openCV

包含图片上传模块、图像预处理模块、模型推理识别模块、结果输出与可视化模块。支持上传本地图片，自动完成图片尺寸归一化、降噪处理，调用训练好的深度学习模型进行类别预测，输出识别标签与置信概率，并展示可视化的识别结果

1.传统工作流模块（扫查，患者，成像，测量，注释，报告，回顾，存图），支持医师手动扫查切面，测量某些指标，存储结果，输出报告2.AI增强模块（智能降噪模块自动调节成像参数优化图像，自动测量算法优化复杂的测量工作流）3.简易工作流模块，用户仍然工作在传统工作流下，后台跑切面识别，质量评价，自动测量等算

系统主要包括机器人视觉识别、Tag定位、路线执行、运动状态判断、自动返程以及异常处理等模块。视觉模块负责从摄像头画面中提取机器人导航所需要的信息；路线模块根据当前状态执行对应路径；控制模块负责机器人动作衔接与状态切换。同时针对原系统进行了性能和代码结构优化，在尽可能保持原有稳定控制逻辑的情况下改善视

系统主要包括图像采集、目标检测、关键点定位、相机标定、PnP位姿求解、坐标系转换、姿态角计算及结果可视化等功能模块。通过YOLO模型完成目标及特征关键点检测，根据相机内参与目标三维几何信息建立二维—三维对应关系，采用PnP算法计算目标相对于相机坐标系的三维位置和旋转姿态，并输出X、Y、Z及姿态角等结

本项目是一款基于YOLO目标检测算法开发的智能视觉分析应用，能够实时识别视频或摄像头画面中的乘用车、行人等目标。系统通过YOLO对目标进行实时检测，并结合目标跟踪技术持续追踪车辆和行人的运动轨迹。通过分析目标在连续视频帧中的位置变化，系统可以计算并显示目标的移动方向、运动轨迹以及实时速度。主要功能包

系统主要包含以下功能：缺陷图像数据处理对工业图像进行整理、筛选和人工标注，构建目标检测训练数据集，并完成训练集、验证集划分。YOLOv11模型训练基于少量已标注缺陷图像训练YOLOv11模型，通过数据增强、训练参数调整等方式提升小样本条件下的缺陷识别能力。工业图像自动检测将训练后的模型部署到后端服务

系统包含uboot启动、开机logo、分区与多种升级方式（如工厂/自动/手动等）。Kernel侧支持GPIO、按键、串口、CAN，以及VS9988、TP2912等视频相关芯片联调。多媒体侧基于RKmedia完成影像显示（含VI/RGA/VO等路径）、OSD叠加与视野调整。应用侧提供串口与CAN协议、

启动与升级方面支持uboot加载、开机logo、分区表制作与系统升级相关流程。驱动与外设方面覆盖GPIO、按键、串口、CAN，以及VS9988、TP2912、TP2815等视频转换芯片的I2C联调，并使用设备树进行板级配置。多媒体方面基于rockit完成影像相关VI/VPSS/VO链路，以及OSD等

实现从SOC视频接口经桥片到AHD输出的旁路链路，涉及AMT630M、TP2912等转换与输出相关芯片联调。支持多路可编程触发，可配置极性，并处理多路之间的互斥与优先级，避免冲突触发。触发与相关参数可写入存储，由MCU侧执行或释放，保证掉电后规则可恢复。提供PC侧配置工具，完成协议对接以及配置的导入

项目提供统一AI接入层，覆盖视频摘要任务、文本/视频语义搜索、结果反馈和异步事件处理。通过REST/RPC统一接口契约，屏蔽底层算法服务差异；检索链路使用向量数据库支持语义召回，配合MySQL数据存储。系统同时建设监控指标、失败反馈、熔断和重试机制，保障高频调用下的稳定交付。

1.实现跨平台IDE这里参考vscode和visualstudio编译器，支持c++,cuda,fortran,python和c#.采用cmakelist组织编译2.实现利用计算着色器实现科学计算。3.将dx,vulkan这些3d能力抽取出来实现一个类似于ue5的3d建模工具；4.自己实现xaml+

一、核心功能模块1.多模态图像采集模块支持根据产品材质定制成像方案，可灵活选用可见光、红外、激光、超声波等多类成像传感器，适配金属、玻璃、透明薄膜、高反光工件等不同检测对象。内置工业相机、定制化光源的智能控制单元，可自动调节光源亮度、触发模式，针对复杂工业环境做抗反光、抗干扰优化，最高支持5微米级的

主要包括：1.PLC通讯，TCP/UDP/OPCUA/S7通讯，HTTP通讯2.相机/雷达设备采集，多线程高效采集，支持数据解压缩3.基于opencv图像预处理，增强，去噪等4.基于Yolo模型图像分类，识别5.数据曲线显示、3D点云显示6.sqlite3、Mysql数据库存储7.日志存储和分析8.

系统提供基于浏览器的无人机实时监控和任务控制能力，主要包括无人机位置、姿态、电量、飞行状态及传感器状态实时显示；航点上传、巡检任务启动、探索任务控制、临时飞行点、返航和紧急降落；无人机前后左右、升降和偏航等手动控制；云台角度、相机曝光和变焦控制；视频画面显示；系统状态监控及运行日志。前后端通过Web

标定模块：相机内参标定，相机和机械臂手眼标定。感知模块：通过深度相机（如IntelRealSense）采集物体RGB-D数据，结合深度学习模型实现目标物体检测识别。路径规划模块：基于喷涂工艺参数（如喷枪距离、角度、流量），利用强化学习或几何算法生成自适应喷涂轨迹，支持实时避障与轨迹优化。运动控制模块

面向无人机追踪的视觉系统在安防等领域具有重要应用价值。但高空视角下目标微小且密集，对检测算法的定位精度要求较高。同时，嵌入式平台受限于算力与带宽瓶颈，难以满足复杂深度学习模型的实时推理需求。在传统部署中，全量INT8量化易导致微小目标定位精度下降，而全量FP16推理则面临系统帧率过低的问题。针对上述

项目价值：1.适用于毫米波雷达、激光雷达、定位传感器、环境监测和工业检测等需要实时数据显示与长期数据记录的项目。2.通过UDP接收雷达实时数据，对目标点云及目标类别进行解析和显示，同时保存完整原始/业务数据。软件采用可停靠窗口布局，适合调试、测试、展示和数据回放类场景。

具备rpa的功能，同时融入了ai，还有知识库，使得场景更广。rpa适用于金融，电商，会记，运营等多个场景，属于自动化领域，可以进行图像识别，文档操作，网页和桌面应用操作，低代码开发，低成本开发。

1.数据处理模块：支持Excel试验数据导入、异常值清洗、数据集划分，搭配RSM响应面法生成虚拟样本实现小样本数据增强；2.建模预测模块：搭建BP-ANN神经网络模型，可自定义隐藏层神经元数量，完成材料抗压强度等指标回归预测，输出R²精度评价指标；3.多目标优化模块：基于响应面模型开展配合比参数优化

本项目是一个基于RaspberryPi5的自主视觉导航机器人，核心功能包括：红色物体实时检测与追踪：通过HSV色彩空间与动态阈值算法，实现对红色物体的实时识别与坐标提取。自适应色彩处理：采用动态V值调节与形态学滤波（开运算、闭运算），提升不同光照条件下的识别稳定性。全局搜索与局部追踪（ROI）：通过