目标检测

针对自动驾驶场景对YOLOv7的网络架构和参数进行了专项优化。在Backbone部分引入ECA与CBAM，强化多尺度特征融合能力；将Neck层的PAN结构改进为双向特征金字塔（BiFPN），提升小目标检测鲁棒性。调整了锚框尺寸分布，新增针对车辆侧面和锥形桶的细粒度锚点。训练策略上采用余弦退火学习率+EMA权重平滑，并引入动态困难样本挖掘机制。

管道智能巡检系统是根据国家管网集团某管道有限公司某分公司管道巡检的特定需求量身定制开发的，用以确保巡检业务能够在某省某市某地区的特定环境中高效运作。该系统由一个中心服务器和多个巡检机器人，以及若干电脑客户端、移动客户端组成。 巡检机器人软件通过5G网络与中心服务器进行通讯。实时采集各种设备运行参数，上报当前工作状态数据；接收中心服务器下发命令，设置巡检管理参数，执行巡检任务控制、行进控制等处理；在巡检过程中，实时进行目标检测和相关图像上传；当检测到可疑情况时，自动停止行进，就地检测确认。 该软件由多个功能服务模块组成，通过内部服务接口交互；自定义通讯协议，与中心服务器通讯；基于网络、USB、GPIO等接口，采集数据和图像，使用图像目标识别技术，进行异常情况智能检测。 硬件配置：CPU ARM Cortex-A57，内存4GB，存储128GB，GPU NVIDIA MAXWELL；操作系统：UBUNTU18.04.6，支撑软件：CUDA10.2.3、CUDNN8.2.1、TENSORRT8.2.1、OPENCV4.1.1，开发工具：QT5.9.5，编译环境：QTCREATOR4.5.2。

管道智能巡检系统是根据国家管网集团某管道有限公司某分公司管道巡检的特定需求量身定制开发的，用以确保巡检业务能够在某省某市某地区的特定环境中高效运作。该系统由一个中心服务器和多个巡检机器人，以及若干电脑客户端、移动客户端组成。 中心服务器软件提供用户、设备和巡检等管理服务；接收巡检机器人上报数据，并分发给各客户端；接收客户端的控制命令，并转发给指定的巡检机器人；在巡检过程中，接收巡检机器人上传图像数据后，实时进行推理分析和异常情况处理，分类存储相关图像数据和处理结果，并将图像数据、告警事件等信息分发给各客户端；接收客户端的数据查询、图像下载等请求，返回相应数据信息和图像文件。 该软件由多个功能服务模块组成，通过内部服务接口交互；自定义通讯协议，与巡检机器人、电脑客户端、移动客户端通讯；使用图像目标识别技术，进行异常情况智能检测；巡检数据和图像，使用数据库和文件存储。 硬件配置：CPU Intel Core I5-12400F，内存32GB，固态硬盘1TB，GPU NVIDIA GEFORCE RTX 2080TI；操作系统：UBUNTU22.04.5，支撑软件：CUDA11.8.0、CUDNN8.6.0、TENSORRT8.5.1、OPENCV4.9.0，开发工具：QT5.9.5，编译环境：QTCREATOR4.5.2。

1、随着大模型技术的不断发展，其在智能工程质检系统中的应用前景广阔。大模型不仅能有效解决传统质检方法中存在的效率低下、成本高昂等问题，还能克服小模型在数据标注和识别率方面的局限性。因此，构建基于大模型的智能工程质检系统成为提升工程质量检测水平的关键路径之一。这样的系统不仅可以提高质检工作的自动化程度和准确性，还能为企业节省大量的人力物力资源，促进工程建设行业的数字化转型和技术升级； 2、实时视频交互，大模型与小模型结合，完善整个质检流程，提升识别率；

Qwen-VL ? ?  ｜ Qwen-VL-Chat ? ?  (Int4: ? ? ) ｜ Qwen-VL-Plus ? ?  ｜

Qwen-VL ? ?  ｜ Qwen-VL-Chat ? ?  (Int4: ? ? ) ｜ Qwen-VL-Plus ? ?  ｜

DINO-高精度目标检测模型介绍 本模型为基于DINO算法的高精度目标检测模型。 模型描述 DINO模型算法框架图如下，是改进的DETR系列模型。 期望模型使用方式以及适用范围 该模型适用于通用图像

本文通过最新的检测模型YOLOv8算法+deepsort实现车辆跟踪与计数功能 YOLOv8 + deepsort 智能车辆跟踪与计数系统 1。 车辆跟踪 2.跟踪+计数

1、曾就职公司，有工业园区，场景需要自动识别进入厂区工作人员是否佩戴安全帽。数据采集使用labelimg标注，采用目标检测yolo目标检测算法训练模型，实现预测监测。 2、作为唯一的算法研发，从0到一，开发并上线。

监控场景多目标跟踪 个人全权负责的项目，从处理数据集、训练、算法优化到部署到边缘设备 1、对监控视频检测预设目标 2、做到实时跟踪 3、部署到嵌入式设备

1.懂目标检测，语义分割，物体分类的基本范式代码实现，pytorch框架为基础的深度学习代码调试，复现，改进；目标检测的yolo，fasterrcnn，detr等算法 2.进阶框架openmmlab系列，包括mmdetection，mmseg，mmcls，mmfewshot熟练使用和实现想法；yolo官方代码库ultralytics的熟练使用和实现想法；paddlepaddle的基础使用（熟练待学）； 3.还在自学大模型相关知识和java全套 4.语言：python，java，c++

1、使用图像处理方法，对轮胎X光图像进行相关的处理； 2、通过图像处理后的数据集，对目标检测的效果有很大的提升。

1、数据集来自kaggle平台； 2、对结核病培养皿中的结核杆菌细胞数据集进行目标检测； 3、分别使用不同的目标检测模型对其做实验； 4、Faster R-CNN模型在保证准确率相对较高的情况下，依旧保持较低的漏检率。

服务内容： 1.算法实现：多种CV下游任务的算法实现，包括数据处理，模型训练，模型调节等，下游任务包括且不限于目标检测，语义分割，OCR文字识别，目标追踪，姿态估计等 2.算法服务：AI推理功能可以通过服务的形式集成到产品或者平台中 3.算法部署：支持多种部署方式，本地部署，集群部署，容器化部署 4.平台、产品定制化开发：围绕人工智能技术将AI集成到产品或者平台中，结合应用场景、定制化需求，开发完成的，可应用的产品和平台 5.运维迭代，知识培训：负责产品至少6个月的运维和迭代工作

项目描述 训练平台： AI studio+Google Colab 技术实现： YOLOv4，DeepSort,Counting 主要负责：训练集选用 Pascal VOC 数据集，2007 版本提取行人车辆作为行人车辆检测的数据集； AI studio 平台训练行人车辆的目标检测权重文件，使用 k-Means 算法调整 anchor 的大小，使目标检测更为准确 Google colab 平台通过引入 deepsort 算法和counting 算法的代码将训练好的权重文件转换成用于目标跟踪的 yolo.h5 文件将相关文件移植到 Jetson Nano 嵌入式平台上，可用于统计客流量和在自动驾驶领域有很大的实用意义

项目角色：负责项目中手眼标定任务、视觉感知算法、机械臂控制算法的研发与系统编码工作。 项目难点：待抓物体形态差异很大，如何精确识别待抓物体的姿态、获取良好的抓取控制参数以保证抓取的成功率。 技术方案：目前验证基于深度学习以及深度强化学习的方法，探索提升视觉感知的鲁棒性及姿态预测的高鲁棒性算法。

项目角色：负责开发并优化视觉算法，以实现角点的准确识别和货物的规范码垛。工作内容涵盖算法的设计、编码，确 保系统能够高效地与机械臂系统协同工作。 项目难点：集装箱的新旧程度不同，内部残缺修补状况各异，而且环境中存在灰尘干扰和复杂的环境光照条件。这些因 素增加了集装箱角点识别和码放规范性检测的难度，对视觉感知算法的鲁棒性提出很高的要求。 技术方案：使用 RGB-D 相机采集图像和点云数据，结合图像处理和深度学习算法，实现对集装箱角点和瓦楞箱体边缘 的检测。码放规范性检测方面，通过检测是否缺箱、少箱，是否存在歪倒、倾斜，判定码放的规范性。改进传统图像处理流 程，采用 MLSD 直线检测模型并在私有数据集上进行微调训练，提高检测的鲁棒性。

项目角色：负责项目的 90%工作。涵盖从硬件选型安装、算法系统架构设计开发，原型机识别精度验证的多个方面。 项目难点：同食材可能具有相似的外观和纹理，例如橘子和橙子；相同食材可能具有不同的外观纹理，例如各品牌的牛奶；食 材可能会被遮挡、密集摆放，而且包装不尽相同；算法需要部署在边缘计算单元上，因算力受限，需要优化算法以提高效率。 技术方案：采用目标检测、自研多目标跟踪技术。使用目标检测来识别人体和食材，自研多目标跟踪算法用于重建人手 和食材的运动轨迹，算法系统部署于 Jetson NX 边缘计算设备上，利用模型裁剪降低参数规模，以适应边缘计算环境。

项目对多种工业产品的加工环节进行智能监督，利用深度模型检测出产品表面的多种缺陷，实现实时的AI异常检测。 使用YOLOv7对缺陷进行检测，项目设计数据处理、代码调整和结果封装等流程。 全流程参与，主要负责数据处理和运行实验。该工作已经在本企业工厂部署运行。

基于YOLOX算法搭建一套雷达影像目标识别系统，该系统可用于识别不同类型的雷达影像探测物，项目主要采用了YOLOX算法进行雷达影像目标识别。本项目使用tensorflow2进行YOLOX算法的构建，将YOLOX算法加入雷达影像目标识别中，提升雷达影像目标识别的准确率。