机器深度学习

分为数据中心,内部系统,外部系统; 数据中心包括数据采集系统,数据处理系统,数据分发与应用系统; 内部系统包括收款系统,客户管理系统,员工管理系统,办公自动化系统,培训系统; 外部系统包括企业官网,小程序,H5等多端入口,实现会员注册,下单,进行服务,管理已有数据等功能;

基于Web前端技术和Firebase低代码服务搭建的内容创作平台。使⽤GPT-4和Gemini技术提供个性化的有创意的内容⽣成能⼒，可以⽣成包括新闻博客、⼴告、应⽤推⽂在内的多种类型的⽂章。⽣成的内容在媒体平台冷启动测试中，平台⽤户阅读率达5%-12%，展现量超过10万微⼩爆款⽂章占⽐1.8%，单篇最⾼展现量达到33万。

 店铺搜索效果优化，包括粗排，精排，样本，特征优化，店铺内UCVR累计提升10%  券搜策略优化：对于高价item/个性化item进行提权，UV价值提升20%  垂搜流量调控：从0到1开发垂站等流量调控：包括EE/特定品置顶/穿插的策略

1.根据TDOA原理对室内定位进行仿真建模，效果比厂家提供的提升10%。（信号检测和估计算法） 2.使用IMU和TDOA信号做融合定位，效果比厂家提供的结果提升25%。（使用技术：卡尔曼滤波、数字信号处理算法，信号估计算法） 3.使用机器学习算法，根据蓝牙信号强度做指纹定位，定位精度2m左右。（KNN、贝叶斯算法）

技术架构 后端技术 Hadoop & Hive：用于存储和处理大规模的旅游数据。Hadoop分布式文件系统（HDFS）提供高效的数据存储，Hive用于数据分析和查询。 Pandas：用于数据清洗和预处理，确保数据的质量和一致性。 Flask：轻量级Web框架，用于构建Web应用的后端服务，处理用户请求和响应。 前端技术 ECharts：用于数据可视化，展示旅游景点的评分分布、用户评论情感分析结果等，为用户提供直观的决策支持。 HTML/CSS/JavaScript：用于构建用户友好的界面，确保系统的易用性和交互性。 算法 推荐算法：结合协同过滤和内容推荐的混合推荐算法，通过分析用户的浏览历史、评分和评论等数据，生成个性化的旅游推荐列表。 情感分析：利用自然语言处理技术分析用户评论的情感倾向，进一步优化推荐结果。 系统特色 1. 大数据技术支持 本系统采用Hadoop技术处理大规模数据，确保在高并发条件下依旧能够快速响应用户需求。通过对用户行为数据的深度分析，系统能够挖掘用户的隐性需求，从而提供更加符合用户兴趣的推荐内容。 2. 多维度个性化推荐 系统整合了景点、美食、购物和活动等多方面的旅游资源，结合用户的历史浏览记录、评分和评论等数据，利用先进的推荐算法为用户生成个性化的旅行推荐列表。同时，情感分析技术的引入，使得系统能够进一步理解用户对不同旅游资源的情感倾向，优化推荐结果。 3. 直观的数据可视化 通过ECharts进行数据可视化展示，系统不仅为用户提供了直观的推荐结果，还展示了热门景点的评分分布、用户评论情感分析结果等，帮助用户更好地做出旅行决策。 4. 完善的用户交互界面 系统采用Flask框架开发Web应用，提供用户友好的界面设计。用户可以轻松地浏览推荐内容、进行个性化搜索、查看详情以及发表评论。同时，系统还提供了登录和注册功能，保障用户数据的安全性和隐私性。 系统功能 1. 景点推荐 根据用户的浏览历史和其他用户的评价数据，通过算法模型分析出用户可能感兴趣的景点，并提供推荐列表。 2. 智能搜索 用户可以通过输入关键词搜索景点、酒店、美食等旅游相关信息。搜索系统能够根据用户的输入提供相关的搜索建议和自动完成功能。 3. 评论与评分 用户可以对访问过的景点或体验过的服务进行评分和评论，这些数据将反馈给推荐系统，用于优化未来的推荐结果。 4. 个性化旅游路线规划 系统能够根据用户的时间、预算和兴趣爱好自动规划个性化旅游路线，用户还可以手动调整路线并即时看到调整后的效果。

1、基于最新的算法、最全的数据样本训练、最优的系统架构。 2、支持CPU、GPU兼容。 3、目标类型、车辆品牌、车头车尾、车身颜色、车辆类型、车牌类型、车牌号码、危险品车、出租车、驾驶人员、纸巾盒、遮阳板、天窗、收费类型等检测。

1、本项目通过已有的历史数据，对未来的数据进行分析和预测 2、本项目使用的项目栈：python、pandas、flask、机器学习、神经网络结合前端bootstrap框架 3、本项目基于机器学习和神经网络的知识，对历史数据先进行分类训练，提取训练模型后进行数据预测，并最终生成excel文件

1、项目应用于无人车在行进过程中对道路进行正确的识别，便于有效避障 2、功能主要是提取图像信息中的有效特征，实现道路与周围环境的分割，并将道路与环境通过二值图标注出来 3、主要框架为图像增强、特征提取、特征分析、特征降维、贝叶斯多线索融合机制、图像降噪

项目背景 随着家电行业的快速发展，冰箱等产品的品牌形象和能效标识成为消费者关注的焦点。冰箱的 Logo 和能效图标不仅是品牌识别的关键元素，也是产品质量认证的标志。因此，在冰箱生产过程中，对 Logo 和能效图标的正确张贴和显示进行自动化检测显得尤为重要。传统的人工检测方式效率低、成本高，容易出现遗漏或误判。本项目旨在开发一套基于图像识别的冰箱 Logo 和能效图标自动检测系统，帮助提高生产线检测效率，保障产品标识合规性。 项目目标 本项目旨在建立一个智能检测系统，通过计算机视觉和深度学习技术对冰箱表面的 Logo 和能效图标进行检测，确保位置、内容、清晰度等符合品牌和能效要求，从而提升冰箱生产过程的合规性和产品质量。 项目功能 Logo 位置与完整性检测：识别冰箱表面的品牌 Logo，检查其位置是否正确、图案是否完整清晰，避免 Logo 缺失、错位或模糊。 能效图标检测：检测冰箱上的能效图标，验证图标内容和能效等级是否符合标准，确保冰箱出厂时符合能效要求。 图像质量分析：对图标和 Logo 的清晰度、色彩等进行分析，识别任何潜在的印刷或张贴质量问题，确保品牌和图标视觉效果一致。 自动报警和提示：若检测到 Logo 或能效图标不合规，系统会自动报警或提示操作人员，及时进行调整或修复。 检测数据存储与报告生成：将检测数据存储至数据库，定期生成合规检测报告，帮助生产线分析产品标识合规情况，为管理层提供数据支持。 项目特点 高准确度识别：通过深度学习模型，准确识别冰箱上的 Logo 和能效图标，提高检测的准确性。 实时检测：系统支持实时检测，能够在生产线的流水作业中快速完成标识检测。 自动化与智能化：无需人工干预，自动识别和报警，提升工厂自动化水平。 数据可追溯性：检测记录可追溯，帮助工厂进行长期数据分析和质量管理。 技术架构 图像采集系统：通过高分辨率摄像头采集冰箱表面的图像数据，传输到后台进行分析。 图像处理与识别模型：使用深度学习模型（如 YOLOv8 或 ResNet 等）进行图像处理和分析，识别 Logo 和能效图标的位置、内容和清晰度。 后台数据管理与报告系统：将检测数据存储至数据库，定期生成检测报告并进行数据分析，便于追溯和质量管理。 报警与通知系统：与生产线的报警系统对接，检测到不合规标识时自动报警，确保生产过程及时纠正。 项目价值 提高检测效率：实现 Logo 和能效图标的自动化检测，降低人工检测成本，提高检测速度。 保证产品合规性：确保冰箱出厂时 Logo 和能效图标符合品牌和能效标准，提升产品在市场中的竞争力。 支持质量管理：通过数据追溯，帮助工厂更好地进行质量分析和改进，推动产品品质提升。 提升品牌形象：确保 Logo 和能效图标的准确显示，提升冰箱产品的品牌形象和市场认可度。 本项目的实施将帮助冰箱生产线显著提高标识合规性和质量控制水平，推动生产智能化升级，为企业发展提供有力的技术支持。

深度学习框架：TensorFlow, PyTorch, Keras 编程语言：Python, C++, Java 自然语言处理技术：文本分类、情感分析、机器翻译 大规模数据处理：Spark, Hadoop 模型优化：分布式训练、模型剪枝、量化

Orange 是中国首个通用人工智能（AGI）系统，旨在通过创新的算法和深度学习技术，推动人工智能的发展。作为一个跨领域的智能平台，Orange 不仅具备强大的数据处理能力，还能够在多种复杂任务中进行自主学习和适应，从而实现超越传统人工智能的智能水平。 Orange 的设计理念是模仿人类思维方式，具备理解、推理和创造的能力。它能够处理各种信息，从语言理解到图像识别，再到复杂的决策制定，为各行各业提供智能解决方案。无论是在教育、医疗、金融还是制造业，Orange 都致力于通过智能化手段提升效率，优化决策，推动业务转型。 随着技术的不断进步，Orange 将持续进化，力求成为推动社会进步和经济发展的重要引擎。它不仅是中国在人工智能领域的一个重要里程碑，更是全球 AGI 研究的先锋，标志着人工智能从单一应用走向全面智能化的新时代。

本项目基于先进的深度学习算法，结合图像处理和生成对抗网络（GAN）技术，致力于打造能够生成高质量虚拟场景和角色形象的AI程序。通过简单的图片输入，用户可以轻松生成逼真的虚拟形象，无需复杂的操作和专业的图像处理技能。这使得该程序不仅适用于普通用户，也为影视制作公司、广告创意团队以及其他需要定制化图像内容的领域提供了极大的便利。 该AI程序的核心优势在于其多功能性和强大的适应性。用户可以生成各种风格的虚拟场景，从逼真的现实场景到未来主义的科幻世界，从二次元的卡通风格到虚拟人类的超写实形象，均可轻松实现。同时，程序支持对生成图像的精细化控制，包括但不限于角色的表情、姿态、服装风格、场景灯光以及背景环境等。这使得用户能够根据个人或项目需求，对生成内容进行高度定制化调整，从而最大化满足创意和商业需求。 该作品的应用领域十分广泛，尤其在以下几个方面具有显著优势： 影视娱乐行业：虚拟角色生成技术可以帮助影视制作公司在减少制作成本的同时，加快后期处理的效率。虚拟偶像和虚拟演员可以大规模应用于广告、电影和电视节目中，提升视觉效果的同时，灵活应对演员时间或场景限制。 AI虚拟偶像和数字形象：通过AI生成技术，可以创造出逼真的虚拟人物，这些虚拟偶像能够被用于社交媒体、商业代言、直播互动等场景，具有极大的商业潜力。该项目生成的虚拟形象不仅在外观上非常逼真，还可以通过AI语音和动作捕捉技术，实现与真人相似的互动。 AI换装和虚拟时装：用户可以选择不同的服装风格和配饰，将生成的虚拟人物应用于时尚行业或电子商务平台，展示不同的服装搭配效果，为消费者提供个性化的购物体验。 AI换脸和特效制作：该程序能够通过换脸技术，将用户的面部特征无缝融入到虚拟角色中，并生成多样化的表情、动作。它不仅可以应用于个人娱乐，还可以为视频制作和广告宣传提供强大的技术支持。 通过对这些先进AI技术的灵活应用，本项目为用户提供了丰富的创作工具和无限的想象空间，极大地提升了虚拟形象生成的效率和精度。无论是影视娱乐行业的从业者、时尚设计师，还是普通用户，都能够从中获得创新的图像生成体验。

本项目的用户主要面对钢材厂，在以往的初生晶体含量检测都是通过ps或者肉眼判断，价格非常昂贵，本程序解决了此问题。本程序使用python编写，使用了yolo+torch+u-net+opencv+tkbootstarp等技术制作

塔吊自动驾驶系统简介 一、面向对象与解决问题 塔吊自动驾驶系统主要服务于建筑施工行业，旨在解决高空作业风险、人工成本上升等问题。 二、东土科技系统特点 高度集成：集成智能控制器、实时控制等，实现自动驾驶。 精准规划：RTK定位，路径规划与AI算法进行检测避障，确保安全精准。 实时监控：监控塔吊状态与环境变化，预警并停机避免事故。 高效传输：先进通信技术保障数据传输与处理的高效性。 三、产品组成与技术选型 UI软件监测：3D仿真显示和2D的UI展示和提示，实时视频监控。 控制器：稳定的工业控制器。 操作系统：实时操作系统，稳定运行环境。 传感器：激光雷达与摄像头，地图构建和环境感知。 操作界面：手持器与移动端控制，发送指令并显示状态。

基于美国自然行驶数据集（SPMD），提出了感知受限、驾驶分心、反应延迟、跟车忍耐度和换道礼让度等驾驶员特性的数学表征方法，建立了可犯错的拟人化跟车模型和心理动机触发的拟人化换道模型；基于企业采集的自然驾驶数据，开发了典型场景提取代码并二次标定了跟车及换道模型的拟人化参数；基于VTD仿真平台，实现了测试车辆与拟人化模型车辆的闭环联调；基于固有场景测试，开发了跟车和换道模型的行为关联测试模型，使行为关联场景测试具有全覆盖，有“关联”，可对比和显差异的特点；设计了安全、跟踪、舒适等面向ACC自动驾驶功能测试的评价指标；对比了原企业固有场景测试与行为关联测试对危险工况的激发效果，结果表明，与固有测试结果相比，行为关联测试可以激发更多的碰撞事件，从而支持自动驾驶测试-研发的快速迭代。（技术栈：simulink）

面向群体：全年龄段 主要功能：主要提供优质资料供于学习，缓解教育资源差距带来的问题 项目获奖：该项目在2024 CCF CAT全国智能体开发大赛获得全国三等 作品图片：提交的是获奖证明 详细看提交的文档(我是第一完成人，队友是长春理工大学硕士，目前在我团队） 商业价值：目前开发阶段，前途无量

构建并使用Neo4j图数据库进行存储大规模交易数据（10GB）；对数据进行清洗，提取初始特征工程，划分不同时序的数据切片图；使用Pytorch搭建动态图卷积神经网络深度学习算法框架，将其建模为图分类任务进行识别庞氏骗局，数据分析以及可视化

该科研项目提出并且通过实验证实了一种通过向Stable Diffusion模型增加一个基于CNN特征提取网络的人物形象编码器来实现让Stable Diffusion在生成模型未见过的形象时可以不需要额外训练或者微调主模型或者Lora模型。 文中提出了三种技术路线，最终在其中一种技术路线中成功实践并且在较少数据集上得出了有效的结果，证明了技术路线的可行性。 论文摘要: The current state-of-the-art Diffusion model has demonstrated excellent results in generating images. However, the images are monotonous and are mostly the result of the distribution of images of people in the training set, making it challenging to generate multiple images for a fixed number of individuals. This problem can often only be solved by fine-tuning the training of the model. This means that each individual/animated character image must be trained if it is to be drawn, and the hardware and cost of this training is often beyond the reach of the average user, who accounts for the largest number of people. To solve this problem, the Character Image Feature Encoder model proposed in this paper enables the user to use the process by simply providing a picture of the character to make the image of the character in the generated image match the expectation. In addition, various details can be adjusted during the process using prompts. Unlike traditional Image-to-Image models, the Character Image Feature Encoder extracts only the relevant image features, rather than information about the model's composition or movements. In addition, the Character Image Feature Encoder can be adapted to different models after training. The proposed model can be conveniently incorporated into the Stable Diffusion generation process without modifying the model's ontology or used in combination with Stable Diffusion as a joint model.

该系统包含了三个模块，人脸检测模块、数据训练模块和人脸预测模块，三个模块相辅相成，共同组成识别系统。人脸检测模块使用YOLOv3网络获取人脸，对人脸图像预处理并修改尺寸（96*112）并保存；人脸训练模块使用FcaeNet网络（MobileNetV1为主干特征提取网络），MobileNetV1 具有参数少的优势，可以加快训练速度；人脸识别模块使用Pytorch 预测模型对人脸进行预测并识别，如果遇到陌生人将会通过喇叭报警或者保存下陌生人的人脸图像。目前为人脸识别系统设计了三个GUI界面，通过GT creator的UI设计功能实现。

火灾探测是该领域的一个重要分支的对象检测。在当今快速发展的信息中技术，火灾探测在安防预警中的应用正变得越来越普遍。不断增长的需求因为火灾探测要求它向高精度发展，效率和性能。YOLO系列模型被广泛使用，应用于交通违章检测、住宅区等领域安全监控、工业组件缺陷检测，以及农业害虫和农作物检测。因此，我们在火灾数据上进行了特定训练。