人工智能 软件定制 案例

基于 STM32F103 单片机开发的磁条导航 AGV 自动导引车，以磁条为路径标识，通过底部霍尔传感器阵列采集磁场信号，实现路径识别与纠偏控制。 系统采用差速驱动方案，STM32F103 作为主控单元，实现传感器数据采集、PID 路径纠偏算法、电机调速控制及避障逻辑。通过实时对比传感器检测到的磁场偏移量，动态调整左右轮转速，使 AGV 始终沿磁条中心行驶，定位精度可达 ±10mm。

序界是一套面向长期目标管理与职业考试备考场景的 AI 动态计划与评测平台。系统围绕“目标澄清、阶段拆解、任务编排、执行反馈、动态调整”形成完整闭环，当前已落地账号体系、计划创建、AI 生成计划、题库练习、模拟测试、主观题 AI 评阅、AI 解析、资产商城、会员支付和多端协同等核心能力。除面向用户的计划与评测能力外，平台还建设了管理员题库导入引擎，支持原始资料上传、OCR 识别、页级文本校对、结构化草稿生成和正式导入题库，解决了职业考试内容数字化、结构化和批量接入效率低的问题，为平台持续扩充高质量题库资产提供了底层支撑。 访问链接：https://xujie.ywsfs.cn/

小米智能暖通服务是依托小米 IoT 生态与米家平台，面向家用及商用场景打造的全屋暖通智能控制解决方案，覆盖空调、地暖、新风、两联供等全品类暖通设备。服务以 “云端远程 + 蓝牙本地 + 语音助手” 多模态控制为核心，打通设备接入、智能联动、状态监控与运维服务全链路，兼容小米自有及主流第三方品牌暖通设备，实现一键化、自动化、可视化的智慧气候管理，解决传统暖通设备操作繁琐、无法远程管控、能耗高、维护难等痛点。

本项目是一个基于 Python 开发的代码优化命令行工具。它主要用来帮助开发者自动识别和重构代码中的冗余逻辑，提升代码质量与开发效率。 核心功能： · 结构优化：自动识别代码中冗长的 if-elif 判断结构，并智能给出字典映射的优化建议。 · 算法优化：检测代码中的低效循环逻辑，如手动去重、字符串拼接等，并建议使用 sum()、set()、join() 等更高效的 Python 内置语法。 · 交互式操作：提供交互式命令行界面，支持直接粘贴代码或指定文件路径进行优化。 技术亮点： · 面向对象设计，职责分离，核心逻辑封装完善。 · 支持 Python 3.x，扩展性好，方便后续增加优化规则。 · 独立开发并完成测试，具备实际使用价值。

一. 立项背景和目标 本项目为深度学习的期末作业，目标是构建一套基于计算机视觉技术的智能停车场收费系统。通过利用深度学习算法实现车牌的自动识别，结合智能计费逻辑，实现停车场无人值守化管理。系统能够自动记录车辆入场和出场时间，实时识别车牌号码，并根据预设费率自动计算停车费用。这不仅能够大幅降低人工成本，提高收费准确性，还能为停车场管理者提供详细的数据统计和历史记录查询功能，有效提升停车场运营效率和服务质量。 二. 软件功能和核心功能模块 1. 车牌识别模块 - 集成YOLO深度学习模型进行车牌区域检测 - 使用PaddleOCR进行车牌文字识别 - 支持多种车牌类型（蓝牌、黄牌、新能源牌、军牌、武警牌） - 车牌规范化处理，去除识别干扰字符 2. 智能计费系统 - 支持自定义费率设置（元/小时） - 提供免费停车时长配置 - 多种计费取整方式：向上取整、向下取整、精确计算 - 支持最低消费设置 3. 车辆管理系统 - 自动记录车辆入场时间 - 自动计算停车时长和费用 - 维护在场车辆列表 - 生成完整停车记录 4. 视频监控模块 - 支持多路摄像头接入（USB摄像头、网络摄像头） - 支持视频文件和图片测试 - 实时视频流显示 - 可配置识别区域（ROI） 5. 配置管理系统 - 系统参数可视化配置 - 配置保存和加载 - 默认配置恢复 三. 业务流程和功能路径 基本业务流程： 车辆入场流程： 摄像头捕获视频 → YOLO检测车牌区域 → PaddleOCR识别车牌 → 验证车牌有效性 → 记录入场信息 → 显示入场结果 车辆出场流程： 摄像头捕获视频 → YOLO检测车牌区域 → PaddleOCR识别车牌 → 验证车牌有效性 → 查询入场记录 → 计算停车时长和费用 → 记录出场信息 → 显示收费信息 系统使用路径： 1. 启动系统 → 进入主界面 2. 配置设置 → 设置YOLO模型路径、费率和参数 3. 启动监控 → 选择视频源 → 开始实时监控 4. 车牌识别 → 自动检测车牌 → 显示识别结果 5. 车辆入场/出场 → 手动或自动模式操作 6. 查看记录 → 历史记录管理 → 导出或查询

立项原因，快速对学生做的试题进行批改。 行业场景，为了解决辅助老师批改作业和学生做题后批改。 主要的功能模块，登陆模块，错题本，批改记录，单体批改，整页批改，跨页题批改，批量批改等。 错题本可以收藏批改的每一道题，把每一道题单独切分出来进行收藏。批改流程是，学生把做完的习题拍照后，系统自动切题，把每一道题进行批改和坐标识别。

人工智能技术的迅速发展，使其在各种领域的应用日益广泛，尤其在棋类游戏中展现出显著优势。 连珠棋作为一种规则简单但又具有挑战的棋类游戏，长期以来一直是博弈研究的重要领域之一。 本项目首先从连珠棋的博弈本质出发，介绍了完全信息动态博弈基础概念，证明了纳什均衡存在，结合博弈树搜索算法与深度强化学习算法，提出了一种基于博弈树搜索和强化学习的混合算法，验证其在不同场景下的效果。

一、立项背景与目标 港口岸桥电机碳刷在振动、粉尘、光照多变环境下易掉落，人工巡检难以及时发现，易造成电机损坏及停机损失。本项目基于NVIDIA Jetson边缘计算平台，在Ubuntu系统上部署YOLOv8模型，实现碳刷状态的实时视觉检测，替代人工巡检。 二、软件功能与核心模块 软件功能包括：RTSP视频流实时解码与预处理、YOLOv8模型推理（在位/掉落二分类）、滑动窗口防抖滤波、检测结果可视化叠加、报警状态输出（通过HTTP/Modbus接口与PLC对接）。核心模块： 视频接入与预处理：使用OpenCV解码多路RTSP流，完成尺寸缩放、归一化及光照自适应增强； YOLOv8推理引擎：在Jetson上将训练好的PyTorch模型转换为TensorRT格式，利用GPU加速实现实时推理。 状态判定与防抖：实现连续N帧滑动窗口投票机制，过滤因振动或飞鸟造成的单帧误检； 系统集成与输出：基于Ubuntu开发后台服务，通过HTTP/Modbus协议向PLC方提供报警状态接口，供对接人员调用。 三、业务流程与功能路径 业务流程：摄像头采集碳刷图像 → OpenCV解码并预处理 → YOLOv8 TensorRT推理输出状态 → 滑动窗口防抖确认 → 更新报警状态至共享接口 → PLC方轮询读取或接收推送。功能路径：通过Web配置页面添加RTSP源并设置检测区域；调整置信度阈值与防抖帧数；查看实时检测画面（绿框在位/红框掉落）；通过HTTP接口获取当前状态供PLC对接测试。

本项目核心业务为货车始发场故障检测算法的研发、优化与落地实施，聚焦货车始发编组环节的故障排查需求，通过技术创新解决人工排查效率低、隐患识别不全面的行业痛点，提升货运安全管理水平，强化行业技术竞争力。项目以实现货车故障精准、高效识别为目标，完成从算法研发、系统开发到部署交付的全流程落地，最终通过可研评审，为后续实际应用奠定基础。

AlphaGo战胜人类围棋冠军已经好几年过去了，这个话题已经不热了，国内介绍这个项目 原理的技术文章也非常多。遗憾的是国内并没有出现几个类似的成功案例，这个问题值得玩味。是不是在实践的路上有很多隐形的关键问题没有公开出来，就算把AlphaGo的源码公开，我们拿过来也做不出一个成功的应用呢？ 学以致用，为了做出一个能用的强化学习模型 必须动手实践。自动识别桌面上的棋盘窗口，自动识别棋子布局，然后调用神经网路模型计算最佳走法，自动连线下棋。 https://www.xqcd.top/

该项目面向边缘智能摄像机场景，目标是在 MLU-3226 平台上实现图像采集、端侧智能分析、视频流输出、远程通信和设备升级等能力。系统主要包括设备接入、图像处理、AI 推理、RTSP 推流、网络通信、OTA 升级和系统配置管理等模块。业务流程上，摄像机完成图像采集后进入图像处理模块，结合检测、识别、OCR 等模型完成端侧推理，再将原始视频或处理结果通过 RTSP、HTTPS/TOR 等方式对外提供，支持远程查看、数据上报、状态管理和版本升级，提升设备在复杂现场环境下的自动化运行能力。

本项目面向遥感图像目标识别与处理场景建设，目标是将图像采集、目标检测推理、结果融合与结果输出拆分为可独立部署的服务模块，提升算法接入、运行调试和现场交付效率。系统包含数据源服务、目标识别推理服务、结果处理服务等核心模块，支持模拟图像输入和硬件数据接入，推理服务对接模型文件完成目标检测，结果处理服务对识别框、设备状态和融合结果进行统一处理。业务流程为数据源采集图像后通过服务接口传递给推理模块，推理模块完成识别并输出结构化结果，后处理模块再进行融合、封装和上报。

本项目面向卫星载荷在轨运行场景，目标是构建一套可部署在星载计算平台上的综合任务管理软件，支撑地面指令接收、任务调度、状态采集、数据处理和遥测下传等核心业务。系统围绕“指令进入、协议解析、任务执行、状态监控、结果反馈”的业务闭环设计，提供指令处理、数据总线、协议编解码、智能处理任务编排、设备状态采集、遥测数据组帧与下传等功能模块。业务流程上，地面上行指令经过编解码模块解析后进入指令处理模块，由执行协调器根据指令类型、约束条件和会话状态分发到对应业务行为；任务运行过程中，各模块通过数据总线交换状态、告警、推理结果和设备数据，状态采集模块持续监控关键指标，遥测模块按配置完成数据汇聚、序列化、组帧和链路分发，实现星上任务的可控、可观测和可追踪运行。

笔记·森 是一个前后端分离的本地笔记应用： 。 ## 功能特性 ### 笔记管理 - 新建、编辑、删除笔记 - 标题 + 内容 + 标签三要素 - 按更新时间自动倒序排列 - 笔记列表实时搜索（标题、内容全文检索），搜索词高亮显示 - **自动保存**：内容变更后 2 秒无操作自动触发保存，状态栏显示"保存中…" - **手动保存**：工具栏按钮或 `Ctrl+S` 快捷键 - **导出 `.md`**：一键将当前笔记内容下载为 Markdown 文件 ### Markdown 编辑器 - 基于 [md-editor-v3](https://github.com/imzbf/md-editor-v3)，支持分栏实时预览 - 暗色主题（`github` 预览主题 + `atom` 代码高亮） - 工具栏：标题、加粗、斜体、引用、代码块、表格、链接、图片上传等 - HTML 内联支持（可直接在 Markdown 中写 `<img>` 等 HTML 标签） ### 图片上传与管理 - 拖拽或点击工具栏图标上传图片 - 上传后以 `<img src="/uploads/xxx" width="80%" />` 形式插入，默认宽度 80%（可手动修改） - **图片管理器**（左下角相册图标）： - 缩略图网格浏览所有已上传图片 - 标注"未使用"的孤立图片（橙色角标） - 支持单张点击预览 - 支持单张 / 批量删除，有二次确认 ### AI 助手面板（右侧） - **问答模式**：带上当前笔记内容作为上下文，向 AI 提问 - **总结模式**：一键总结当前笔记，输出摘要 + 要点 + 思考问题 - **快捷操作**（仅问答模式下，有笔记时显示）： - 续写：AI 根据笔记内容自然续写下一段 - 润色：AI 改进表达流畅度，保持原意 - **插入到笔记**：最后一条 AI 回复底部出现插入按钮，点击追加到当前笔记末尾 - **一键复制**：悬停 AI 回复显示复制按钮，带复制成功状态反馈 - **历史对话**：点击时钟图标展开，支持加载历史会话、清空全部历史 - **新对话**：点击刷新图标开启空白会话 - 流式输出（SSE），实时显示 AI 生成过程，带光标闪烁动效 - 输入框支持 `Enter` 发送、`Shift+Enter` 换行 ### AI 配置 - 点击左下角齿轮图标打开配置弹窗 - 支持任意 OpenAI 兼容接口（OpenAI、Anthropic、智谱、DeepSeek、本地 Ollama 等） - 配置项：接口地址、API Key、模型名、最大 Token、温度 - 内置"测试连接"按钮，验证配置是否可用

为解决省级电网负荷预测精度不足、调度响应滞后的问题，本系统构建了集数据采集、负荷预测、优化调度、实时监控于一体的后端平台。系统通过对接电力 SCADA 系统、气象数据接口，采集电网运行的实时数据；基于 LSTM 深度学习模型实现未来 24 小时 / 72 小时的负荷预测，预测准确率达 96% 以上；结合预测结果与电网约束条件，生成优化调度方案，自动分配发电机组出力；同时提供电网运行状态的实时监控、异常告警、报表统计功能，为电网调度人员提供决策支持，有效降低电网峰谷差，提升电网运行效率与稳定性。

Transformer是一种基于自注意力机制的神经网络架构，最初应用于自然语言处理领域，因其强大的序列建模能力而被广泛用于时间序列分析任务。在物联网传感器故障检测与定位中，传感器数据表现为多变量时间序列，Transformer能够捕捉长距离依赖关系，从而有效识别异常模式。

电影评分网站每天产生海量用户评论，人工判断情感倾向效率低。传统词典方法无法捕捉上下文语义。本项目利用循环神经网络对评论文本进行自动情感二分类（正面/负面），帮助平台快速了解用户反馈。 核心功能：① 输入一段英文电影评论，输出正面/负面情感标签及置信度；② 支持 RNN、LSTM、GRU 三种模型对比（可选）；③ 提供模型训练过程中的损失/准确率曲线以及最终对比指标。 业务流程：用户输入文本 → 选择模型类型（或使用最佳模型） → 文本预处理（分词、填充） → 模型推理 → 显示情感标签与概率。

本项目的目标是构建一个基于BERT预训练模型的智能新闻解析工具，实现两大核心功能：①自动将新闻文本分为10个主题类别（体育、娱乐、科技、财经等）；②自动抽取出文本中的人名(PER)、地名(LOC)、组织机构名(ORG)。该工具可应用于新闻推荐系统、舆情监控平台、知识图谱构建等场景，大幅提升信息处理效率。 文本预处理模块：对输入新闻进行清洗、分词、序列填充（最大长度64），兼容中英文混合文本。 分类微调模块：基于bert-base-chinese进行fine-tune，在10类新闻数据集上训练，最终测试准确率达96.8%。 命名实体识别模块：使用BertForTokenClassification在MSRA NER数据上微调，可识别PER/LOC/ORG三类实体。 系统还提供命令行交互、批量测试和Web演示界面（可选），用户可输入任意中文文本，实时获得分类标签和实体标注结果。

核心逻辑流： ```text 自我扫描 → 发现代码结构、知识缺口、系统问题 → 生成好奇心问题 → 定向学习相关知识 → 通过知识图、模式引擎、类比引擎进行本地思考 → 安全自我修改与优化 → 再次扫描，进入下一轮循环 ``` 核心模块包括： - `SelfScanner`：扫描自身代码和系统状态 - `CuriosityEngine`：根据知识缺口生成探索方向 - `KnowledgeGraph`：维护实体和关系，形成知识图 - `SelfModel`：构建系统对自身能力的认知 - `ThinkingEngine`：整合知识图、模式、类比，生成思考结果 - `SelfModificationEngine`：在安全机制下进行自我修改和优化 - `ThinkingDaemon`：支持 24/7 后台思考循环 项目特点： - 可以本地大脑，不依赖外部 API 完成核心思考 - 支持自我扫描、自我学习、自我修改 - 已引入安全机制，如宪法 Gate、SHA-256 校验、修改可回滚 - 危险能力模块已从公开仓库中移除，公开部分主要保留思考引擎核心 一句话概括： > 这是一个试图让个人 AI 助手从「被动问答工具」进化为「能持续观察自己、学习自己、改进自己」的自主 Agent 实验项目。

项目目的：针对IPC（智能摄像头）场景下的猫狗目标检测、实例分割与颜色分类任务，构建轻量级多任务模型，实现检测、分割、颜色识别一体化 pipeline，支持边缘设备实时推理。 技术栈：PyTorch、NanoDet-Plus、ShuffleNetV2、PicoSAM3、OpenCV、HSV颜色空间、模型蒸馏、知识蒸馏、GFL Loss、Mosaic数据增强、TensorRT部署、NCNN量化、SAM3辅助标注、Docker容器化、分布式任务调度。