模型推理模块：CheXNet剪枝+轻量化骨干+混合精度+算子融合的加速推理引擎，输出14类胸部病变概率。可解释性模块：基于Grad-CAM生成病灶热力图，叠加原图输出可视化结果。报告生成模块：根据分类结果与热力图定位信息，自动生成结构化诊断报告（病变名称、置信度、病灶区域描述）。前后端分离诊断系统：

技术架构：基于Python、PyTorch和YOLO构建目标检测算法框架，结合OpenCV实现图像与视频处理，利用CUDAGPU加速模型训练及推理。数据处理：负责图像数据整理、目标边界框标注、数据集划分及数据增强，采用随机缩放、翻转、颜色扰动等方式提高训练数据多样性。模型开发：基于YOLO系列目标检

本人负责医学图像分割算法设计、数据预处理、深度学习模型开发、训练优化、实验评估及结果分析等核心工作。技术架构：基于Python、PyTorch、MONAI构建医学图像分割框架，结合OpenCV、NumPy实现图像处理，使用CUDAGPU加速模型训练与推理。数据处理：完成医学图像读取、尺寸统一、归一化

项目名称：基于PyTorch的深度学习视觉智能分析系统项目介绍：本项目围绕计算机视觉与深度学习技术，设计并开发智能视觉分析系统，支持图像分类、目标检测、语义分割等核心算法任务，可面向不同业务场景进行模型定制、训练优化与推理部署。核心技术：深度学习框架：PyTorch、TorchVision计算机视觉

本监测方案由杆用感知终端、线用边缘计算网关设备和物联微服务平台组成。感知终端其中以MT7628+MT2503CPU为处理芯片、WIFI模组、雷达模组、RFID模组（温度标签）、天线单元、双摄像头、北斗定位模组、太阳能板、音频喇叭和麦克风组成的。线用边缘计算网关以RK3568主控芯片，将一组感知终端采

该项目是一套面向智慧课堂的AI视觉分析平台，通过教室视频自动识别学生课堂行为并生成分析报告，解决传统课堂巡检依赖人工、难以量化反馈的痛点。系统采用前后端分离+业务/算法双服务架构：两套Vue3前端分别服务教师端与管理端，SpringBoot承担业务关系、权限与持久化，独立的Flask服务承载视觉推理

项目包含完整的数据加载、模型训练、验证、推理和评估流程。数据模块支持LLVIP可见光/红外配对图像读取、256×256缩放、归一化和内存预加载；模型模块实现6层编码器-6层解码器结构，并在对应尺度加入跳跃连接；训练模块使用L1重建损失、Adam优化器、每N轮保存权重、断点续训和最佳模型保存；推理模块

-多学科虚拟仿真实验：化学、物理、天文、工业、纺织等学科实验场景开发-实验判分引擎：可复用的自动判分与教学计算算法框架，新项目开发效率提升约40%-真实数据可视化：天文等真实科学计算数据接入Unity渲染管线，交互式可视化呈现-多平台发布：PC客户端+WebGL网页版，支持Web端直接访问与成绩回传

1.**输入适配模块**：接收TXT邮件、PDF/DOCX表单、扫描件与图片，支持ZIP递归解压与文件类型识别；2.**字段提取模块**：LLM按Schema做18字段A→Q提取，Regex兜底强格式字段，fill_missing机制跨附件补全；3.**检索与路由模块**：pgvector+BM25

功能模块 说明实时动作识别 从监控视频中识别"长毛刷刷洗"和"短毛刷刷洗"动作，输出动作类别与起止时间流程合规判定 自动统计各动作时长，判断是否满足洗消规范要求异常告警 检测漏刷、时长不足等违规行为，实时推送至管理端可视化追溯 在视频上叠加识别结果，支持回放与人工复核