openCV

1.端到端流程。从标注到上线，无需在不同工具间迁移，缩短研发周期。2.多框架兼容支持主流深度学习框架，并通过ONNX等中间格式实现跨框架部署，降低技术锁定风险。3.高性能推理针对GPU、CPU等硬件提供编译优化与内存管理，实现低延迟、高并发推理。

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.概览及数据分析实时展示当日在线相机、在线设备数量及变化趋势。提供告警数据的统计分析，包括告警类型、告警频次、告警热力图分布。支持风险点位的自动标注与分类展示，为安全管理与决策提供可视化数据支撑。支持数据大屏展示与多维度筛选（时间、区域、企业、设备）。2.设备管理可对视频分析设备（边缘盒子、视频分

1.支持单张/批量上传物流单据图片，自动识别集装箱号、托书号等关键信息。2.提供RESTfulAPI接口，可直接集成到企业管理系统中，支持远程调用。3.支持结果结构化输出（JSON格式），便于后续对接数据库或ERP系统。4.具备基础的图像预处理功能，提升识别准确率，对模糊/倾斜图片也能有效识别。

本方案主要面向 需要进行商品数字化和 SKU 管理的企业与零售场景。 在商品数字化过程中，常见问题包括： 商品图片与数据分散、缺乏统一管理。 上位机采集的数据缺少标准化处理，难以直接应用于业务系统。 商品信息与 SKU 之间关联度不足，容易造成重复录入和数据冗余。 本方案通过 统一的图片与商品数据处理流程，解决了商品数字化的核心问题，帮助企业快速完成 数据采集—处理—管理 的全链路闭环。 完全自主开发 从数据采集、图片处理、SKU 管理到数据管理系统，全链路自研。 避免对外部服务依赖，更好地满足个性化与安全性要求。 自研上位机 + 统一处理 上位机直接采集商品相关数据。 后端统一进行图片与商品数据处理，保证一致性和准确性。 一体化设计 数据采集、处理、管理无缝衔接，减少人工干预和重复工作。 实现从线下商品到线上 SKU 的快速映射。 灵活扩展 技术架构可根据业务规模灵活扩展。 可结合企业现有 ERP、仓储、零售管理系统进行对接。 数据安全与掌控 由于完全自主可控，数据安全性更高。 避免外包方案带来的信息泄露风险。 自研上位机系统：负责商品数据与图片的采集。 数据处理引擎：对采集的数据进行统一的图片处理、格式转换、清洗与标准化。 商品数据管理平台：作为核心模块，提供 SKU 管理、数据检索、可视化等功能。 技术选型： 前端：Vue，便于构建管理界面。 后端：FastAPI+reids消息队列，实现高效数据处理与接口服务。 数据库：MySQLL，用于结构化存储 SKU 信息。 存储：cos对象存储，用于保存商品图片。

功能介绍 大力连点器是一款专为安卓用户设计的自动化点击工具，主要用于模拟屏幕操作，帮助用户实现重复性任务的自动化。它支持单点、多点、滑动等多种点击模式，用户可通过录制脚本或自定义参数（如点击频率、持续时间、位置）来适配不同场景，如游戏刷任务、应用测试、抢票秒杀等56。该应用还集成云端脚本管理功能，支持脚本的备份、分类和跨设备同步，提升了使用便捷性12。 技术特点 前端技术：应用采用 Jetpack Compose 构建现代化声明式 UI，提供流畅的可视化编辑界面。结合 OpenCV 库实现图像处理（如截图取色、坐标定位）和 OCR 图文识别功能，用于动态捕捉屏幕元素并触发精准点击操作257。 后端技术：使用 Parse Server 作为后端框架，支持 RESTful API 调用和数据管理，配合 MongoDB 数据库存储用户脚本、配置信息及云端数据。这一组合提供了灵活的查询功能（如分页、排序）和云代码支持，实现业务逻辑的自动化处理48。

1.本方案面向光电镊单细胞操作平台的控制软件，通过软件实现控制单细胞的识别、导入导出、培养、抗体实验等。 2.想比市场常规方案，本方案实现对细胞的全流程自动实验操作，软件通过串口控制温控、相机、投影设备、电机、泵、荧光等模块实现对细胞的各种操作 3.应用到的技术有C++、QT、串口通信、SQLite、opencv图像处理、ai检测等

本方案基于OpenCV计算机视觉库，开发了一套实时视频人脸识别与特效处理系统。系统通过Haar级联分类器精准检测人脸特征点，实时定位眼睛和嘴巴区域，并运用先进的图像处理算法对特征区域进行特殊处理。针对眼睛部位采用强化的鱼眼畸变算法，通过非线性坐标映射实现眼球突出膨胀的视觉效果，使其呈现夸张的圆形凸出状态；对嘴巴区域则实施水平方向的适度拉伸变形。所有处理后的特征区域均经过羽化边缘处理，确保与黑色狗狗背景无缝融合，最终生成具有戏剧化效果的趣味换脸视频特效，可广泛应用于短视频制作、娱乐应用和实时视频互动场景。

AI写真软件，通过自研的端侧计算引擎和动态风格迁移技术，为个人用户及企业客户提供高性价比数字影像服务。核心优势体现在：1）8秒极速生成能力，较传统方案提速60%；2）200+可组合风格模板，支持证件照/动漫/职场等多场景应用；3）采用联邦学习技术保障用户隐私安全。该方案已形成SaaS平台+硬件一体机的产品矩阵，尤其适合电商、自媒体等需要高频形象更新的商业场景。

我和公司的技术团队共同开发了体积测量相关产品，“智慧物流数字月台云平台”，该平台整合包裹分离、体积测量、装载率计算等功能，已在邮政系统及京东物流等企业落地。 技术上，异形件及堆积包裹测量技术，依托Orbbec gemini 2L深度相机与三维算法，精度超97%；车辆体积装载率技术颠覆传统定性监管，通过实时建模使装载率提升15-50%，主导的团体标准推动行业规范化；异形件自动分离技术破解分拣难题，效率达人工3倍。 其中视觉处理部分和体积计算部分主要由我完成并持续升级与维护。

1、当前工业4.0与IoT的发展趋势下，工厂面临着设备自动化和人员培训的问题，诸如：产线生产效率的挑战、增加人机比、设备无通 讯界面数据集及管理、人力选择recipe 执行、下生产指令动作耗时且易发生错误、半导体设备升级为自动化费用昂贵等等。 2、大型自动化工厂、半导体自动化产线，通过远程管理管理方案，使人员不需要频繁进出无尘室，在战情室或者控制室监看控制位于无尘 室内的机台讯号，故RCM系统应运而生。 3、应用架构采用了C/S的模式，将应用分为客户端和服务器两个部分，客户端负责用户交互以及硬件的交互，服务器负责业务逻辑处理和数据存储。通过桌面框架内嵌Web的方式，实现前后端分离。

本方案面向基础设施监测、工地安全监管、水利工程等场景，解决了人工巡检效率低、监测数据获取滞后、无法实时预警等问题。通过部署各类传感设备（如水位计、倾角计、位移计、轴力计等）并接入自动化监测平台，实现对关键监测点的实时数据采集、远程监控、智能预警与历史分析，大幅提升监测工作的效率与准确性，有效降低人力成本并提升响应速度。 本平台相较于传统监测系统，具备以下技术与业务优势： 多协议兼容：支持 TCP、MQTT、HTTP 等多种数据上传协议，适配各种厂商设备； 高扩展性架构：基于微服务和消息队列架构设计，便于模块扩展与系统集成； 边缘计算能力：支持边缘网关设备进行本地数据预处理与缓存，保障断网期间数据不中断； 多终端支持：平台兼容 Web、iOS、Android、小程序，实现多场景可视化展示与数据联动； 智能分析与预警：内置异常检测与多级预警机制，可按项目配置阈值并推送告警通知； 设备管理一体化：提供设备生命周期管理、运行状态监控与远程参数配置功能； 数据可视化：内置丰富图表与地图组件，支持数据趋势分析、空间分布与历史对比。 产品主要由以下几个核心模块组成： 数据采集层：通过传感器设备采集数据并通过 TCP/MQTT/HTTP 上传； 数据接入网关：采用 C/C++ 实现轻量网关，支持协议解析、边缘处理与缓存； 服务平台层：基于 Java 全栈技术开发，使用 Spring Boot + MyBatis + Redis + Kafka 构建高性能后端； 数据分析与预警模块：基于 Python 实现数据清洗、统计与 AI 异常检测； 前端展示层：使用 Vue.js + Ant Design Vue 构建 Web 管理平台，支持大屏可视化； 移动端：支持 Android / iOS 原生开发与微信小程序，用于现场查看与告警响应； 数据库：使用 MySQL 存储结构化数据，MongoDB 存储非结构化监测记录与日志。

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.

本项目面向需要快速部署脑电情绪识别模型的科研人员与开发者，解决了传统AI模型难以落地、使用门槛高、缺乏图形界面的痛点。用户无需编写代码，即可在图形界面中加载脑电数据、提取特征并进行情绪识别预测。 与市场上常见的命令行模型部署方式不同，本工具采用 PyQt5 构建图形化界面，支持 EEG 信号可视化、模型加载与情感输出一体化操作。界面友好，适合非程序员用户；同时提供可定制模型加载接口，方便科研扩展。 项目整体使用 Python 编写，模型基于 PyTorch 实现，前端采用 PyQt5，数据处理部分集成了 NumPy、scikit-learn 等成熟库，具备良好的可维护性与跨平台兼容性。适用于科研、教学、快速原型验证等场景。

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。

工业CT扫描控制软件，具备对射线源、探测器、运动控制系统的综合管理，同时提供数据采集、图像处理以及分析功能. 模块化设计 系统采用模块化设计，将功能划分为以下核心模块： - UI模块：用户界面层，负责与用户交互 - 数据模块：数据处理与管理层 - 通信模块：设备通信层，负责与硬件设备交互 - 算法模块：图像处理与分析算法 - 系统模块：系统服务与管理 - 文件模块：文件管理与存储 - 工具模块：辅助工具与实用功能 - 扩展模块：第三方集成与扩展功能 设计模式 系统采用多种设计模式，实现UI与数据的分离： - MVC/MVVM模式：实现界面与业务逻辑的分离 - 工厂模式：创建各类组件实例 - 观察者模式：实现模块间的通信与数据同步 - 策略模式：灵活切换各类算法实现 - 单例模式：对关键系统组件进行全局管理 - 命令模式：实现可撤销操作和操作历史 - 适配器模式：兼容不同设备接口

本项目旨在构建一个服务于长线投资者的智能化基金推荐平台，以数据驱动和算法为核心，提供具有参考价值的投资建议及透明的决策依据。项目将系统性地实现以下核心目标： 1.自动化基金数据获取与处理： 构建高效稳定的数据管道，通过自动化爬虫技术（如Scrapy/Selenium/API集成），实时或定时抓取权威金融平台（如天天基金网、晨星网、交易所等）的基金每日动态信息（包括但不限于净值、规模、持仓、经理变动、费率、业绩排名、风险评估指标等）。针对获取的多源异构数据，设计并实现鲁棒的数据清洗与预处理流程，包括处理缺失值、异常值、格式标准化、特征工程（如计算夏普比率、最大回撤等衍生指标）以及数据归一化等关键步骤。清洗后的高质量数据将自动化转化为结构化格式，并高效持久化存储于选定的数据库系统（如MySQL、PostgreSQL或时序数据库如InfluxDB），为上层应用提供坚实、可靠的数据基础。 2.智能化推荐引擎构建与可解释性呈现： 基于历史与实时数据，研发核心基金推荐算法模块。该模块将融合多维评价指标（长期业绩稳定性、风险控制能力、经理经验、费用成本、行业配置契合度等）和潜在的机器学习/深度学习模型（如基于协同过滤、内容推荐、基于深度表征学习的排序模型等），针对用户设定的长线投资目标（如养老储蓄、子女教育金等）和风险偏好（保守、稳健、积极），生成个性化的基金推荐列表。至关重要的是，系统将深度集成推荐理由的可视化解释功能，运用LIME、SHAP等可解释AI技术，或通过直观的图表（如雷达图、归因图、业绩对比图），清晰展示每只基金被推荐的核心原因（例如：“该基金近5年波动率显著低于同类平均”，“基金经理在该赛道管理经验超过8年”，“费用率处于同类最低10%区间”），使推荐结果不再是难以理解的“黑箱”，有效增强用户信任度和决策参考价值。 3.一站式推荐平台搭建与用户体验优化： 最终目标是打造一个用户友好的交互式基金推荐Web平台或App。平台将整合前述数据层和算法层能力，提供核心功能：用户画像设定（投资目标、风险承受能力）、个性化基金推荐列表展示、详尽的基金档案信息查询、以及核心亮点——每只推荐基金的可视化推荐理由解析。平台设计将注重简洁性、引导性和信息透明度，确保即使是普通投资者也能清晰理解推荐逻辑。同时考虑引入基本的组合管理跟踪、市场动态资讯推送等功能，为长线投资者提供一个从参考建议到持续跟踪的一站式决策支持工具。 项目愿景： 通过自动化数据处理、智能化推荐算法和透明化的解释系统，本项目致力于降低专业基金分析的门槛，为追求长期稳定收益的个人投资者提供数据驱动、理由清晰、易于理解的投资参考，辅助其做出更理性、更符合自身需求的长线基金配置决策。

本方案面向工业 4.0 新型工厂，针对传统自动化产线中目标抓取、焊接、打胶等操作需预处理目标的痛点，实现无需人工调整的自动化作业，提升产线灵活性与效率。区别于市场常规方案，采用自主研发的机构光相机采集目标区域点云数据，结合自研算法实现目标的精准识别、定位与控制，具备非接触式测量、环境适应性强、无需目标预处理等优势，可适配多场景自动化生产需求。核心由机构光相机硬件、点云数据处理算法及自动化控制软件构成，通过自研光机电一体化技术，实现从数据采集到执行控制的全流程自主化。

1.面向企业，铣床加工控制系统仿真 2.使用了matlab-simulink的仿真 3.学生毕设第三部分，有愿意交流技术或是需要仿真的来 4.此闭环控制系统只需更改状态空间矩阵系数就可以使用，还可以改写成matlab或是Python语言。对于任何机床都可通用。 5.对于更改状态空间矩阵系数，可以使用ansys,adams,solidworks得到静刚度或是得到累计位移误差。 6.毕设答辩环节，没有一个老师问我如何控制，数据是怎么来的，甚至找了之前的系统仿真老师也不想多费时间给我看一眼。 7.以后学习机械视觉python/matlab可能再也不会接触simulink，非常伤心，最后一次和它接触居然是这个结果。 8.立志要当一个精通机械类的销售，以后要让我的作品，成为别人要花大价钱买的产品。 9.88元是我今天打印的幸运号（b站上有发动态“一只爱吃醋的猫”），可惜最后还是没有足够幸运，甚至都没有人问我的控制系统。

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；