机器学习/深度学习

基于语义的检索系统主要分召回阶段和排序阶段,召回阶段要训练语义模型,之后构建索引库评估召回1,召回5,召回10等等,之后要用语义模型提取每个文本的语义向量,之后构建milvus索引库,写service，rpc，配置,之后启动服务,测试模型提取向量效果,查询milvus库召回效果,排序阶段首先要用单塔或双塔模式训练个排序打分模型,之后对测试集排序,之后也一样，写排序service,rpc，配置排序参数,之后启动排序service,之后写个总的运行程序，先去访问召回service,获取召回topk结果，之后把结果传给排序service，让排序service打分,最后整个系统完成

数据分类机器学习模型，支持线性模型/神经网络/支持向量机/聚类。 使用pytorch开发，自备高算力显卡。 支持在window和linux环境下运行。 100%完全自主知识产权，可转让代码，也可以转让开发资料包、样本、最终模型。

1.刀具磨损在线检测系统100%自行开发，项目对CNC设备采集的刀具信号进行数据清洗，后对刀具的磨损状态进行分类训练，实现深度学习的刀具磨损状况的在线检测。 2. 项目中遇到过准确率较低，模型精度不能保证的问题，最终通过优化损失函数的方法得到解决。 3. 该项目使得CNC机床的换刀可以自动化，节约了人力成本和提供了效率。

针对XX加固键盘人工检验效率低、易疲劳、主观性强、判断标准难量化、存在误检与漏检风险等问题，充分借鉴国内外先进制造及检测经验，开发一套键盘外观自动检测系统，以“机器视觉”代替“人工视觉”进行键盘外观缺陷检验。该系统可以对键帽错装、反装、漏装、脏污、字符丝印错误等外观缺陷进行检验，具体如下： 1、字符未镭雕透澈检测； 2、字符错键检测； 3、LED背光颜色错误检测； 4、颜色过亮或过暗检测； 5、位置偏移检测； 6、角度旋转检测； 7、机械半成品LED颜色及亮度检测等。

城市监控AI模型是一个高度复杂且技术先进的系统，旨在提高城市安全和监管效率。这个项目通过集成多种机器学习技术和大数据分析，为公安部门提供实时监控和事件预警功能。以下是对这个项目的详细介绍： 项目名称：城市监控AI系统 项目概述： 目的：利用人工智能技术，增强城市监控系统的自动化和智能化水平，提升事件响应速度和准确性。 技术栈：采用深度学习、模式识别和图像处理技术，结合Python和TensorFlow等开发工具。 核心功能： 实时视频分析： 系统能够处理和分析来自城市各个角落的实时视频数据。 应用图像识别技术自动检测并标识异常行为或潜在风险事件。 行为识别与预警： 通过行为分析模块，系统可以识别各种特定行为模式，如聚众、异常行走路线等。 一旦检测到潜在威胁，系统会自动触发警报并通知相关部门。 数据分析与报告： 系统集成了高级数据分析工具，可对收集到的数据进行深入分析，生成安全报告。 支持数据可视化，帮助决策者快速理解情况并采取行动。 个人贡献： 负责主要的算法设计和优化，确保系统能够高效准确地处理大规模数据。 在系统集成和测试阶段发挥了关键作用，确保所有组件的无缝协作。

AI慧眼系统是基于深度学习的一个智能系统，用于实时监控、异常行为检测、客流分析等。 提供，模型训练，模型优化，模型部署，工程化SDK，算法服务全流程开发部署。

项目分为数据清洗，数据预处理，特征工程建立，传统数学模型及机器学习模型建立。 利用sklearn库搭建PLSR模型、SVR模型和CNN模型，模型预测进度达到0.90。

项目分为控制模块、算法模块与数据库模块。其中控制模块主要负责控制硬件系统、与动作及传感机构通讯交互等功能；算法模块主要负责算法加载与管理、数据分析与结果生成等功能；数据库模块主要负责数据记录的查询和修改等功能。 我负责全部的模块编写和系统组建。核心部分是基于深度学习的细胞识别，包括标注训练与测试，采用python编写dll由C#调用

摄像机拍摄到的列车闸片区域图片通过图像处理、深度学习模型以及相应后处理代码得到列车闸片的厚度。整体方案：定位-分割-找轮廓边缘-计算厚度。

该产品用于动物食品的病菌DNA/RNA的样本检测；该产品由温度控制模块、荧光发射及采集模块、数据分析模块等构成。其中温度控制采用STM8+TEC半导体+PID控制，光路控制采用STM32 + 步进电机 + 荧光电路。

在指纹识别的过程中，指纹图片通常都是现场采集的，受环境的影响会有产生很多的噪声点，如果直接使用，会对指纹的识别产生很大的影响，而指纹识别的应用场景又都是一些比较严肃不容有错的场合，所以去除噪声又不损坏原始图像的结构就显得更为重要。本人通过图像多重滤波、形态学操作等方法，开发了一套实时去噪系统，可支持Windows、linux、安卓等系统。

项目主要目标为实现自动提取文字、英文、数字、表格，上传审核，检测是否出现违规用语或违规材料。团队进行数据收集，数据标注，模型搭建，模型训练，完成任务，最后实现自动提取审核的任务目标，并成功搭建在安卓端以及政府一体机。

项目目标：去除视频水印。视频上水印是全屏滚动的，且运动非匀速。 实现方法： 1、用opencv自己实现算法追踪满屏移动的水印位置，由于视频经过压缩水印被模糊化了，追踪相当困难。考虑到运行效率，不能使用AI网络暴力检测定位。 2、用AI算法去除水印，阅读大量小众论文结合个人思考选顶技术路线，最后设计出可靠神经网络去除水印，同样需要考虑运行效率，不能使用gan一类的算法暴力去除。 3、该项目考虑运行效率和去除效果已经达到了业界顶级水平 4、效果展示：https://www.bilibili.com/video/BV1ti4y157jK/?spm_id_from=333.999.0.0&vd_source=abc797fab7df13f1f923db091814340d

1：项目分为训练模块、参数更新、预测模块。自己敲代码实现线性回归中的主要算法，实现了从数据预处理、数据训练、参数更新、数据预测。 2：解决了预测准确率不高问题，发现测试集数据归一化需要和训练集保持一致，否则会导致测试集预测准确率不高

将上万条数据进行清洗和处理成适合模型的训练数据集，对BLOOMZ模型使用数据集进行多次微调训练，主要包括模型的隐藏功能训练和还原功能训练两部分，训练完成后继续对模型无法正常读取换行内容、无法对特定内容进行隐藏等功能不足的地方进行调试。 调试完毕的模型能够对用户需要输出到公共平台的内容进行隐私实体替换和还原，可以有效提升需出域数据的安全性。

1.通过超宽带雷达技术扫描人体胸腔起伏做呼吸,心率检测 2.通过对患者睡眠质量数据分析做统计 3.通过对意外发生危险时间段做数据分析统计 4.针对对监测患者异常情况进行唤醒并做报警机制 5.针对慢性病对产品市场前景居家医疗的落地做分析计算商业价值

项目分为视觉算法来识别人脸对应信息，并使用pyqt来实现可视化，最终实现一个人脸识别及打卡系统。困难度在于可视化和调用api

提供人脸检测、人脸识别，目标检测、行为识别、狗鼻纹识别等功能。 多平台支持，包括 Linux、Android、IOS、NNIE、atlas ，并进行了性能优化。 动作活体、授权、fast_run、TPS 限流、模型打包、加减密等关键特性。

1.根据患者入院信息,对患者进行标签定义 2.针对患者的标签自动推送相应的健康知识 3.根据患者的不同阶段重新定义患者标签的变化 4.并可根据标签定义批量推送音视频图文内容

该平台为某科学院委托本公司开发的人工智能训练平台。其中包括有模型训练、模型管理、模型运行等管理功能及整套工具链。支持单机多GPU，多机多GPU，多机多CPU的在线和持续训练方式；支持ensorflow、Caffe等机器学习作业的容器封装；可基于WEB图形拖拽方式建模；建模设计中提供csv文件。支持数据管理与可视化分析、在线集成开发环境、 远程虚拟桌面开发环境、拖拽式训练工作流开发、支持GPU MIG 分片训练、模型算法结构的可视化、平台资源实时监控看板、多项目组的用户管理。支持数据管理与可视化分析、在线集成开发环境、 远程虚拟桌面开发环境、拖拽式训练工作流开发、支持GPU MIG 分片训练、模型算法结构的可视化、平台资源实时监控看板、多项目组的用户管理。