先后在小米，字节任职过Android开发工程师，参与过小米视频核心视频开发工作，工作内容包括长短视频，视频起播优化，项目的内存优化等，也参与过字节的住小帮项目开发工作。

构建了开源项目：EsptouchForCSharp，入选Github北极代码库 移植构建了事实上的业界物联网配网标准：乐鑫公司物联网配网协议 Esptouch 的C#实现 https://github.com/imhmao/EspTouchForCSharp

采用公司自研后台框架，前端使用prime Faces框架，通过el表达式来与后台进行交互。前端页面为xhtml格式，后台框架为保密框架，数据库采用MariaDB存储二进制数据，采用minio来存储图片等文件。

给诸城义昌印染纺织有限公司定制开发印染企业ERP管理系统 实现了各种企业管理功能 实现基于.NET 控制台桌面程序 实现基于 ASP.NET的BS程序 根据企业需求在10多年时间里，不断完善充实各种功能。

组织开发微尘公益基金会所属整套网站、微信小程序、管理后台。 https://www.weichenfoundation.com/ 担任网站程序开发、管理后台全栈开发、小程序JS代码开发。

使用.NET WPF构建了个通信调试程序，可以分屏，同时调试串口、TCP、HTTP，解析JSON格式、解析ESP LOG 。 从界面设计、核心代码构建、全部独立完成。

1、项目是电气设备报警监测项目，主要模块有设备消息、任务、报警处理等模块 2、负责团队的工作分配，app接口开发、后台开发

1、负责卡车之家求助问答模块、列表展示、问题提交、回答提交、后台管理、评论系统 2、主要负责项目的技术架构和前后台代码开发工作

1、卡车之家app，首页推荐、资讯、产品库、求助问答、公司管理后台。 2、技术经理，负责.net和大数据技术团队的项目架构、核心代码开发工作。

全部功能模块我负责，一个后台管理的系统，登录页面，基本的列表，增删改查，密码的修改，前端技能掌握的还可以

项目实现用户注册、登录、添加购物车等功能 实现购物车的价格计算 实现前后端数据交互 解决的难题：实现短信验证登录

线下门店：便利店小程序。有储值，当面付，会员卡，优惠券。首页还有限时秒杀，猜你喜欢。有商城页，购物车和我的。

项目实现文件上传下载 实现数据可视化 实现过程中解决的难题：过程中解决了复杂单位树的实现，以及文件上传下载功能

1.社区团购，分首页，团购，订单，我的四个模块 2.商品开放陈列、顾客自我选购、排队收银结算,生鲜食品、日杂用品为主的商店

对图表和表格识别 识别图表位置、轴刻度 识别表格框位置 结合ocr将图像影像转为电子数据 像素分割、中位分割、聚类、交点计算、box计算

工业自动化控制 通过识别摄像头影像，识别现场情况，发送指令到工业设备。 包括ai模型、工业通信、低成本运输硬件、工业数据

项目简介： 通过假设在监测区域摄像头获取实时事故多发段道路信息，通过one-stage检测算法实现车流检测，并使用sort算法进行多目标跟踪，配合虚拟线圈完成目标框与检测线的碰撞检测，完成流量检测 责任描述：算法实现 1. 通过实地考察高速路段场景，车辆类型，车速等因素结合项目需求，进行技术选型和前期验证 2. 选择使用yolov3进行车辆检测，通过迁移学习，使用公司内部的数据集完成对模型的fine-tuning。使用DNN进行部署 3. 使用kalman滤波实现对目标框的修正并建立跟踪链，使用numba优化速度 4. 使用匈牙利算法完成目标框与检测框数据关联， 5. 使用SORT，根据IOU,Kalman，KM算法实现多目标跟踪 6. 通过模拟物理线圈的方式，进行碰撞检测来完成车流技术的功能

项目简介： 对摄像头采集到的数据进行处理，使用two-stage模型完成人脸检测，姿态检测，关键点识别，活体检测与人脸识别 责任描述：模型训练与部署 1. 对摄像头采集的视频进行处理,使用yolov3tiny完成人脸检测 2. 多任务：Backbone使用resnet34，完成关键点（wing-loss），人脸姿态（landmark-free直接回归欧拉角），性别（分类），年龄检测（回归） 3. 通过计算人眼关键点横纵比变化来进行活体检测 4. 人脸识别：backbone使用SeNet，头网络使用Arcface，使用BS架构。为了调高计算并行度，将原论文中的loss改为(FeatureMax @ W) 5. 优化人脸识别评估自动调参，FAR错误接受率低于十万分之一，FRR 51%，精准率55%（单张图片） 6. 优化人脸数据自动录入（姿态过滤，翻滚角修正，依据翻滚角进行仿射变换）

项目简介： 在安卓端部署 上游:目标检测 下游:21关键点回归 手势识别 责任描述：独立完成算法的开发训练部署 1. 使用YoloV5-lites 训练手掌检测器 0.5mAP 0.9 2. 使用mediapipe-hand作为关键点回归器 将backbone的输出anchor尺度调整 3. 使用逻辑回归识别手势模式 准确率98%,使用决策树完成 静态手势识别 分类准确率97% 4. Pt转onnx转ncnn,使用Ncnn框架完成yolo模型的量化,并修改结构适配输入输出 模型大小 6M(原始)->3M(fp16)->1.6M(int8) 推理速度10fps->20fps->23fps 5. 使用c++完成Android端模型部署,以及业务逻辑 6. Android Native层完成性能优化,so包部署

1、负责全栈开发，技术栈有node、vue，主要负责人，大部分功能接口开发，含支付、定时任务等 2、前端小程序：原生小程序，大部分页面 3、抢购拼团+返还红包的模式，带二级分销 由于此类小程序属于违规产品，现在停止服务了....