openCV

本系统基于深度学习技术，采用MobileNetV2轻量化模型，实现生活垃圾的智能识别与分类。系统支持厨余、可回收、有害、其他四类垃圾的自动识别，通过图片上传或摄像头实时拍摄完成检测。后端使用Flask框架，前端提供简洁友好的交互界面，识别结果包含置信度判定和详细的投放指南。系统具有轻量化、高精度、易

1.主要使用c++/Qt/qml编写上位机显示控制软件；2.主要使用typescript/react/express.js/tailwindcss等编写web软件

技术栈：MATLAB神经网络+C++QtGUI输入（6个）：贴片图号、速度、高度、压力、芯片压力、时间输出（4个）：角度、平行度、覆盖率、高度模型效果：160组样本训练，R²=0.9048界面：科技风可视化界面简单说就是用神经网络预测贴片机能做到的质量效果，帮工厂提前发现问题、优化参数。

（1）系统需求分析：通过调研与需求收集明确系统的功能边界与非功能目标。功能需求涵盖国产动漫数据采集与管理、个性化推荐、用户交互等模块；非功能需求重点关注系统的性能响应、数据可靠性、推荐准确度以及隐私安全保障。（2）系统架构与功能设计：采用前后端分离与模块化分层架构，提升系统可扩展性、可维护性和可移植

该程序通过串口操作一块内窥镜图像处理板，用于发送串口指令改变图像处理板对图像数据进行消光等处理，同时程序从计算机PCIE接口读取图像采集卡传输过来的RGB8888格式图像数据，将数据使用opencv图像做处理，实时显示出来

对此需求搭建了神经网络模型，用fab厂提供的工艺参数与传感器采集数据作为数据集，搭建神经网络预测在某工艺参数与实时传感参数下，会长出的晶体直径为多少，在具备足够的实时预测精后，应用于工业晶棒生产以获得具有稳定直径的晶棒

基于客户需求，我司为其定制开发了CPT智能检测系统，深度融合工业视觉、大模型与自动化控制技术，打造“检测-分析-反馈”闭环，实现三大技术突破1.双相机协同检测，精准捕捉关键信息、十字线定位技术（基于OCR识别技术）、智能误差判定（系统自动将识别的数字与预设的标准坐标数据库匹配，自动判定）、双模式灵活

以目标检测为例：1.对监控摄像头或工业相机采集的图像进行几何变换、直方图均衡、图像分割等预处理2.对预处理的图像进行基于深度学习的模型推理，检测是否含有目标对象3.如果检测出目标对象，标记框选检测到的目标对象4.收集更多实际应用场景中的图片，进行深度学习训练5.使用训练好的模型进行推理检测，提高检测

作品完成了人脸关键点检测,使用了tnn模型+opencv完成,计算人脸关键点位,使用传统算法进行人脸对比,可支持关键点检测,人脸对比,运行速度GPU930MX下30ms以下完全满足正常项目使用