系统使用KaggleChestX-RayImages数据集，应用数据预处理和类别权重调整解决类别不平衡问题。采用ResNet50和DenseNet121两种预训练网络作为特征提取骨干，并通过迁移学习进行二分类训练。利用Grad-CAM方法生成热力图，提升模型可解释性

系统构建了一套视觉与近红外光谱深度融合的多模态质检体系。功能层面，支持毫秒级实时采集果蔬外观图像与内部光谱数据，自动完成品种识别、表面瑕疵定位及新鲜度等级判定。通过特征级融合技术，系统能同时捕捉色泽纹理等表观特征与糖度水分等生化指标，输出综合质量评分。检测结果通过标准化接口实时对接产线MES系统，驱

项目包含三个核心模块：1.企业知识库RAG问答系统：支持制度文档、产品手册、客服FAQ等资料问答，回答带引用依据，便于人工核对；低置信场景不强答，可转人工处理。2.企业经营周报AIAgent：用户输入自然语言分析需求后，系统自动生成任务计划，读取经营数据，计算收入、毛利、订单、投诉率等指标，识别异常

系统主要功能为小麦病虫害分类识别检测及辅助分析，通过用户上传小麦叶片图片，自动识别其健康情况以及发生了何种病虫害，并给出相应的防治建议，同时保存历史记录以进行数据分析。

爆款选品监控—自动扫描潜力爆款，输出选品建议+老手判断爆款内容生成—短视频脚本、商品文案、营销素材AI自动生成Listing转化优化—标题/关键词/描述多语种本地化优化智能商品上架—批量生成上架模板图文美化—商品图片AI优化、排版美化、多尺寸适配AI视频生成—商品展示视频脚本及分镜方案店铺业绩诊断—

每个岗位员工可自己创建自己的AI员工：如排产AI员工、采购AI员工、跟单AI员工、办公助理AI，自主完成重复性、标准化业务工作，释放人力聚焦高价值经营决策。

该项目为地质遥感滑坡语义分割项目，主要目标是利用深度学习模型对遥感影像中的滑坡区域进行像素级识别。项目基于Python和PyTorch实现，包含LoveDA数据集预训练、Landslide4Sense数据集微调、多光谱遥感数据处理、mask掩膜解析、类别不平衡分析、训练集与验证集构建等工作。模型方面

基于深度学习的90类动物细粒度图像分类系统，具备完整的训练-评估-部署全流程能力：支持90种动物类别的高精度图像识别提供三代CNN架构（ResNet50/EfficientNetV2/ConvNeXt）的对照实验框架内置多种数据增强策略、损失函数、优化器的可配置切换完整的模型评估体系：混淆矩阵、Pe

1.识别人体骨骼信息，包括手、脸、脚、骨骼等2.识别出人的行为信息，包括站立、行走、卧倒等行为3.针对不同场景、时间下，老年人的不同行为，给与监控，如遇突发状况及时通知告警

搭建企业级的RAG知识管理系统，包含核心模块：文档解析和结构化，知识图谱建设，片段切分，检索召回，片段，片段生产，大模型问答等。多模文档内容解析及流程优化迭代优化RAG问答系统，提出精简上下文的优化思路和效果优化，实现了多资源类型：文档，知识库，图片等综合问答RAG系统；