Python

本项目应用FasterRCNN网络，实现了高速公路在某一个时间段内的过往车辆识别，并通过回归计算，预测高速公路上堵车的情况

基于resnet50深度学习网络，实现对花数据集的分类，准确率达到98%，对将来各种问题的研究提供了一定的帮助，比如说杂草问题的研究等

实现了对坚果的分类，提出一种网络模型压缩参数的方法，将网络上流行的深度学习模型进行剪枝，以便更好的嵌入硬件设备中

该项目旨在使基于树莓派的机器人在水下，通过视觉识别红色按钮位置，使机器人在前进途中对准按钮，并用机械臂推动它。 程序可调取摄像头，以一定帧率逐张图片分析（滤波去噪、腐蚀膨胀、掩膜二值化、轮廓提取），找出每张图片中按钮中心点（取最小外接圆圆心）的位置，在与屏幕像素中心点对比，向串口传输机器人应该向上/下/左/右哪边移动的信号。 项目难点：按钮中心点的确定。由于难以识别按钮正圆形的侧面倾斜角度，采用简单颜色识别的方式，取整个红色区域的最小外接圆圆心。即使机器人位置尚未移动到与按钮平行，但随着机器人向与按钮平行的方向移动，最小外接圆圆心会不断接近正圆形按钮的圆心。（如图中：识别的圆心在圆柱形侧面，但由于机器人头部不会上下倾斜，若机器人位于按钮上方，一定如图所示按钮在屏幕像素中心点偏下位置，机器人会收到信号向下移动。机器人向下移动，则正圆形侧面在摄像头画面中红色区域的占比越大，红色区域最小外接圆圆心越接近正圆形按钮圆心） （图为单张场景图片效果）

该项目旨在计算图片中绿色格子个数并准确输出。 使用图像处理基本操作：灰度转化、腐蚀膨胀、二值化等。 难点：由于拍摄图片的随机的，可能有蓝色背景和白色底板边缘。起初考虑计算绿色面积，再提取一个绿色格子大小相除，但由于通过像素点计算单个绿色格子面积和绿色总面积都不精确，稍有出入则会造成个数计算误差。后来采用从左上角第一个格子的中心开始，以一个格子的长为横步长，一个格子的宽为纵步长，逐一格子枚举，判断处于该格中心的九个像素点颜色的方法解决该问题。

针对现有语义分析模型长文本分类正确率较低的问题，对长文本进行切分后结合BERT模型进行分类。本项目提高了长文本领域的分类正确率。

该项目是基于华为昇腾服务器设计的一个全天铁路场景异物智能检测系统，该项目实现了对前端发送报警图片的处理：主要包括图片前处理，模型推理，图片后处理；同时基于Flask框架实现对处理结果的返回。本人只要负责深度学习模型修改，模型转换，网络微调，Web应用程序框架编写。

突破金融网站限制，爬取关键信息。进入同花顺网站，爬取行业指数信息，同步计算近2年行业指数数据。精准把握行业动态

面部识别开门器。 实现一种基于眨眼检测的面部活动检测算法。 该算法通过网络摄像头实时工作，并且仅在眨眼时才显示该人的姓名。

给轮胎拍摄图片，通过计算机视觉算法去定位相关的孔的位置，定位的数据要给到后面双目摄像头。 测试定位精准度（精准度在真正圆心位置的几十个像素范围内，在实际中范围在0.5cm左右）： 1、圆心通过减小框的粗度，用肉眼观察。 2、通过与传统方法计算得出的圆心进行比对。

1.功能模块：数据可视化；损失函数；梯度下降等 2.技术栈：Python，pandas，numpy，matplotlib等，实现多变量线性回归模型，对训练集进行学习训练，得到最佳模型参数进行收益预测

通过歌词判断歌曲情感倾向，利用NLP技术，python语言编写。 采用PyTorch深度学习框架，Bert-CNN模型。 将歌曲识别为快乐、伤感和无情感三种类别。

为推进车辆装备维修保障智能化、精细化、信息化建设，提高车辆装备保障能力水平和抢修效能，综合运用大数据、传感器、数据库、信息通信和人工智能等技术，研发涵盖车载数据采集设备、移动式车辆性能数据处理终端、车辆性能动态监控与辅助决策软件系统的车辆性能动态监控系统。硬件系统包括数据采集模块、数据分析与处理模块、通信传输模块和维修可视化输出模块等部分，通过车辆性能数据动态采集、实时存取、信息处理、数据通信、预测分析、结果呈现等任务流程，依托软件系统实现性能数据变化规律呈现、部件质量性能关联分析、故障问题预警预判、车辆质量性能评估、车辆维修全周期管理、车辆维修辅助决策等功能，能有效解决当前车辆保障模式粗放、故障机理数据缺失、维修工作时效滞后、维修手段智能化程度偏低的问题，研发技术方法具有通用性，可扩展应用于空军其他同类型车辆装备，具有较高的军事和经济效益。

项目概况：该项目是以一个公司的产品需求量订单为出发点，使用一些销量预测的 方法对未来三个月的销量进行预测。 第一阶段先对订单进行预处理，处理缺失等情况，第二阶段对数据进行分析描述， 第三阶段进行未来三个月的预测。我在本项目中都有全程参与，并且撰写成为论 文，提交到比赛中，最终获得泰迪杯国赛三等奖的成绩

1.基于ARIMA回归模型的股指期货价格预测 2.利用python，进行模型训练和预测 3.适合毕业论文选题和股价预测 4.代码编写不容易，购买直接可复制

介绍：运用机器学习算法，通过对快递运送的特征例如重量，距离，件数等来预测未来打折力度，寻求收益最大化。同时利用模型判断客户接受运送的概率以及挖掘客户做出判断的原因 协助客户清理数据以及提取相关特征并对相同的数据集执行回归与分类模型，从而预测打折力度与客户接受度；成功将模型准确度从83%提升至接近90%； 定期与客户沟通，确定客户需求并及时对项目流程进行可靠的更改； 对成熟的模型进行再优化，利用全局网络搜索进行参数上的调整； 提供数据可视化技术，撰写相关报告并演示；

项目介绍：本项目是一个前后端完整的综合网站系统，旨在对特定水下目标图像进行检测和识别。在网站内，用户可注册、登录后，创 建独立的工作空间，在单个工作空间内，传入目标图像数据集，进行模型训练，监测模型的训练进度和效果，使用训练好的 模型进行目标检测、总结、可视化结果展示。 本人工作：以python为基础的后端开发和以Vue为基础的前端开发，全栈开发

• 对说话人识别系统进行后门攻击 o 设计了一个白盒后门攻击系统，使用 VoxCeleb1 数据集和数据污染，攻击基于 ResNet-34 的说话人识别 系统和开源说话人识别平台 Kaldi。这是首个全面攻击说话人识别系统的工作。 o 设计了两个常见说话人识别任务的数字和物理后门攻击:说话人验证任务和闭集说话人识别任务。 o 在这两个任务上实现了 89%以上的数字攻击成功率和 70%以上的物理攻击成功率(ISPEC 2022, Long paper)。 • 通过文本数据增强以提升 NLP 模型的性能 o 通过创建同义词和反义词样本以及特征空间优化来微调RoBERTa。在文本分类任务中比基准RoBERTa 模型准确率提高了约 5.4%，在文本相似性任务中达到了约 0.907 的皮尔逊积矩相关系数。 o 使用数据增强方法将SQuAD问答数据集转换为掩码语言模型数据集，以丰富域外数据的代表性， 并微调了 Hugging Face DistilBERT 模型，将其问答性能提高了约 3.3% (基于 F1 分数)。 o 对Covid19推文文本进行数据增强以预测转推次数，在LSTM-GRU上实现了约149的平均绝对误 差(Kaggle Best Performance 127)，在情感分析任务上的分类准确率达到约 93.7%。

科教机器人是一款基于 ROS 机器人操作系统开发的全向移 动机器人,它支持Jetson系列主板和树莓派4B作为主控,并搭载了激 光雷达、深度相机等高性能硬件配置,可实现机器人运动控制、遥控 通讯、建图导航、自主巡逻、跟随避障、自动驾驶、人体特征识别等 应用;配套 103 节 ROS 课程,均提供教学课程文档和中英 文字幕讲解视频，手把手教您入门 ROS，玩转 ROS 机器人

⚫ 项目来源：科技部重点研发计划-网络协同制造和智能工厂专项：“面向纺织服装产业集聚区域的网络 协同制造集成技术研究与示范” ⚫ 项目目标：以面向中部纺织服装产业集聚区域的网络协同制造行业级解决方案为总体目标，突破纺织服 装网络协同制造关键技术，梳理纺织行业相关知识，构建纺织行业知识图谱，并搭建一套相应的区域集 群网络协同制造服务平台。 ⚫ 项目职责：通过网页解析获取相关数据，梳理纺织行业的业务知识以及相关企业信息；利用纺织行业领 域知识以及企业信息构建知识图谱，使用 neo4j 与 Py2neo 进行知识图谱持久化存储，基于 Flask 框架 进行后端开发，使用 React.js+Echarts 进行前端开发，结合百度地图 BMapGL api 进行地图渲染，提 供知识图谱查询与图谱可视化等功能，均独立完成。