机器学习/深度学习

1.本方案面向使用三坐标测量机（CMM）进行工业测量作业的技术人员，特别是在高精度、重复性操作场景中工作的一线测量员。传统测量流程需频繁使用鼠标键盘进行操作，效率低且容易出错。该语音助手系统通过自然语音交互替代传统输入方式，显著简化操作流程，解放双手，提高测量效率，并减少人为误操作的可能性，特别适用于复杂环境下的辅助操作和高频重复任务。 2.完全本地化运行：无需联网，适用于厂房、保密实验室等网络受限环境，保障数据安全。 高定制化指令系统：内置约60条基础指令，支持模糊语义识别与上下文理解，结合测量业务深度优化。 跨平台集成能力：通过 Python 调用 COM 接口与三坐标测量软件深度集成，可快速部署到现有工业系统。 大模型推理：加入大模型增强语音推理，提升智能化 人性化语音反馈机制：集成本地 TTS（语音合成）模块，增强交互感与用户体验，贴近手机语音助手的使用习惯。

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；

想比较传统的消歧方法（如：基于词典的消歧），本文通过上下文的频繁项挖掘进行判别。将环境信息作为可信证据，包括特征选择、参数优化和集成学习等相关技术。 项目思路：手动标记部分训练示例或一小部分确定的规则，用于训练监督方法的初始分类器。然后让分类器用于未标记的语料库，以获取一个更大的训练集。这个过程重复进行，每个新分类器都在一个逐渐变大的训练语料库上进行训练，直到整个语料库被标记，或者达到给定的最大迭代次数。 效果如作品图片所示：

本代码基于YOLO（You Only Look Once）算法实现了高效的车牌识别系统。YOLO作为单阶段目标检测模型，通过卷积神经网络同时预测边界框和类别概率，显著提升了检测速度。系统首先利用YOLO模型定位图像中的车牌区域，随后通过OCR技术识别车牌字符。实验表明，该方案在复杂场景下仍能保持较高的准确率和实时性，平均识别精度达90%以上，单帧处理时间低于50ms。该方法克服了传统车牌识别算法受光照、角度影响的缺陷，为智能交通、车辆管理等应用提供了可靠的技术支持。

传统视频特征提取高度依赖领域知识，切鲁棒性差，泛化能力也不够。深度学习的方法通过多层非线性变换，从原始数据中学习层次化的特征表示，从而实现更准确、更鲁棒的特征提取。操作步骤如下： (1)对原始短视频做简单的预处理,使用FFmpeg工具快速将视频按照帧抓取图片; (2)依照准确率和时间的需求决定输入模型的图片的数目N,以相等的间隔均匀地从所有图像中抽取输入图像,组成一段有序的输入帧,并剪切成224像素×224像素的大小; (3)将步骤(2)中处理好的图片输入二维卷积神经网络,输出浅层特征表示图; (4)将步骤(3)的输出结果,输入伪三维卷积神经网络,进行时间信息和高维空间信息学习.

本项目通过第一部分在对案例主要数据进行数据处理后利用因果推断机器学习和匹配方法对PTSD病理进行探究，并针对病理提出保护路径。第二部分针对多模态数据融合要求，建立起数据处理，特征选择，多模态PTSD模型建立和指标评价的科学闭环。该项目结合了机器学习与因果推断算法，以及对非结构化数据的处理技术，使得对PTSD的分类预测效果有所提升，最终该项目也是获得了国家级二等奖的成绩。

金融数据大模型分析平台是一款集实时新闻分析、股票监控和市场趋势预测​​于一体的专业工具。通过整合新浪财经新闻与天勤量化行情数据，结合大模型智能分析能力，为投资者提供：  实时金融新闻与AI影响评估  板块关联性分析与股票筛选  全市场监控与可视化统计  异常波动股票实时预警 平台采用​​多进程架构​​（新闻处理 + 股票监控并行），确保数据获取与分析的高效性 盘前部分： 一、建立负面清单，剔除不交易的个股 剔除st股、北交所、市值低于20亿、上市交易不足180日的股票 二、板块个股分类，每一个票更新热点概念和所属板块 1、分析当日涨停票的涨停原因，以及所属板块 三、盘前重点新闻分析 1、通过新浪财经新闻24小时获取新闻，在早上9点25前对前日15点后到当日9点半的新闻进行分析； 2、同步分析对应板块的个股的上涨情况，如果有涨幅超过5%的股票的板块，罗列该板块5只涨幅最大的股票； 盘中： 一、建立数据库，实时通过新闻热点 API 获取信息，归档到数据库 1、通过新浪财经新闻24小时获取新闻，每30秒更新一次，分析对应利好的板块； 二、热点相互通信，匹配最佳个股 2、同步分析对应

1.一份眼底照片的数据集（取自ODRI-5k），分为正常眼底和白内障眼底。 2.对数据集进行划分，使用TensorFlow训练两个网络resnet-18和mobilenet-v1分别训练两个模型。测试集上正确率分别达到95%。 3.本地部署一个基于neo4j数据库和医疗问答数据集的KGQA（知识图谱问答）项目。 4.使用Django构建一个本地网站，具备（人脸）注册/登录功能；上传眼底图像，后台对样本进行预测，页面显示诊断结果的功能；诊断结果在QA系统中进行查询， 给出医疗建议的功能；医疗问答页面功能，服务器根据用户输入的疾病相关问题，返回并显示相关答案，同时进行语音播报。

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。

一、软件面向的行业和业务场景 本项目聚焦低成本深度感知需求，适用于小型企业或创业团队的轻量级应用场景，例如： 电商3D商品展示：用手机拍摄商品（如杯子、玩具）的左右视图，生成深度图，用于虚拟商城的“360°+深度”展示（比如用户可以看到杯子的凸起部分离屏幕更近，提升购物体验）； 家用智能设备：扫地机器人的简单环境建模（用单相机移动拍摄，生成房间地面的深度图，判断障碍物距离，避免碰撞）； 教育类APP：儿童编程软件中的“视觉实验”模块（让孩子用手机拍自己的玩具，生成深度图，直观理解“双目视觉”的原理）。 这些场景的核心需求是低成本、易部署（不需要专业双目相机），而本项目用“单相机+OpenCV”完美解决了这个问题，符合就业中“用最低成本实现核心功能”的要求。 二、项目功能模块与具体功能 项目按照“标定→双目校准→匹配→深度生成”的工业级 pipeline 设计，实现了4个核心功能，每个功能都对应任务书的考核点： 相机内参校准（张正友标定）： 做什么：用手机拍15张不同角度的棋盘格照片（倾斜、旋转、远近），用OpenCV的cv2.calibrateCamera算法算出相机的焦距（镜头

监管深圳市所有冷冻冷藏冷库，目前已接入平台运行有1131家冷库，平台主要功能通过AI视频识别分析，监管冷库日常风险，及时提醒地区所负责人，负责人通知冷库人员做出整改。 AI视频风险识别：人员防护风险：未戴口罩、未穿防护服，人员变更风险：陌生人异常、冷链车辆异常，安全风险：整洁度异常、冷库叠超高、玩手机、有积水，走私风险：叉车异常。 系统分为7个子系统：平台管理系统、H5数据上报平台、数据可视化大屏、转码网关、ONVIF IPC摄像头接入平台、AI图像识别和行为分析平台、深圳市进口冷链追溯冷库信息。

项目介绍 silc-client 是一个基于 Vue 3 + TypeScript 构建的现代化前端应用项目。该项目使用了最新的前端技术栈，提供了一个响应式、高性能的用户界面。 技术栈 框架: Vue 3.5.13 (Composition API) 语言: TypeScript 5.8.0 构建工具: Vite 6.2.4 状态管理: Pinia 3.0.2 路由: Vue Router 4.5.0 UI组件库: Element Plus 2.9.9 图表库: ECharts 5.6.0 HTTP客户端: Axios 1.9.0 工具函数: Lodash 4.17.21 日期处理: Day.js 1.11.13 项目特性 ? 基于 Vue 3 Composition API 的现代化开发体验 ? 使用 Element Plus 提供的丰富UI组件 ? 集成 ECharts 支持数据可视化 ? 使用 Pinia 进行状态管理 ?️ Vue Router 实现单页应用路由 ? TypeScript 提供类型安全 ⚡ Vite 提供快速的开发服务器和构建

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.

词袋模型只考虑是否出现，而不考虑词与词之间的顺序，导致文本中很多语义关联的丢失。 本项目用Dirichlet分布α中取样生成文档di的主题分布θi(主题分布θi由超参数为α的Dirichlet分布生成)，从主题的多项式分布θi中取样生成文档di的第j个词的主题z(i,j),并将其对应的词语分布∳(z,j)由参数为β的Dirichlet分布生成，依次作为一个词是否出现在前一个词的概率。 该项目简化了语料库或数据框与大语言模型（LLMs）的对接过程，通过确定最佳主题数，支持文本分类、摘要生成、评分以及分析等多种任务。

本产品聚焦全网舆情与信息数据的采集、处理与分析，可覆盖主流社交媒体、新闻网 站、视频平台、论坛等数据源，帮助企业或组织实时掌握行业动态、热点趋势以及公 众舆论，为业务决策提供数据支撑。 目前通过自研舆情监控系统，能够实时预警负面舆情，风险预警响应速度 ↑80%，负面舆情拦截率95% 案例：某游戏公司负面舆情事件响应效率 ↑95%

本程序致力于提供一个强大且实用的人群计数工具，其核心目标在于精准地检测图像或视频流中出现的人体目标，并高效地统计其数量。为实现这一任务，程序采用了当前深度学习领域的主流框架——PyTorch，构建并部署了一个经过优化的YOLOv3 (You Only Look Once, version 3) 目标检测模型。 YOLOv3 被选为本程序的核心算法，主要得益于其卓越的性能平衡。作为一种单阶段（one-stage）检测器，YOLOv3 以其显著的速度优势闻名，能够在保持较高检测精度的同时，满足实时处理的需求。其核心原理是将目标检测视为一个回归问题，通过单次前向传播即可预测图像中所有目标的边界框位置及所属类别概率。本程序特别利用了 YOLOv3 的 Darknet-53 骨干网络提取深度特征，并结合其多尺度预测机制（在三个不同尺度的特征图上进行检测），使其能够有效应对人群计数中常见的尺度变化大（如近处个体大、远处个体小）和密集遮挡等挑战，精准捕捉不同大小的人体目标。

本项目主要开发设计了基于yolov11+SE的垃圾分类系统，本系统集成yolo模型以及引入se注意力机制，开发了一款app，界面简约，功能完善。可以用来学习如何调用yolo模型！以下是摘要介绍： 在当今这个城市化快速发展的时代，城市里的生活垃圾产量一直在持续不断地攀升，传统的人工进行垃圾分类的方式，它的效率特别低下，而且分类的准确性也不怎么高，很难契合现在资源循环利用以及环境保护方面的需求。本系统专门设计并且实现了一个基于深度学习的生活垃圾分类目标检测系统，这个系统借助了比较先进的图像识别技术，能够实现垃圾的自动化精准分类。凭借这样的分类方式，就可以提高垃圾分类的效率，还可以降低对环境的污染，促进资源的循环利用，在系统开发的过程当中，凭借多种不同的渠道去收集数据，把公开的数据集进行整合，收集到的数据经由去噪、标准化以及数据提高等一系列的预处理操作之后，按照7:2:1的比例划分成训练集、验证集和测试集，系统选用了YOLOv11模型，并且结合SE注意力机制来进行特征提取和模型训练，还利用Pytorch库对特征选择进行优化。在系统架构方面，前端是基于Vue.js框架来构建交互界面的，后端运用

1. 本软件使用了前后端分离技术，前端使用 QML/JS 使其界面开发快，迭代快，后端使用 C++/Qt 框架，处理数据性能高； 2. 软件的产品简介：针对穿戴式运动心电信号（精度有限、易受噪声干扰），结合统计域分析、频谱分析、图拉姆角场（Gramian Angular Field, GAF）图像转换三种方法，以下是 12 个易提取、抗噪声能力较强的特征指标，涵盖心率、呼吸率、心率变异性等核心信息。

主要面向企业数据分析师、知识工程师、AI 研发团队以及希望构建智能问答系统、知识管理平台的机构。在知识图谱及动态数据问答分析需求日益增长的背景下，当前知识大脑构建存在诸多痛点：知识建模缺乏灵活且标准化的工具，导致知识结构混乱；知识编辑效率低，难以快速更新与修改；不同来源数据难以融合，形成数据孤岛；数据接入渠道单一，无法适配多样化数据源；数据入图过程复杂，耗时长；数据标引不精准，影响知识检索与应用；知识图谱底层存储性能不足，无法满足高并发、大规模数据存储需求。本方案旨在一站式解决知识大脑构建环节中的这些问题，提升知识管理与应用效率。​ 2.【50%】相比于市场常规方案，本方案有哪些特点​ 一体化全流程覆盖：市场常规方案往往只能解决单一环节问题，如仅提供知识图谱存储或数据接入功能。而本方案涵盖知识建模、编辑、融合、数据接入、入图、标引及底层存储等全流程，各模块紧密配合，形成完整闭环，大幅提升知识大脑构建效率。​ 高度灵活与可扩展性：知识建模模块支持自定义多种知识结构模板，可根据不同行业、业务需求快速调整；数据接入模块兼容关系型数据库、非关系型数据库、API 接口、文件等多种数据源，且能轻松

ADAS（Advanced Driver Assistance System，高级驾驶辅助系统））是一套集成传感器、算法和车辆控制技术的智能化系统，旨在通过实时环境感知、风险预警和部分自动化控制，显著提升行车安全性、驾驶舒适性和能源效率。作为自动驾驶（L1-L3级）的核心技术基础，ADAS已成为现代智能汽车的标配，并逐步推动汽车产业从“被动安全”向“主动智能”转型。