TensorFlow

本项目是一套基于人工智能和计算机视觉技术开发的森林火灾智能检测系统，主要用于森林、山区、自然保护区等区域的火灾早期发现与实时监测。系统通过摄像头实时采集森林及野外环境的视频图像，并对视频画面进行持续分析。利用目标检测和图像处理技术，系统能够自动识别画面中的烟雾、火焰等火灾特征，在发现疑似火情时及时进

输入一份文案，自动完成：分段TTS配音（固定音色）、音高速度统一处理、按版式模板渲染系列图卡、逐段图音合成、拼接成片、输出竖屏方屏双版本。全程零手工，单条视频从文案到成片约5分钟。已稳定日产2条视频+2篇图文，持续运行数月。

一、核心功能模块1.多模态图像采集模块支持根据产品材质定制成像方案，可灵活选用可见光、红外、激光、超声波等多类成像传感器，适配金属、玻璃、透明薄膜、高反光工件等不同检测对象。内置工业相机、定制化光源的智能控制单元，可自动调节光源亮度、触发模式，针对复杂工业环境做抗反光、抗干扰优化，最高支持5微米级的

项目搭载五大串联式核心功能模块，形成反洗钱全闭环能力。异动监测完成全行交易全量扫描，实时触发风险预警并统计风险走势；支持策略参数灵活调优，优化规则命中率。风险评分模型量化交易风险等级，自动分拣高风险案件。AI审理可全自动完成客户资料核查、案件初审与复核，支持自动审理/人工复核双模式。最后标准化生成监

1. 模块总览：全局指标看板，统计交易量、规则命中、AI高风险案件，展示14日风险趋势，统筹监控、分析、运营全流程。​2. 监控与合规解析：自动解析监管合规文件，生成风控规则，实时监测全量交易流水。​3. 规则&AI模型管理：统一配置风控阈值、策略，深度学习模型评定交易风险，输出高风险工单。​4. 

1.数据处理模块：支持Excel试验数据导入、异常值清洗、数据集划分，搭配RSM响应面法生成虚拟样本实现小样本数据增强；2.建模预测模块：搭建BP-ANN神经网络模型，可自定义隐藏层神经元数量，完成材料抗压强度等指标回归预测，输出R²精度评价指标；3.多目标优化模块：基于响应面模型开展配合比参数优化

智能体具备多轮对话记忆、知识库检索增强、业务流程引导三大核心能力。支持导入企业产品手册、FAQ、价格表等资料构建专属知识库，可精准回答业务咨询、自动收集客户需求、引导留资转化。内置对话流程编排，可根据客户问题智能跳转不同咨询路径，支持接入飞书、微信、网站等多渠道部署。

1、功能模块：系统主要包含四大核心模块。一是屏幕视觉感知模块，基于OpenCV和PyTorch实现桌面元素检测与识别；二是任务规划模块，结合大语言模型（LLM）进行任务拆解与决策；三是自动化执行模块，模拟鼠标点击、键盘输入、窗口切换等人机交互操作；四是结果校验模块，对执行结果进行自动验证与异常反馈。

SepsisCare是一个从ICU时间序列研究原型扩展到可安装软件系统的课程项目。项目目标不是替代临床诊断，而是在脱敏ICU数据与本地演示模型的基础上，展示脓毒症风险分层、动态表型轨迹、历史相似病例检索、家属沟通智能体与模型训练运维终端的端到端工程闭环。研究部分采用PhysioNet2012、Phy

系统支持训练项目管理、故障模拟、驾驶操作考核、成绩评分、振动反馈、UI界面控制、AI智能问答、训练记录查询及数据统计分析等功能，同时支持多训练科目切换、题库管理及设备联动，实现完整的仿真培训业务流程。

设计了常量与配置模块、核心数据结构模块、工具类模块、索引与词图计算模块、核心分词逻辑模块。常量与配置模块：定义工厂的“基础规则”和“标准配件”，避免硬编码，统一管理配置。核心数据结构模块：定义分词过程中需要的“实体对象”，封装词的属性（位置、长度、权重、类型）。工具类模块：提供底层工具能力——字节流

通过这一平台，安永睿赋致力于帮助企业实现大模型应用的快速落地，优化全链路运转流程，并带来真实的业务价值。包含会话、构建智能体、知识库管理、模型管理和系统管理等模块。

支持仿真参数可视化配置输入、多工况自动迭代计算、计算结果图表化展示、标准化工程数据文件导出，内置智能收敛判定与误差修正逻辑，能够有效缩短仿真计算周期，降低人工调试成本，显著提升低空装备与流体力学工程领域的研发效率。

基于RAG的LLM金融AI分析师系统，支持用户上传财报、研报、新闻等金融文本资料，并结合实时新闻资讯进行公司分析。系统通过文档切分、向量化存储、相似度检索和提示词组装，将用户问题与相关资料一起输入大语言模型，生成带有来源引用的金融问答、基本面分析、风险提示和投资研究摘要。项目重点解决通用大模型在金融

前后端分离架构设计与核心开发：基于FastAPI构建高性能后端服务，使用Vue3开发响应式前端管理界面。通过RESTfulAPI实现前后端解耦，独立完成用户认证、文档管理、问答会话等10+核心接口设计与实现。结构化数据与向量数据双存储架构：使用MySQL存储用户信息、文档元数据、对话历史等结构化数据

本项目的核心创新并非单一算法的修修补补，而是在系统架构层面重新审视了无人机智能感知任务的执行范式。传统无人机视觉系统通常遵循一种固定的流水线——检测然后跟踪然后依据预设逻辑做出响应——这种模式在面对复杂多变的自然语言指令或未曾预见的边缘场景时显得僵硬而脆弱。UAVagent1.0通过引入异构多智能体

将整个研究视为一个“感知-决策-部署”的完整系统进行顶层设计。该方法将目标检测模块、多目标跟踪模块，分析并权衡各子系统在精度、速度、资源占用等关键指标上的内在矛盾与协同关系。基于此，规划出从算法层改进、到应用层集成、再到工程层优化的阶梯式技术路线，确保最终实现的系统原型在整体性能上达到最优平衡，满足

系统基于多目相机完成溜井扫场与标定，结合目标检测算法识别石头、破碎机、栅栏、车辆、人员等目标信息；下位机根据识别结果完成自主路径规划、破碎、推石、扫石及人员/车辆避障，并通过CAN通信控制破碎机执行作业；上位机实时接收并展示破碎次数、人员进入次数、车辆进入次数、石头层高等关键数据，同时支持多路RTS

1.数据加载与预处理模块：加载MNIST手写数字数据集，将原始图像数据（28×28像素）进行归一化、降维处理，转换为分类器可接受的输入格式2.多分类器训练模块：支持多种分类器并行训练，包括SGDClassifier（随机梯度下降分类器）、RandomForestClassifier（随机森林）、SV

1.车辆检测模块：基于YOLO目标检测算法，从视频流中实时识别车辆目标，输出检测框及类别信息2.目标跟踪模块：采用ByteTrack追踪器实现多车辆跨帧跟踪，为每辆车分配唯一ID并记录运动轨迹，利用低分检测框二次匹配提升跟踪鲁棒性3.车速测算模块：基于透视变换将图像坐标映射至实际路面坐标，结合帧率和