openCV

1.数据库模块。保存产品信息，异物缺陷信息。2.通信模块。负责上位机与下位机的交互通信。3.人机交互模块。负责人机交互。4.算法模块。负责3D点云下的异物检测预与测量，2d场景下的异物分类。

1. 产品面向科研院所，解决了自动处理遥感图像，自动识别机场和飞机的需求。 2. 相比市场常规方案，此方案具有速度快，识别准确的特点。 3. 方案用到了opencv的图像处理算法，包括图像增强，图像分割。用到了matlab实现的注意力算法，用到了tensorflow架构实现的图片分类和目标检测模型.方案的部署采用了docker技术.

双能X射线全身骨密度系统由上位机软件、STM32、FPGA组成，主要由上位软件进行扫描测控。技术包括操作系统原生Socket进行通讯、自主设计通讯协议设计与解析、骨密度算法实现/验证，线阵探测器图像重建、图像处理（降噪、增强、ROI分割）、深度学习训练以集成、软件架构设计、项目搭建、软件开发（QT）等。

与军工研究所合作开发针对雷达罩蜂窝孔径的测量仪器;实现对蜂窝格孔边长2-4mm，深度30mm范围内的单个蜂窝格孔内壁变形测量，并识别蜂窝格孔变形缺陷，形成六个蜂窝批量测量仪器;软件开发了上位测量操作及点云处理显示等核心算法；2D图像处理：1)图像操作及测量工具栏；2)选择测量中心处的二维图像（单个工件有多处测量中心）；3)显示二维图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)缩略图显示：便于总图缩放显示；3D点云处理：1)3D点云操作及测量工具栏；2)选择测量中心处的3D点云（单个工件有多处测量中心）；3)显示3D点云图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)内窥镜图像：显示格孔的合成图像；

国内盲人数量占一定的比例，为解决盲人安全出行问题，设计了一套穿戴式的头盔智能导盲系统。我在此项目中主要负责设计导盲系统的视觉避障、目标识别、视觉引导等算法的框架搭建。采用pytorch深度学习框架与YOLOv5目标检测网络训练的日常出行目标识别模型以及tof测距雷达，最后设计了设备终端将图像传输和数据远程传输到算法服务端的分布式系统实现对行人、车、阶梯、石头、树等有效识别并定位其方位和距离达到引导盲人通过语音和腕部传感器感知环境信息实现主动避障，经实验测试有一定的辅助引导效果并在第十届全国光电设计大赛中获得国家级二等奖。

我是一名专注于深度学习和人工智能领域的软件工程师，拥有丰富的实践经验和扎实的技术背景。我擅长使用 Python 进行编程，并在图像处理和自然语言处理领域有着深入的研究和实践。我曾成功应用深度学习模型于新闻文本分类、人体姿态识别项目以及图像分类检测等任务。 项目经验 新闻文本分类系统： 行业应用：媒体、出版、内容分析 功能实现：自动化新闻内容分类，个性化新闻推荐，内容审核 技术亮点：利用预训练模型 BERT 提升分类准确性，支持多类别文本分类 人体姿态识别系统： 行业应用：健康监测、运动分析、安全监控、人机交互 功能实现：运动训练分析，老年人跌倒检测，异常行为识别 技术亮点：实时数据处理，高准确性的姿态识别算法，易于集成的 API 设计

移动底盘 机械臂 视觉识别 等 负责底层程序编写 以STM32F407VET6单片机为核心，通过MPU6050与激光雷达确定机器人行驶路径，通过摄像头识别果实颜色程度来判断成熟度反馈给单片机，单片机根据返回来的数据进行处理控制舵机实现机械臂的采摘。最后通过仿真测试，优化机器人性能，提高采摘搬运效率和质量。

作品的CSDN地址：https://blog.csdn.net/zhulong1984/article/details/89929718 视频实景地图 立体防控系统通过在空中俯看地面，结合视频标签独有的增强现实技术能对建筑物、道路、重点目标等进行语义化标注以及属性添加，整体效果就是一个实景地图，能给监控人员带来非常直观的临场感。 高低点联动的立体监控 立体防控系统通过高点摄像机掌握监控区域的整体情况，通过增强现实视频联动技术能调用监控区域周边的低点摄像机，从不同角度查看监控区域的视频。

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。

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

作品模块：1.运行环境的搭建 2.手部模型的构建 3.手势识别的自定义动作模型 4.鼠标控制接口 可以实现：通过普通摄像头的手势识别来完成对鼠标的控制 其中的：2，3，4部分几乎全部由本人完成。

作品模块：1.运行环境的搭建 2.手部模型的构建 3.手势识别的自定义动作模型 4.鼠标控制接口 可以实现：通过普通摄像头的手势识别来完成对鼠标的控制 其中的：2，3，4部分几乎全部由本人完成。

智能识别人物、关节、肢体动作以及判断人体身材系统，主要为公司或个人提供高阶视频人物识别与个人数据采集系统，既能提供准确的人物识别功能，又能保护个人隐私。

元学习方法，对深度学习目标检测网络进行云训练参数的训练，使得深度学习的网络性能进行迭代提高。 应用知识包括：Python、Pytorch、TensorFlow、Flask、MetaLearning、OpenCV、YOLO检测网络、Vue前端框架、JS、HTML语言。

人体姿态预测项目主要关注从视频或图像中检测并识别人的关键点，以确定人的姿势。这样的项目涉及图像处理，机器学习等复杂的领域。下面是一个基本的项目规划： 1. **环境设置与工具安装**：首先，需要安装Python, OpenCV, Numpy等基本的库。如果打算使用深度学习模型，则需要安装Tensorflow或PyTorch等框架。 2. **数据收集与预处理**：对于人体姿态估计，通常需要标记数据，包含人的关键点如眼睛，耳朵，鼻子，肘部，膝盖等。你可以选择COCO, MPII等公开数据集，或者创建自己的数据集。对于数据预处理，需要进行归一化，清理无效或错误的标记等操作。 3. **模型训练**：有很多预训练的模型可用于人体姿态估计，例如OpenPose, PoseNet, DeepPose等。选择合适的模型进行微调，并在训练集上进行训练。记得保存训练过程中的模型，以便于后续的模型选择。 4. **模型验证与测试**：在验证集和测试集上进行模型测试，确保模型能够正确地估计人体姿势。在这个过程中，可能需要对模型进行微调，或者更改一些训练参数。 5. **应用部署**：将训练好的模型部署到实际应用中。这可能需要开发一个简单的应用界面，让用户可以上传视频或图像，然后显示人体姿态估计的结果。 6. **优化与改进**：根据实际应用中的反馈进行模型的优化和改进。可能需要收集更多的数据，或者尝试使用不同的模型和参数。 这个项目是一个相当复杂的项目，需要对机器学习，图像处理等领域有一定的了解。如果你是初学者，可能需要花费较长的时间来学习和实践。在项目进行中，记得经常保存你的代码和数据，以防止丢失。同时，对于复杂的问题，不要害怕向他人寻求帮助，因为合作和分享是学习的重要部分。

1.本系统基于python设计并开发，包括录入新面孔、训练人脸、情绪识别等模块，利用OpenCV函数库与其自带的各种深度学习算法，通过摄像头接收图像信息，进行人脸识别与情绪识别，同时实现了在屏幕上显示标注的图像，并在识别到相应异常情绪时发出警告并提供相应处置方案； 2.本系统使用PyCharm进行开发，导入了OpenCV、PIL、keras、easygui等库，使用easygui做程序页面和逻辑，用OpenCV做图像识别和显示。