机器学习/深度学习

负责客户端工具的开发工作， 1、对高精度地图数据绘制，优化工具交互，提高三维交互友好性，同时美化软件操作界面。对高精度地图数据进行解析和压缩，提供网络传输效率 2、维护当前软件已有的功能，修改用户反馈的bug； 3、参与新客户端的重构需求分析工具。

根据去年 的 AI 浪潮 自主研发的 ai 问答 ai 绘画 app ai 问答技术支持 使用羊驼 绘画使用 sd 有多位市场部门经理 以及各个 部门4 个月合作与测试 研发 最终完成 上线 (现在已下线)

该项目主要完成抽烟行为检测，在某些特定场合，例如易燃易爆的场所是严禁抽烟的。因此本项目主要是负责完成场景中人员抽烟行为的检测。检测算法采用的是Yolo V5算法，前期先通过收集整理并标注抽烟行为数据集，然后利用收集的数据集完成抽烟模型的训练。待模型达到检测精度要求后，利用该模型即可完成抽烟行为的实时检测，单帧检测时间大约150ms，检测精度>95%。

系统是一款基于ThinkPHP框架开发的AI问答小程序 为用户提供了智能而互动的聊天体验 系统还集成了全开源的GPT4.0MJ绘画系统AI，使得用户可以使用AI进行绘画创作

模型：deeplabv3+ 去除笔迹的任务定义为分割任务。因此使用名为 Deeplabv3+ 的语义分割模型来解决这一任务。 实现：train predict 效果与网易相似 https://ai.youdao.com/handwritingErasure.s#/

基于yolo的目标识别与检测，通过TOF数据识别机器人充电桩，实现机器人自动找桩充电；由于SLAM的全局定位依赖于当前激光和先验地图的匹配，而先验地图是采用膨胀栅格的方式来表示的，天然存在匹配误差，导致绝对定位做不到毫米级精度，所以通过TOF进行充电桩识别

项目主要分为数据采集，数据处理，数据整合设计算法，算法训练，预测结果部署等流程。 主要负责从天气预报接口存储当地天气数据，结合传感器实际采集数据通过深度学习时序预测模型训练算法，并通过docker容器让模型自动部署预测上传结果。

上下双相机对位贴合 第一步,首先明确我们的目标,就是我们到底在做啥,抓这个产品放到我们的目标问题,所以我们不要在上面图的位置分析。 第二步,假设我们上面的产品没有偏差,直接把产品移动到我们的目标位置:标准放置位置M1(x,y,u),放下产品 第三步,确定我们的看看位置到底是怎样偏差的,然后就知道我们该怎样旋转平移了。

一, 此软件用于开发各类功能测试，使用脚本即可完成各类项目。 二， 此系统由本人独立完成， 使用C#开发， 视觉使用halcon算子完成。 三， 此软件性价比极高， 大大提高了开发人员的开发效率。

个人构建基于酒店咨询类对话机器人 1、项目使用RASA开源框架； 2、项目内加入自己训练的情感识别模型、信息抽取模型、意图识别模型； 3、可以作为酒店有限域对话机器人； 4、项目由本人独立完成。

背景：本人读研期间，正是新冠病毒流行的时间，人们进出公共场所一般都佩戴口罩，导致现有的门禁系统 不能快速准确地识别进出行人的身份，往往需要人们摘下口罩才能识别。故为了解决该问题，实现戴口罩下 的人脸识别，研究设计了在嵌入式设备上快速检测人脸并进行身份识别的算法和门禁系统样机。 (1) 利用深度学习框架 pytorch，并基于 SSD 算法，结合比较新颖的特征提取网络（如 CSPNet）和后处 理算法（如 CIOU），设计了一款轻量化的、能够在嵌入式设备实时运行的人脸检测模型，为人脸识别 提供较为纯粹的人脸图像，mAP 和 FPS 分别可达 96.46%、41。 (2) 利用 MAFA 和 WIDER FACE 人脸数据集，制作佩戴口罩和未佩戴口罩的人脸图像，并重新设计人脸识 别精度验证的测试方法，利用 CSPNet 网络提取特征、CBAM 注意力机制突出重点区域，ArcFace 损失 函数和受 CenterLoss 启发提出的类间损失函数共同训练人脸识别网络，最终人脸识别正确率在人脸底 库为 500 人时，可达 88%，对小型人脸底库识别有较强的应用意义。 (3) 动手搭建门禁系统样机

1.gd32底盘控制,uart,i2c,spi,多传感器接入 2.算法版系统框架搭建，多进程通讯，glog，protobuf，UART通讯，ota升级 3.jps导航规划 4.机器人工作站通讯开发，无线升级

扫描模块：全体系算法 形态识别模块：全体系算法 加解密版权模块：全体系算法 调试质控模块：全体系算法 质控系统：放大倍率、畸变、SFR、清晰度、聚光镜、3A算法自动曝光、自动聚集、自动白平衡、颜色矫正等 光学调试：全体系算法 云端平台：全体系算法、微服务 C++平台：全体系算法、dll、so 架构设计

本作品采用先进的YOLOv8算法，实现高效的目标检测与目标计数功能。通过精准识别图像中的物体并自动统计数量，为各种应用场景提供便捷、准确的自动化解决方案。

求税率， 简单的排序，链表结构，数据分析，结构体的灵活运用，各种循环语句的应用，我本人具有亲和力，平易近人，善于与人沟通，也许今天的我没什么值得推荐的荣誉，但是我有一颗简单的心，做好了面对困难的准备，期望您的机会和慧眼

1. 系统描述：本系统为AI多模态人工智能聊天系统，展示的模块为青少年问卷调查智能问卷。系统根据用户对问卷内容的回答，智能分析诊断用户的心理健康状况，为医生提供指导性建议 2. 责任描述： 整个系统架构搭建，问卷流程设计，以及AI核心模块的开发 3. 成果：已经与上海卫建委成功签订合作合同，并申报为24年度政府相关科研课题

本项目分成两个部分：模型训练和实时检测。 1）模型训练：主要是通过改进的Yolo V8算法，结合钢筋检测数据库，完成对应的钢筋检测模型的训练。目前收集整理的数据集有3000多张，测试检测准确率达到99%以上； 2) 模型推理：利用1训练得到的检测模型完成实时的钢筋检测，并给出对应的计数。单张图片检测时间达到毫秒级别，实时性高，可集成到app中。 本项目的额核心技术是目标检测技术，主要用到的算法是Yolo V8，该技术可以迁移到类似的项目上，例如竹签计数等。

在运动想象范式下对正常被试的头皮脑电信号进行采集。 采用时频域变换方法，mixup数据增强策略，并结合深度学习框架对脑电信号做分类判别，以达到将脑电信号翻译成现实指令的目的。 为运动想象脑机接口的应用提供方法和思路上的参考。

首先对热带雨林的遥感图片进行标签处理，我们使用了lableme工具，接下来编写常规unet代码，并将主干架构替换为resnet最后加入ASPP和注意力机制模块进行优化。

使用yolov8 与LPRNet开发的车牌识别软件。opencv dnn 模型部署,yolo v8 迁移只训练了5 epoch,LPRNet 5万张 照片同样训练了5 epoch 纯cpu训练。识别率已经在90%以上，两个模型非常小巧。c++开发识别速度非常快