Vue

1.登录小程序，可选择相应智能体，进入智能体后，可向智能体发起询问2.登录aigc后台，可建立专属自己的智能体3.可开通会员，体验专属会员服务4.可为用户建立专属知识库

1.姿态感知，该页面为项目可视化大屏，由航线列表，素材库，设备列表构成，底图为cesium3d地图，用于展示航线，坐标点等等，功能包括，选择设备进行航线下发，websocket实时推送数据，在地图回显。选择设备开启直播画面，websocket实时推送设备详细数据状态，开启直播弹窗利用flv.js展示

互联网信息推荐算法安全评估平台（http://116.62.162.16/home）是一个面向算法治理与信息安全分析的专业工具。该平台支持从快手、微博、抖音、小红书等多类主流平台进行数据抓取与分析，实现对推荐算法行为的全面监测和量化评估。 平台核心功能包括宏观数据看板、账号群体画像分析、安全指标追踪等，能够精准识别如“诱导控制”和“干扰识别”等算法风险行为，并以可视化方式呈现其变化趋势。它已管理超600万账号、37类群体画像，支撑起对信息传播机制与算法影响的深入洞察。 该平台适用于监管机构、研究单位及平台企业，为其提供算法安全评估、舆论风险预警和治理策略制定方面的数据支持，最终推动推荐算法透明、可信、向善发展。

奈斯AI全新GO版本体系 采用Vue3+Gin全栈技术架构开发的新一代AI应用平台，相比传统版本实现了质的飞跃。前端基于Vue3 Composition API重构，配合Vite构建工具显著提升开发效率和用户体验。后端采用Go+Gin轻量级框架，充分发挥Go语言高并发特性，通过协程池和连接池优化，实现真正的毫秒级响应速度。 系统集成AI对话、AI绘画、文档处理等多维度AI能力，支持GPT、DALL-E、midjourney等主流模型。采用智能负载均衡和请求分发机制，单节点可处理万级并发请求。通过Redis缓存层和数据库连接池优化，响应时间稳定控制在100ms以内。新架构不仅提升了系统性能，还为后续功能扩展奠定了坚实基础，为用户提供更加流畅高效的AI体验。

程序分为Vue前端和后端。其中1. 前端包括上传模块和显示模块，采用异步方法，上传图像后自动传输到后端处理，并在后端返回结果后显示。2. 后端包括后端框架和深度学习模型，后端框架在启动时同时加载深度学习模型，获取图像后将其输入模型获取输出，再异步返回。深度模型为RNN。此为本人练手程序，完成了所有模块和深度学习模型的编写和训练。

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

在我设计的基于深度学习技术的电缆缺陷检测系统中，采用了改进的YOLOv5算法作为主要的识别和检测技术。这个系统是一个典型的前后端分离的Java Web应用，其中前端使用VUE框架构建，后端则基于SpringBoot框架和MySQL数据库实现，同时，我使用Redis实现验证码的功能，提升了系统的安全性。 系统设计的主要创新和挑战在于将深度学习算法的处理部分集成到网站中。为解决这个问题，我采用了基于Socket通信的解决方案，设定一个共同的IP地址和端口，构建了一个通道，使得Java Web程序和Python服务器能够通过这个通道进行高效的双向通信。 在后端，SpringBoot应用负责处理用户请求，管理用户数据，以及与Python服务器进行交互。一旦接收到一个电缆缺陷检测请求，后端应用就会通过设定的Socket通道将请求的相关数据发送到Python服务器。 在Python服务器端，一旦接收到来自Java Web应用的请求，就会启动YOLOv5算法进行电缆缺陷的检测。检测完成后，Python服务器将结果返回给Java Web应用，后端应用再将结果返回给前端，最后前端将检测结果展示给用户。 整个系统的设计和实现都遵循了模块化和解耦的原则，使得每个部分都能够独立进行开发和测试，同时也方便了后期的维护和扩展。通过这个项目，我提升了我的系统设计和编程能力，也获得了宝贵的跨领域协作和技术集成的经验。

本项目主要功能为人脸特征提取、预测数据返回、历史记录查看和删除、用户信息修改； 我所负责的内容是所有人工智能功能的实现和部署，使用TensorFlow、pytorch等框架搭建模型，模型使用卷积核dlib工具进行提取人脸特征，通过训练之后得到模型，再使用Django进行部署到服务器后端。

项目介绍： 该项目前后端分离，小程序扫描人脸实现学生信息的录入、登记及注销，实现人脸即时签到、教师点名、班级人员管理 (CRUD) 等功能。 技术栈： 后端：Python 环境下，Django+Tornado 进行 Web开发，使用线程池来实现网络异步请求；人脸识别功能通过调用 Dlib 和 OpenCV 的视觉库。 前端：Vue.js + ElementUI 实现管理员平台；微信小程序 + LinUI 实现用户平台；Ajax 实现异步请求 数据库：MongoDB 存储用户信息，腾讯云对象存储 COS 保存人脸图片数据 负责部分：整体的设计与开发

1.该项目是一个检测发动机污染程度的平台，该平台利用客户上传的数据集训练模型，通过发动机不同部位的图片训练不同的模型，使用模型检测客户汽车发动机的污染情况并生成报告，给客户一个建议。 2.我在该项目中担任前端开发工程师，参与需求评审，高度还原产品原型以及设计稿，配合后台对接数据，最终将项目部署上线提供给客户使用。 3.该项目中一大特点是部署使用到了docker容器技术。

基于Vue+Element+百度 SDK 实现各种需求，对地图上的 聚合和离散等有自己的一套经验；对接超图 GIS 工程师，配合和 引导乙方工程师完成需求。

智慧消防平台通过互联网+技术为接入该平台的所有联网单位实时统计消防数据，第一时间提供消防安全解决方案。 主要模块有消防资产管理、警情以及设备监控、视屏监控、监管数据统计查询等 智慧消防平台 v2.0 主要负责消防资产管理、警情以及设备监控、视屏监控、监管数据统计查询等需求开发。 智慧消防平台 v3.0 负责前端技术升级 为Vue+Element 框架，负责前期技术选型，框架搭建等直至项目落地。