练数据100W +，标签维度为180维 +，模型精度0.9以上 ④ 模型部署：将分类模型部署到生产环境（PC和移动端） 2. 项目价值：通过顾客评价提取产品的改善点，并可视化类别占比。持续监控相关指标，提升顾客满意度从70%到90%；提供产品改善建议到研发部，研发部处理后做标记处理，形成闭环，2022年第四季度，商品质量同比改善115%。 3. 我的角色：项目负责人+ 算法工程师

1、主要任务 1)搭建基于snort的网络入侵检测系统 2)通过模拟攻击行为对snort的入侵检测规则进行测试 2、具体要求 1)分析snort规则，针对常规检测规则构造模拟攻击数据。 2)在Linux环境下搭建基于snort的网络入侵检测系统。 3)构造和发送模拟攻击数据包，并自定义检测规则对其有效性进行验证。 4)针对tcp、icmp、udp协议的入侵行为进行仿真测试。

军工识别项目: OpenMMLab 团队于 2022 年 9 月 1 日在世界人工智能大会发布了新一代训练引擎 MMEngine，它是一个用于训练深度学习模型的基础库。相比于 MMCV，它提供了更高级且通用的训练器、接口更加统一的开放架构以及可定制化程度更高的训练流程。 与此同时，MMCV 发布了 2.x 预发布版本，并将于 2023 年 1 月 1 日发布 2.x 正式版本。在 2.x 版本中，它删除了和训练流程相关的组件，并新增了数据变换模块。另外，从 2.x 版本开始，重命名包名 mmcv 为 mmcv-lite 以及 mmcv-full 为 mmcv。详情见兼容性文档。 MMCV 会同时维护 1.x 和 2.x 版本，详情见分支维护计划。

项目简介： 通过假设在监测区域摄像头获取实时事故多发段道路信息，通过one-stage检测算法实现车流检测，并使用sort算法进行多目标跟踪，配合虚拟线圈完成目标框与检测线的碰撞检测，完成流量检测 责任描述：算法实现 1. 通过实地考察高速路段场景，车辆类型，车速等因素结合项目需求，进行技术选型和前期验证 2. 选择使用yolov3进行车辆检测，通过迁移学习，使用公司内部的数据集完成对模型的fine-tuning。使用DNN进行部署 3. 使用kalman滤波实现对目标框的修正并建立跟踪链，使用numba优化速度 4. 使用匈牙利算法完成目标框与检测框数据关联， 5. 使用SORT，根据IOU,Kalman，KM算法实现多目标跟踪 6. 通过模拟物理线圈的方式，进行碰撞检测来完成车流技术的功能

配送站站内作业架构升级 原退仓功能，没有单测试，属于历史遗留代码。充斥这个大量的 if else 缺乏业务语意，代码规范混乱维护成本极高，在此 基础上修改产出及低，故需要重构，重构后方案使用清晰，易维护 重构方案： 系统显性的定义产品方案，逆向收货单接单时通过相关属性判断使用那种解决方哪，在退仓作业时通过方哪种方案决定如何 创退仓单，如果打包，是否需要预约等 方案引入 liteflow 轻量级框架，通过强制定义 node 节点来开发出符合单一原则的组件，通过对 Node 编写单元测试，来 实现代码可测试能力 内容: 全物流，仓、CFC 、配送、运输 作业端定时上传蓝牙扫码到的温度信息，实现全链冷链温度跟踪。采集率达到 93% 1、项目新增了容器管理，用于容器与温度采集蓝牙设备的关系。 2、App 温度采集，由于作业端 APP 数据定时上报，将近1万 App 终端。每分钟就会产生 10 万条温度记录。对系统的存储 要求比较高，通过上报时间作为分表键进行分表。 3、 App 采集频率很高，当温度没有变化时记录大量的无用的数据，通过道格拉斯普克算法对历史数据进行抽稀 4、 作业端 APP 改

python 蜘蛛制作，抓取下载资源存储到数据库，抓取绿色软件下载， 抓取all，抓取虎牙，抓取抖音，快手等。python 蜘蛛制作，抓取下载资源存储到数据库，抓取绿色软件下载， 抓取all，抓取虎牙，抓取抖音，快手等

一个核酸检测机器，完成核酸检测的出管，同时具备扫描身份证，打印号码，具有UI界面，有一定的人机交互功能，为核酸检测人员带来极大的便利。

相较于传统的OLS面板方法给出的预测（R方约为0.06），机器学习方法可达到0.53的R方 若只考虑盈亏预测，则准确度可达80% 此外，机器学习模型可以将每个因子的多元异质效果可视化展示，给决策者提供更加丰富，稳健的信息 由于模型过大，无法上传，可以私信我获取预测模型~

利用python的opencv实现识别魔方状态，其中包括空间和每个面的颜色，运用基础魔方算法，实现解法的计算，最后利用matplotlib的交互演示算法。