Torch

医用PVC卷材在线实时缺陷检测主要功能如下：1、2个8K高速线扫相机，最宽可以覆盖2m的产品；速度最高60m/min2、配方管理，方便客户快速切换型号3、友好的参数调整界面，方便客户快速调整算法准确度4、历史数据存储&查询功能，轻松追溯历史数据5、使用神经网络(Resnet)进行缺陷分类

开放域视觉定位：支持通过自然语言指令，在图像中定位任意指定的物体、人物或场景元素。思维链增强推理：利用大模型的内在推理能力，通过多步思考提升复杂场景下的定位准确性。参数高效微调：采用LoRA技术对Qwen2.5-VL-7B模型进行微调，仅训练少量参数即可显著提升在目标领域的效果。完整训练流水线：实现

API接口安全分析POST/api/analyze：安全分析POST/api/meta-cognition：元认知分析POST/api/intelligent-reasoning：智能推理POST/api/decision：决策生成实验管理POST/api/experiment/create：创建实

项目介绍：本项目旨在解决复杂网络中的链路预测问题及增强模型的可解释性，提出了一种结合图神经网络（GNN）和贝叶斯网络的创新框架。通过多层次的图神经网络提取节点的局部和全局结构特征，并结合节点属性信息，利用贝叶斯网络进行概率推理，在SCHOLAT数据集上实现了93%的准确率，在YST数据集上实现了81

●项目介绍：本项目设计并实现了一个从单张人脸图像预测BMI的端到端系统。我们自行爬取数据并制作数据集，设计并实现了一个轻量级CNN。最终，模型在独立测试集上取得了4.39的平均绝对误差（MAE），并使用Flask框架将其封装成一个可交互的Web应用，完整实现了从数据获取、模型训练到服务部署的全流程。

1.基础蒸烤功能模块实现蒸、烤、蒸烤组合等核心烹饪功能温度控制（室温至最高温度的精准调节）时间设定与控制多种预设烹饪模式（如烘焙、烤肉、蒸鱼等）安全保护机制（过热保护、超时保护等）2.菜谱功能模块内置多种菜品的菜谱数据库菜谱分类与检索功能分步烹饪指导食材与调料用量建议用户自定义菜谱存储与分享3.摄像

非接触式监测：使用医用级摄像头对保温箱内早产儿进行持续视频采集，避免传感器接触对婴儿造成的刺激深度学习姿态识别：基于改进的YOLOv4/YOLOv5算法，实现对早产儿关键身体部位（头部、四肢、躯干）的精准定位和姿态分类异常行为检测：通过时序分析识别异常姿态模式（如持续性异常体位、活动减少等），及时预

1.自动爬取下载信息，将人工流程的点击，复制粘贴等操作全部通过脚本实现。2.“AI建议”与“AI决策”双模式切换，AI建议模式通过AI预测和人工筛选结果进行模型增量学习。AI决策模式实现全流程自动化，并设计阈值，将模糊AI无法判断的博主保存到人工复审数据库。设计复审功能，人工审核模糊的博主3.设计数

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。

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。

1. kaggle平台数据集（自杀倾向问卷数据集），要求使用stacking方式在测试集上达到90%以上分类（2分类）正确率。 2. 使用随机森林、SVM、KNN以及逻辑回归等模型作为基础学习器，使用accuracy、recall、F1 score作为评估标准，选出3个指标最高的基础学习器。 3. 对基础学习器进行参数搜索，并使用逻辑回归作为stacking方式的最终学习器。

随着人脸识别技术在智能安防、金融支付等隐私敏感场景的大规模部署，传统集中式训练模式导致的用户数据泄露风险成为技术发展的主要瓶颈。本文提出一种基于联邦学习与差分隐私的混合架构人脸识别系统。通过构建支持非独立同分布（Non-IID）数据的联邦学习框架，结合动态隐私预算管理策略，在保护用户数据隐私的同时提升模型泛化能力。实验结果表明，在 Olivetti 人脸数据集上，系统在 ε=1.0 的隐私预算下达到 92.3% 的准确率，较传统联邦学习方法提升 4.7%，验证了隐私保护与模型性能的高效平衡。

本科专业为信息工程，曾经开发过多个微信小程序，结合各种单片机代码；精通微信小程序前后端搭建。 研究生专注于计算机视觉，尤其是医疗影像方向。深度学习方面代码熟练，使用Pytorch框架。擅长处理自然图像、CT、MRI、超声图像均有涉足。

1. 软件面向的行业和业务场景 本软件主要面向法律、投诉处理和文本分类领域，适用于需要对大量文本数据进行自动分类和处理的企业或机构。具体业务场景包括： 投诉分类：对客户投诉内容进行自动分类，识别投诉类型（如商品质量、服务态度等），以便后续处理。 法律文本分析：对法律相关文档进行语义理解和分类，辅助法律工作者快速定位关键信息。 NER（命名实体识别）：从文本中提取关键实体（如产品名称、公司名称等），用于进一步的数据分析或知识图谱构建。 2. 项目功能模块及使用者功能 项目分为多个功能模块，每个模块对应特定的功能需求： 数据预处理模块： 功能：清洗、分词、去停用词、生成训练数据集。 使用者功能：提供干净、结构化的数据以供模型训练。 特征工程模块： 功能：将文本转换为数值特征（如词向量、TF-IDF 等）。 使用者功能：通过特征提取提升模型性能。 模型训练模块： 功能：支持多种深度学习模型（如 LSTM、GRU、CNN 和 Transformer）的训练。 使用者功能：根据业务需求选择合适的模型进行训练，并优化超参数。 模型评估模块： 功能：使用交叉验证、混淆矩阵、F1 分数等指标评估模型性能。 使用者功能：监控模型表现，调整模型以提高准确率。 预测模块： 功能：加载训练好的模型，对新输入的文本进行分类预测。 使用者功能：实时获取文本分类结果，辅助决策。 资源监控模块： 功能：监控系统资源（如 CPU、内存）和模型训练过程中的性能指标。 使用者功能：确保模型在有限资源下高效运行。 部署与应用模块： 功能：将模型封装为 RESTful API 或微服务，便于集成到现有系统中。 使用者功能：通过接口调用模型服务，实现自动化文本分类。 3. 项目的技术选型和架构特点 技术选型： 编程语言：Java 和 Python。 深度学习框架： Java：使用 Deeplearning4j 实现 LSTM、GRU 和 CNN 模型。 Python：使用 PyTorch 和 Hugging Face 的 Transformers 库实现 BERT 等 Transformer 模型。 依赖管理：Python 使用 pip-tools 管理依赖，Java 使用 Maven 进行依赖管理。 监控工具：TensorBoard 和 MLflow 用于模型训练监控，psutil 用于系统资源监控。 架构特点： 多语言协作：Java 主要负责模型训练和部署，Python 侧重于数据预处理和高级模型（如 BERT）的训练。 模块化设计：各功能模块独立开发，便于维护和扩展。 分布式部署：支持 Docker 容器化部署，便于在云端或本地环境中运行。 高性能计算：支持 GPU 加速（如 CUDA），提升模型训练和推理效率。 该软件通过结合 Java 和 Python 的优势，提供了从数据预处理到模型部署的完整解决方案，适用于需要高效、精准文本分类的业务场景。

国内盲人数量占一定的比例，为解决盲人安全出行问题，设计了一套穿戴式的头盔智能导盲系统。我在此项目中主要负责设计导盲系统的视觉避障、目标识别、视觉引导等算法的框架搭建。采用pytorch深度学习框架与YOLOv5目标检测网络训练的日常出行目标识别模型以及tof测距雷达，最后设计了设备终端将图像传输和数据远程传输到算法服务端的分布式系统实现对行人、车、阶梯、石头、树等有效识别并定位其方位和距离达到引导盲人通过语音和腕部传感器感知环境信息实现主动避障，经实验测试有一定的辅助引导效果并在第十届全国光电设计大赛中获得国家级二等奖。

自主研发了一款安全平台，该平台集成了当前主流的CLIP后门攻防算法，能够有效支持用户管理、安全评测、信息查询等多种功能。平台通过灵活的架构设计，提供了高度可扩展的安全评估能力，帮助用户实时监控与分析模型的安全性。通过集成的攻防算法，平台能够针对CLIP模型进行全面的安全防护，确保模型在面对各种后门攻击时依然能够维持较高的鲁棒性和准确性。

成功部署与优化超大参数模型： 在大型算力服务器集群上成功联动部署并优化了V3、R1 671B DeepSeek 满血版等超大参数模型，使用 Ollama、SGLang、KTransformer、Unsloth 等推理框架进行部署对比，提升了模型的推理性能和应用效率。 高效管理多GPU服务器集群： 使用 NCCL 技术完成多GPU服务器联动部署，解决了多机多卡之间的通信与负载均衡问题，成功实现了大规模分布式训练和推理 完成大模型微调： 利用 Ollama-Factory 对 14B 以上大模型进行 Full、Freeze、LoRA 微调，优化了模型精度和运行效率，提升了业务需求的适应性。 搭建前沿AI工作流解决方案： 完成 SD、Flux、Wan2.1 等图文生成、图生图、图生视频应用的部署，并成功搭建 Dify、Coze、ComfyUI 等 AI 工作流解决方案，成功实现大模型在商业应用中的实际落地。 开发大模型代理： 制作多个大模型代理，通过调用大模型工具为具体业务场景提供定制化解决方案，成功实现了商业化应用的落地，在开放API平台上参与Python后端路由开发工作

**鸢尾花智能分类系统项目简介** 本项目聚焦于植物学数据分析与智能识别领域，基于经典的鸢尾花数据集开发了一套高效、精准的物种分类解决方案。系统适用于科研机构、教育平台及数据分析服务商，能够自动化完成鸢尾花种类识别，助力研究人员快速分析样本特征（如萼片与花瓣尺寸），降低人工分类成本，提升数据处理的标准化水平。 项目功能模块清晰完备，覆盖数据处理、模型训练与部署全流程： 1. **数据预处理模块**：支持自定义数据集加载，自动完成标签编码、张量转换及数据分割（70%训练集、20%验证集、10%测试集），确保数据质量。 2. **深度学习模型**：采用三层全连接神经网络（输入层4节点、双隐藏层各10节点、输出层3类别），通过交叉熵损失函数与Adam优化器实现高精度分类。 3. **训练与评估模块**：集成训练进度可视化（tqdm进度条）、设备自适应（GPU/CPU无缝切换）及实时指标监控，输出训练/验证集的损失与准确率，支持模型性能动态优化。 4. **模型部署模块**：训练完成后自动保存模型权重，提供开箱即用的预测接口，用户可快速集成至业务系统。 技术选型彰显高效性与扩展性：基于PyTorch框架实现模块化开发，利用DataLoader提升数据加载效率，结合随机梯度下降与早停策略防止过拟合。架构特点包括： - **跨平台兼容**：自适应硬件加速（支持CUDA），降低部署门槛。 - **高可复用性**：数据集类与模型均可自定义扩展，适配多分类场景。 - **结果可追溯**：模型权重与训练日志结构化存储，便于复现与调试。 本项目代码结构清晰、注释完整，提供从数据预处理到模型落地的端到端服务，适合作为智能分类项目的开发模板，助力开发者在数据分析、教育科研等领域快速接单交付，满足客户对高效AI工具的需求。

1.针对大量共享单车停放混乱的现象，有必要加强对用户的提醒，引导他们合理地摆放单车。通过在应用程序中发送友好的提醒通知，以及在停车区域设置明确的指示标志，可以有效提升用户的自觉性，从而改善城市公共空间的整洁和通畅。 2.与传统的视觉判断方法相比，利用先进的技术手段，我们的系统能够更快速、准确地识别单车的停放位置。这不仅提高了工作效率，还大大增强了用户体验，用户能够更方便地找到并归还车辆，而无需为寻找停车点而烦恼。 3.该技术解决方案在相关服务场景中具有极高的复用价值。除了共享单车，其他共享交通工具和公共设施管理中也可应用这套系统，提供了一种可持续和高效的管理方式，有助于提升运营效率和用户满意度

个性化照护是其显著亮点。依据患者病史、基因数据、生活习惯等海量信息，AI 照护师量身定制专属照护方案。从饮食搭配到康复训练计划，从用药提醒到心理疏导，满足个体差异需求，让每位患者都能得到最契合自身的关怀，增强康复信心与效果。 不知疲倦的特性更是一大优势。它可 24 小时不间断工作，时刻守护患者，尤其在夜间等医护人员相对忙碌时段，能持续监测病情，及时预警突发状况，保障患者安全，减轻医护压力，优化医疗资源分配。 而且，AI 照护师还能高效整合医疗资源。与医院信息系统无缝对接，快速获取病历、检查报告等资料，辅助医护人员全面了解患者情况，促进多学科协作，为患者打造连贯、高效的照护服务闭环，推动医疗服务向智能化、精细化迈进，为人类健康保驾护航，成为未来照护领域不可或缺的得力助手，开启智能照护新时代，书写医疗关怀新篇章。