TensorFlow

借助深度学习技术，用模型识别的方法来识别番茄病虫害，采用迁移学习对比AlexNet、VGG16等八种具有代表性的卷积模型，通过模型大小、准确率、召回率等参数进行比较得出最优模型，在最优模型MobileNetV3的基础上引入多尺度注意力机制、轻量化特征模块、可变形卷积等技术，并采用数据增强技术，解决模型在复杂背景下难以准确识别的问题。最终将模型部署在Android移动端和Flask网页端实时采集图片并做推理。本研究可以为番茄病虫害识别提供简单量化的解决方案，具有实际的应用价值。

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.

本项目面向需要快速部署脑电情绪识别模型的科研人员与开发者，解决了传统AI模型难以落地、使用门槛高、缺乏图形界面的痛点。用户无需编写代码，即可在图形界面中加载脑电数据、提取特征并进行情绪识别预测。 与市场上常见的命令行模型部署方式不同，本工具采用 PyQt5 构建图形化界面，支持 EEG 信号可视化、模型加载与情感输出一体化操作。界面友好，适合非程序员用户；同时提供可定制模型加载接口，方便科研扩展。 项目整体使用 Python 编写，模型基于 PyTorch 实现，前端采用 PyQt5，数据处理部分集成了 NumPy、scikit-learn 等成熟库，具备良好的可维护性与跨平台兼容性。适用于科研、教学、快速原型验证等场景。

本方案面向工业 4.0 新型工厂，针对传统自动化产线中目标抓取、焊接、打胶等操作需预处理目标的痛点，实现无需人工调整的自动化作业，提升产线灵活性与效率。区别于市场常规方案，采用自主研发的机构光相机采集目标区域点云数据，结合自研算法实现目标的精准识别、定位与控制，具备非接触式测量、环境适应性强、无需目标预处理等优势，可适配多场景自动化生产需求。核心由机构光相机硬件、点云数据处理算法及自动化控制软件构成，通过自研光机电一体化技术，实现从数据采集到执行控制的全流程自主化。

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；

IA交互数字人系统提供虚拟人形象构建、AI驱动、API接入、多场景解决方案，实现一站式虚拟人应用服务，并联合产业合作伙伴，共建虚拟人生态，满足不同场景的应用需求，在多模感知、多维表达、情感贯穿、自主定义上持续提升，让虚拟人成为人类的伙伴。 本系统方案：建模：通过AI生成、AI换脸、三维扫描、建模等技术，构建逼真的数字人模型，涵盖面部、身形、服装等细节，让数字人拥有与真人相似的外观。 动作捕捉：运用光学捕捉、惯性捕捉等技术，捕捉真人的动作，并映射到数字人模型上，实现自然的肢体动作和表情，使数字人的行为更加生动自然。 语音合成：借助文本转语音技术，生成与数字人形象相匹配的语音，并实现唇形同步，让数字人能够开口说话，且语音自然流畅。 人工智能：赋予数字人智能感知和交互能力，使其能够理解用户的意图，并做出相应的反应，实现与用户的自然对话和互动。 本系统的特色技术：唇音同步技术、声纹绑定技术、数字人回声消除、单向收音技术

一、面向对象与问题解决 本方案面向国内高校国际学生事务管理人员，尤其是负责舆情监测和跨文化事务处理的职能人员。近年来，国际学生在中国高校中的占比持续上升，其多元文化背景、语言障碍和信息获取偏差导致网络舆情事件频发，若处理不当，极易引发舆论危机甚至国际政治风险。 本系统通过融合文本、图像等多模态数据，建立实时、精准的国际学生舆情监测与预警机制，有效帮助高校在第一时间识别敏感情绪和风险话题，提升管理响应效率，维护校园和谐稳定，助力高校国际化办学的稳健发展。 二、市场对比优势（50%） 与市场上传统舆情监测系统（以文本情感分析为主）相比，本方案具备以下显著优势： 1、多模态输入支持：不仅处理文本，还融合图像、视频等模态，全面感知社交媒体上国际学生的真实情绪和观点表达。 2、先进模型架构：集成了CMA（跨模态注意力模型）和CRA（上下文融合模型），相较GLFN、MGNNS等已有方法，情感识别精度提升近6%，具备更强的特征表达与融合能力。 3、深度定制化：系统针对高校场景量身定制，包括关键词自动预警、学生群体画像分析、热点事件聚类和趋势总结等，适配高校管理日常。 4、智能可视化交互：前端采用Vue+Echarts技术栈，搭配智谱大模型生成话题摘要与情绪总结，为非技术人员提供一站式决策参考。 三、产品组成与技术选型（20%） 本系统由四个核心模块构成： 数据采集模块：基于微博开放接口和网络爬虫，自动采集与国际学生相关的多模态数据； 情感分析引擎：采用BERT+ResNet为基础模型，叠加跨模态融合结构（CMA、CRA），实现深层次语义理解； 数据库与后端服务：MySQL负责数据持久化，Flask搭建后端服务，支持数据读取、模型推理与前端接口； 交互与可视化界面：前端由Vue搭建，集成图表与情感饼图展示，结合智谱大模型API生成聚类摘要和主题总结。

与市场上的常规医疗小程序相比，本方案具有以下独特优势： 用户体验优化：采用用户友好的界面设计和交互流程，确保患者和医生都能快速上手使用。 数据安全保障：利用先进的数据加密技术和安全协议，确保用户数据和医疗信息的安全。 智能服务集成：集成人工智能技术，如智能导诊、健康咨询等，提供更加智能化的医疗服务。 多平台兼容：支持微信、支付宝等多个小程序平台，覆盖更广泛的用户群体。

1.系统面向企业网络。 2.系统可以对网络集中监控管理，通过智能调度策略优化网络，并提供安全防护。 3.系统采用SDN架构为基础构建，利用Python实现智能调度与防护策略，利用Vue3完成可视化监控管理，MySQL存放系统各方面数据。

本项目旨在识别20种手势，以控制电脑和手机。所识别的手势包括：中文数字手势1至10、OK手势、C型手势、手掌手势、手掌打开/关闭、以及摇滚手势（向上/向下/向右/向左）。每个手势在识别之前都会被指定对应的电脑或手机动作。通过这一系统，我们将实现仅凭摄像头即可自动控制电脑和手机的功能。 1. 用电脑/手机的摄像头实时监控手势 2. 用YoloV5模型自动识别手势 3. 按照识别结果控制电脑/手机 4. 图像处理速度为0.03s/frame

帮机器人自动识别果实 关键技术：python，C++, opencv, pytorch, YoloV5, scikit-learn 1. 用机器人内置的镜头拍下果树 2. 用YoloV5自动识别果实位置，并把结果传给机器人 3. 自动摘下果实（当时识别的是梨子） 4. 处理速度为0.02秒/张

本产品面向喜爱棋牌类游戏的玩家 相对于传统的棋盘图色识别，本方案使用YOLO的AI图像识别，可以识别桌面上任意窗口的棋盘状态。 后端的AI行为引擎使用深度残差神经网络和蒙特卡洛树搜索结合，实现复杂决策的行为输出。