机器深度学习

我们的图片视频生成能力具备强大的角色与风格掌控力，能生成精美图片与视频。在小说推文领域，瞬间将精彩情节可视化，吸引读者目光；用于绘本创作，赋予故事鲜活生命力。支持多角色同屏生成，轻松构建复杂场景，换脸、换装随心所 “变”，甚至可按需精准输出文字，全方位助力创意落地。

在当今数字化交互蓬勃发展的浪潮下，我们推出了一项极具创新性的智能对话解决方案。它旨在精准引导用户完成特定任务，无论是产品销售，还是精准留资，均可依需求自由配置任务流程。同时，借助 RAG 知识注入技术，让对话知识储备深厚且精准。在交流进程中，还能巧妙收集指定的用户信息，为后续业务拓展、客户关系维护筑牢根基，全方位赋能业务腾飞。

1.该项目主要面向智慧城市，城市规划等方向，通过对遥感图像中各类物品的语义分割，达成各类设施统筹管理的目的 2.该项目主要采用pytorch框架，使用的是当下大热的深度学习技术，可以对各类复杂的场景进行对应的数据训练，从而达成良好的分割结果。项目主要采用HRnetV2+OCR为主要的语义分割模型，HRnetV2可以对高分辨率图像进行准确的识别处理，完成第一次分割处理，OCR模型则通过上下文检测技术，挖掘每个像素点与其他像素点的关联，以完成更进一步的精确分割 3. HRNet 联接上下文特征提取和自注意力机制模块 OCR的结合，相较于原始的单一 HRNet 模型的mIOU= 49.79%，提升到了 58.72%，增加了 8.93%，在贫瘠地类的分割上甚至提升了 42.06%，这表明加入 OCR模型后可以有效提升城市遥感图像语义分割的准确率（）

利用python从tushare，akshare，东财等抓取A股交易数据，整理后存储于mysql，作为机器学习（主要利用scikit-learn，pytorch）的数据仓库，采用多因子追涨策略，回测近三年历史数据，收益率60%左右。

本项目为学校的毕设，解决了神经网络识别过程中随着神经网络层的增加，网络的准确性下降的问题 相比于一般神经网路，可以有效解决当神经网络堆叠到一定深度时出现的梯度消失和梯度爆炸的问题，以及一些退化问题，我是对网络进行了开发，使得数据集导入及一些模型的训练变得更快，另外还对数据进行数据增强，使得神经网络对原本测试数据更加精准，此外还画了测试结果和评估结果图片 主要由resnet网络模型的构建，数据集路径生成及数据增强模块的实现组成，主要使用了torch，python

本项目面向学生,使用相关AI技术完成对学生的考试评估,以及与AI智能对话 提供智能绘图 帮助学生定位自己薄弱知识点,也能够出相关题目,帮助巩固自己薄弱的知识点.还有视频课拱学生学习. 还具备先进的拍照解题功能,只需上传题目照片,便可得到答案.

项目简介：旨在解决传统物理隔离传输系统中外部网络到内部私有网络的单向信息传输面临速度慢、效率低、误码率高等问题。具体为通过对文件进行特殊的编码算法处理，使传输数据以伪二维码图像矩阵的形式呈现，单张图像承载信息容量25KB；通过设计多通道编码展示和拍摄解码方式，实现多进程异步编解码，实现传输速度峰值达700KB/s，是当前国内同类竞品的7倍。 项目业绩：1.攻克传统物理隔离传输系统中单向信息传输速度慢、效率低及误码率高的难题，开发出创新性的物理隔离文件单向传输系统，提升企业与外部网络文件交互的效率与可靠性。 2.运用比特流加密、比特流图像转换编码算法将文件转化为伪二维码矩阵图像，实现高效信息承载与传输，有效减少传输过程中的数据错误与丢失，误码率较传统方式降低70%。3.基于现代计算机视觉和图像处理技术构建多通道展示与拍摄机制，实现多进程异步编解码，使系统传输速度峰值达 700KB/s，远超同类竞品。4.设计并实现系统与上层应用的交互接口，达成实时数据传输管控功能。通过此接口，上层应用能够对传输文件数据进行实时监控、调度与管理，提升数据传输的灵活性与可控性。

1.本软件面向使用AI绘画的用户，解决了用户在本地电脑使用AI工具进行绘画的问题。 2.相比于同类型的AI绘画产品，使用本软件的用户无需联网使用第三方提供的API即可在本地机器进行AI绘画，且出图质量高能够达到商用或者准商用水准。 3.本软件使用了目前较先进的绘画模型，可以由AI生成单张图片也可以批量生成图片。

1. 本方案面向谁，解决了什么问题 本方案主要面向以下几类用户： 科研人员：帮助科研人员快速生成论文综述，节省大量文献阅读和整理时间。 学生：辅助学生撰写学术论文，特别是文献综述部分，提高写作效率和质量。 学术机构：为学术机构提供自动化工具，提升论文撰写和评审的效率。 解决的问题： 文献处理效率低：传统文献阅读和整理耗时耗力，本方案通过自动化处理，显著提升效率。 综述撰写难度大：撰写高质量的论文综述需要深厚的学术功底，本方案通过智能生成，降低撰写难度。 引用关系复杂：手动管理文献引用关系容易出错，本方案自动建立和维护引用关系，确保准确性。 论文评估主观性强：传统论文评估依赖评审人员的主观判断，本方案引入评定角色，提供客观评估标准。 2. 相比于市场常规方案，本方案有哪些特点 市场常规方案： 文献管理工具：如EndNote、Zotero，主要用于文献的存储和引用管理，缺乏自动生成综述的功能。 文本生成工具：如Grammarly、Hemingway，主要用于文本的语法和风格检查，无法生成学术性强的综述。 学术搜索引擎：如Google Scholar、PubMed，主要用于文献检索，无法自动生成综述和引用关系。 本方案的特点： 自动化文献处理：自动精读文献，提取关键信息，生成综述大纲和初稿。 智能生成综述：基于深度学习模型，生成符合学术规范的论文综述，内容准确且逻辑清晰。 引用关系自动建立：自动识别文献之间的引用关系，生成规范的引用列表。 论文评定角色：引入AI评定角色，提供客观的论文评估，减少主观偏差。 多语言支持：支持多种语言的文献处理和综述生成，满足国际化需求。 用户定制化：用户可根据需求定制综述的风格、长度和重点，生成个性化的论文综述。 3. 方案的产品组成或技术选型 产品组成： 文献处理模块：负责文献的自动下载、解析和关键信息提取。 综述生成模块：基于提取的信息，生成综述大纲和初稿。 引用管理模块：自动建立和维护文献之间的引用关系，生成引用列表。 论文评定模块：引入AI评定角色，对生成的论文进行客观评估。 用户界面：提供友好的用户界面，方便用户操作和定制化设置。 技术选型： 自然语言处理（NLP）：使用BERT、GPT等预训练模型，进行文献的精读和关键信息提取。 深度学习：采用Transformer架构，生成高质量的论文综述。 知识图谱：构建文献之间的引用关系，实现引用管理的自动化。 机器学习：训练AI评定角色，提供客观的论文评估。 云计算：基于云平台，提供高效的计算和存储资源，支持大规模文献处理。 通过以上技术选型，本方案能够高效、准确地生成论文综述，满足用户的多样化需求。

(1) 利用计算机视觉技术和图像处理算法来自动识别铝棒通过对铝棒的图像进行采集和分析，框选出视频或图像中所有的铝棒并进行准确计数。 (2) 基于微信小程序平台，为用户提供简单便利的接口，将用户上传的视频或图片进行实时的识别与计数。 引入智能化、自动化技术极大地提高铝棒识别和分类的效率，并减少错误和延误的风险。这将有助于提高制造和建筑行业的生产效率，并提供更可靠的产品质量保证。同时，自动化技术还能减轻人工操作的负担，释放人力资源，使其可以更好地应用于其他重要的工作领域。 在技术层面上，YOLOv8的引入需要对铝厂的生产流程、产品设计、制造工艺、设备配置等进行全面的重新规划及升级优化,将传统的分散式转变为集中式计数，将小规模扩展为大规模识别，从而提高生产效率和质量；引入物联网技术对传统重工型的产品重新规划，将传统的单一产品转变为智能化、可定制化的产品，可打包集销，从而提高产品的附加值。

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