机器学习/深度学习

在指纹识别的过程中，指纹图片通常都是现场采集的，受环境的影响会有产生很多的噪声点，如果直接使用，会对指纹的识别产生很大的影响，而指纹识别的应用场景又都是一些比较严肃不容有错的场合，所以去除噪声又不损坏原始图像的结构就显得更为重要。本人通过图像多重滤波、形态学操作等方法，开发了一套实时去噪系统，可支持Windows、linux、安卓等系统。

项目主要目的为使用 人工智能技术对新闻进行分类，减少人力成本提高效率。 1. 模型主要分为以下5个步骤进行：数据爬取、数据选择与读取、数据摘要与清洗、模型选择、模型训练与评估、模型组合与预测效验。 2. 使用python及其相关科学库如：numpy、pandas等技术开发，选择的算法模型有：词袋模型BOW（Bag of Words）、词向量（Word Embedding）、神经网络，采用交叉验证的方式训练模型，来降低过拟合情况，最后对上述三个模型的结果组合加权平均。 3. 数据爬取主要使用Python requests库。 4. 使用Jieba中文分词库对中文进行分词处理，来完成数据选择与读取。 5. 独立完成TF-IDF算法对处理好的数据进行摘要与清洗。 6. 使用开源TestCNN和TestRNN模型对数据进行处理。

架构设计。基础框架搭建，springboot+dubbo微服务架构 第三方底层框架集成。包括万科项目底层组件，云信直播、视频SDK 第三方业务系统集成。海尔单点登录集成，海尔用户中心注册、修改用户接口集成，对接海尔 COSMOPlat支付接口，对接海尔消息平台（短信），七鱼客服系统集成 核心业务模块。包括在线学习、直播、点播观看和管理，订单模块，支付模块 后台模块。包括用户管理，集团组织机构管理，用户权限（shiro），直播点播统计（ELK） 推流助手二次开发（c++）。对推流助手UI进行调整，添加了类似清晰度、直播暂停、恢复等功能 海尔COSMOPlat项目部署，基于k8s平台的docker镜像部署 基于pytorch开发、训练的AI搜索助手

1. 学生端APP图书阅读打分、学习任务、课程功能、直播功能、发现功能、学习报告、积分商城、卡牌、评级测试、加入学校、消息推送等功能规划； 2、带领团队从0开始搭建各端功能，APP版本在三年多的时间里由1.0版本迭代到3.7.0，用户数量累计达到80万；

AI慧眼系统是基于深度学习的一个智能系统，用于实时监控、异常行为检测、客流分析等。 提供，模型训练，模型优化，模型部署，工程化SDK，算法服务全流程开发部署。

基于关键点提取框架获得人体30多个关键点坐标信息，选择向量夹角作为度量标准。提供10余种不良坐姿检测功能。 MediaPipe

是一套供平安寿险坐席人员培训学习的系统。主要有 演练模块、通关模块、学习模块、话术平台、数据报表、系统管理等主要模块。系统 分为 admin 端和 client 端，采用前后端分离的开发模式。并通过 kettle 工具同步人 管系统的坐席人员及相应的权限信息。 参与该系统所有模块的开发及问题优化。解决相应的生产问题、设计数据库表以及解 决表数据迁移问题、配合产品开发新需求，协助技术经理对每月底的版本发布做准备 工作；协助测试进行生产验证，负责产品的性能优化提升用户体验等。 指导新入职的同事对项目的理解，负责代码的审核以及在开发过程中所注意的问题

提供人脸检测、人脸识别，目标检测、行为识别、狗鼻纹识别等功能。 多平台支持，包括 Linux、Android、IOS、NNIE、atlas ，并进行了性能优化。 动作活体、授权、fast_run、TPS 限流、模型打包、加减密等关键特性。

项目分为文生图、图生图、dreambooth微调模型、图片管理几个模块。 文生图：通过关键词AI绘画出相关图片 图生图：通过本地图片加上关键词AI绘画相同风格的图片 dreambooth：微调模型可根据不同需求训练出自定义风格的AI绘图模型

基于LangChain + 开源 LLM构建个人知识库，用 LangChain 对文档进行向量化，然后检索内容，在调用 LLM 对得到的内容进行总结输出

针对XX加固键盘人工检验效率低、易疲劳、主观性强、判断标准难量化、存在误检与漏检风险等问题，充分借鉴国内外先进制造及检测经验，开发一套键盘外观自动检测系统，以“机器视觉”代替“人工视觉”进行键盘外观缺陷检验。该系统可以对键帽错装、反装、漏装、脏污、字符丝印错误等外观缺陷进行检验，具体如下： 1、字符未镭雕透澈检测； 2、字符错键检测； 3、LED背光颜色错误检测； 4、颜色过亮或过暗检测； 5、位置偏移检测； 6、角度旋转检测； 7、机械半成品LED颜色及亮度检测等。

⚫ 开发了一个用于地震后建筑物的损坏等级的预测系统。通过搭建自编码器（Autoencoder，ANN），对数据中地理坐标数据进 行特征工程，提取并加强了地理特征。 ⚫ 基于集成方法构建并训练了由随机森林，XGBoost 和 LightGBM 构成的模型来做预测， 取得了最高F1-score 75.32%，位 列前30名。

当前越多越多的业务开始使用多模态大模型，尤其是视觉-语言预训练模型。在实际使用中，我们通常需要对预训练模型进行调优来适配实际的业务场景，而这需要大量的资源介入且费时费力，尤其是对视觉基座的调优在资源有限的情形下几乎是不可行的。本项目探索了在不调优视觉基座的前提下，仅通过对语言端进行调优并优化推理过程，实现语言增强的零样本多标签分类任务 (Zero-shot Multi-label Classification)。本项目为国际比赛获奖项目。

项目分为控制模块、算法模块与数据库模块。其中控制模块主要负责控制硬件系统、与动作及传感机构通讯交互等功能；算法模块主要负责算法加载与管理、数据分析与结果生成等功能；数据库模块主要负责数据记录的查询和修改等功能。 我负责全部的模块编写和系统组建。核心部分是基于深度学习的细胞识别，包括标注训练与测试，采用python编写dll由C#调用

基于人脸关键点框架获取到400+人脸3D关键点数据，并绘制到人脸上。 关键点数据覆盖：眼周、瞳孔、鼻子、额头、内外嘴唇…… MediaPipe

该平台为某科学院委托本公司开发的人工智能训练平台。其中包括有模型训练、模型管理、模型运行等管理功能及整套工具链。支持单机多GPU，多机多GPU，多机多CPU的在线和持续训练方式；支持ensorflow、Caffe等机器学习作业的容器封装；可基于WEB图形拖拽方式建模；建模设计中提供csv文件。支持数据管理与可视化分析、在线集成开发环境、 远程虚拟桌面开发环境、拖拽式训练工作流开发、支持GPU MIG 分片训练、模型算法结构的可视化、平台资源实时监控看板、多项目组的用户管理。支持数据管理与可视化分析、在线集成开发环境、 远程虚拟桌面开发环境、拖拽式训练工作流开发、支持GPU MIG 分片训练、模型算法结构的可视化、平台资源实时监控看板、多项目组的用户管理。

气体检测模型搭建前后端平台。后端采用python+flask架构完成，前端使用vue3+vuetify完成。借助websocket实现前后端数据日志记录更新展示。借助基础组件对视频流效果进行封装，实现播放器功能。后端完成对yolo模型的导入和调用 本人主要负责前后端搭建编码和模型导入使用

基于语义的检索系统主要分召回阶段和排序阶段,召回阶段要训练语义模型,之后构建索引库评估召回1,召回5,召回10等等,之后要用语义模型提取每个文本的语义向量,之后构建milvus索引库,写service，rpc，配置,之后启动服务,测试模型提取向量效果,查询milvus库召回效果,排序阶段首先要用单塔或双塔模式训练个排序打分模型,之后对测试集排序,之后也一样，写排序service,rpc，配置排序参数,之后启动排序service,之后写个总的运行程序，先去访问召回service,获取召回topk结果，之后把结果传给排序service，让排序service打分,最后整个系统完成

项目主要是在DETR系列目标检测算法的基础上进行改进的，将其与多模态模型进行融合，将单模态目标检测算法改进为多模态目标检测算法，实现检测能力和识别能力上的提升。

自动完成发票查验，无需输入验证码，提供发票查验界面和webapi接口，方便于现有系统集成，查验速度2秒以内，可以免费体验，有任何需求和建议可以发给我。