人工智能 算法模型 软件定制 案例

1.立项背景和目标 随着PCB高密度、高精度发展趋势，金手指位置度检测成为影响连接可靠性的关键工序。传统人工检测效率低、一致性差，难以满足批量生产中的精度要求。针对方正PCB的实际产品，开发出一套基于线扫描相机与同轴线光的金手指位置度检测方案，目标实现对金手指中心线偏移量的自动化测量，检测重复性控制在0.01mm以内，提升检测效率与标准化水平。 2.软件功能、核心功能模块介绍 本方案主要包括图像采集模块、位置度计算模块、重复性分析模块、结果输出模块。图像采集模块通过线扫相机和伺服移动系统获取高分辨率PCB图像；位置度计算模块以“两线平分中分线”为基准，测量左右第一根金手指到中心线的距离；重复性分析模块对多次测量结果进行极差计算，评估系统稳定性；结果输出模块生成检测数据表，支持数据追溯。 3.业务流程、功能路径描述 操作员将PCB放入固定载具 → 启动设备 → 将产品送至扫描位 → 线扫相机与同轴线光采集图像 → 软件计算金手指位置度数据 → 设备自动切换至背光，翻转产品后二次扫描 → 完成检测后送出产品。整个过程通过软件界面实时监控检测状态与结果，支持数据导出和重复性验证。

1、项目有哪些具体功能模块 跨平台推理适配模块、五层防误唤醒检测模块、模型加载解析模块、音频梅尔频谱转换模块、多唤醒词并行识别模块。 2、项目的主要功能描述 支持加载各类框架导出的 ONNX 唤醒词模型，内置五层独立可控防误触发检测逻辑，搭配倍率、阈值、置信度可视化调节；一套代码兼容 ESP32、Android、Linux、Web 四大平台，支持单唤醒词、多唤醒词批量配置，可对接 voicute 在线平台一键生成适配模型。

智能症状诊断（对话式问诊） 业务描述：用户以自然语言描述主诉（如“膝关节不能下蹲”），AI通过多轮追问，引导用户补充细节（如疼痛部位、活动受限幅度、伴随体征）。 典型界面： 用户发送“不能下蹲” → AI先提问“下蹲幅度：小幅度障碍还是不能站直？” → 再问“过伸试验强阳性？” → 逐步缩小范围，输出可能的病因（滑膜炎、髌骨嵌顿、腘肌损伤等）。 价值：模拟医生问诊逻辑，避免用户盲目猜测，提高诊断专业性。 2️⃣ 分层鉴别诊断（结构化推理） 业务描述：按照预设的临床路径（如“下蹲障碍”诊断树），AI自动输出分步骤的鉴别诊断列表，区分小幅度障碍、不能站直、后侧疼痛等不同分支。 截图体现： 小幅度障碍 → 肿胀（查滑膜炎） / 髌骨嵌顿（查股骨-髌骨关系） 不能站直 → 过伸试验强阳性（查膝后侧） / 过屈试验阳性（查膝前侧） 后侧疼痛 → 查臀后侧、腘斜韧带等具体结构 大幅度障碍 → 查脊柱侧弯、骨盆旋移、腿型等全身因素 价值：帮助医生/学员建立清晰的临床思维路径，减少漏诊。 3️⃣ 治疗靶点推荐（针刀/针灸定位） 业务描述：当AI完成诊断后，直接输出需要查治的具体解剖结构或压痛点，例如“查治臀后侧、腘斜韧带、腘肌下隐窝、籽骨、半腱肌、半膜肌”。 扩展功能：可进一步点击某个靶点，查看针刀松解进针方法、解剖图示、操作视频。 价值：从“是什么病”快速过渡到“怎么治”，尤其适合针刀医师临床参考。 4️⃣ 体征试验引导（辅助检查） 业务描述：AI主动建议用户或医生完成特定物理检查试验，如“正/反4字试验、直腿抬高试验、过屈/过伸试验”，并根据试验结果再推理。 交互方式：用户点击试验名称，可以查看操作图解或视频演示；也可输入试验结果为“阳性/阴性”，AI更新诊断结论。 价值：标准化体格检查，提升远程问诊的可靠性。 5️⃣ 多模态教学资源关联 业务描述：在诊断结果下方，直接推荐相关的教学视频、名医课程，例如截图中的“膝关节相关疾病的诊断及进针思路”、“唐国振膝关节临床操作演示”。 业务形态：可免费预览部分内容，完整课程需付费/订阅解锁。 价值：实现“即诊即学”，构建从诊疗到教育的闭环，增加用户粘性和付费转化。 6️⃣ 主动追问与健康档案记录 业务描述：在用户未主动提问时，AI可主动发起常见问题，例如截图底部的三个引导按钮： “下蹲时膝关节有无疼痛？” “膝关节活动时有响声吗？” “平时走路或站立时膝盖感觉如何？” 数据沉淀：用户回答内容自动归入个人健康档案，形成长期追踪记录，未来复诊时可对比变化。 价值：变被动问答为主动健康管理，提升用户活跃度和数据丰富度。 7️⃣ 再答一次/调整诊断（可控生成） 业务描述：用户若对当前AI诊断不满意，可以点击“再答一次”按钮，AI会重新生成一组诊断思路或换一种推理逻辑（例如增加考虑肌筋膜链）

立项背景： 传统聊天机器人缺乏持续性人格和情感交互能力，每次对话都是"失忆"状态。本项目旨在构建一个具有完整情感模型、多层记忆系统和自主进化能力的智能伴侣系统，实现"有灵魂的AI"。 核心功能： 1. 情感引擎： 基于3D VAD（效价-唤醒度-掌控感）连续情绪模型，9个情绪锚点，支持刺激分类与指数衰减，E值系数影响回复风格强度； 2. 记忆系统： L1-L5五层认知分层，双相遗忘曲线（指数+幂律衰减），SQLite FTS5全文检索，Obsidian兼容格式； 3. 关系成长： 4阶段演进（初识→热恋→甜蜜→稳定），基于消息量和互动频率动态调整语言风格； 4. Agent循环： think→tool→result→continue架构，支持14种工具调用（文件操作、网络搜索、Shell执行、浏览器控制等）； 5. 安全体系： K公式决策引擎、A5五维风险分级、Prompt注入检测、文件操作保护； 6. 自主行为： 稳态压力模型驱动主动消息，5个内部压力源竞争决策。 业务流程： 用户消息→情绪衰减→记忆检索→系统提示词组装→Agent工具调用循环→情绪解析→承诺调度→记忆存储→分片回复。

基于开源框架 Hermes Agent 打造的智能AI助手系统，支持 DeepSeek/Claude 等多模型灵活切换。具备持久化记忆与技能自进化能力，集成工具调用（代码执行、文件操作、网页搜索、图片生成），实现复杂任务自动分解执行。通过消息网关支持微信/Telegram等多平台接入，让AI能力触手可及。

参与外部企业项目外包，应用MediaPipe技术实现动作智能计数系统。负责开发后端程序，用于识别视频中的人体动作，包括俯卧撑和引体向上等。成功编写后端计数程序，确保动作识别的准确性和计数功能的稳定性。同时，负责前后端连接的实现，实现JAVA端和python端的数据传输并维护系统的稳定性。

在计算机视觉领域，人体姿态检测作为支撑动作分析、人机交互、智能安防、医疗康复等关键领域的核心技术，长期面临检测精度与实时性之间的平衡难题。这一挑战贯穿技术发展的多个阶段：早期基于手工设计特征的方法，如主动形状模型（ASM）和主动外观模型（AAM），依赖人工定义的几何特征模板与统计模型，在复杂光照变化、多角度姿态变换或遮挡场景中，特征表达能力呈现显著局限性，导致关节点定位精度难以突破物理瓶颈，尤其在低分辨率或模糊图像中，检测误差常超过 20 像素。基于图模型的条件随机场（CRF）虽通过概率图模型建模关节点间的空间依赖关系，但其推理过程的时间复杂度随关节点数量呈指数级增长（例如，17 个关节点的全连接CRF计算复杂度达O(N17)，N为图像像素数），使得该方法在实时视频流处理场景中（如帧率要求≥ 25 FPS的监控系统）完全不可行。 深度学习技术的兴起推动姿态检测进入数据驱动时代，衍生出两大主流技术范式：自顶向下方法与自底向上方法。自顶向下方法以Mask R-CNN、HRNet为代表，通过“先检测人体实例，再逐例预测关节点”的两阶段流程，在单人场景中可实现较高精度（如HRNet在COCO数据集上mAP@0.5达0.91），但其计算成本随图像中人体数量线性增加——当画面包含10人时，推理时间较单人场景延长10倍，导致在人群密集的公共场景（如地铁站、体育场）中实时性显著下降。自底向上方法如OpenPose通过关键点检测与分组的解耦设计，理论上计算成本与人体数量无关，但其跨目标关节点分组依赖启发式规则（如距离阈值、外观特征匹配），在多人重叠或姿态相似场景中误关联率高达35%，尤其在舞蹈、体育竞技等关节点密集交互的场景中，分组错误导致的姿态结构断裂问题频发

本项目面向户外高尔夫球场自动化作业场景，为移动机器人提供 AI 视觉感知、目标识别、状态判断和任务辅助决策能力。系统接入左右相机、激光点云、里程计、地图、设备状态等多源数据，完成高尔夫球识别、球满判断、卡球检测、三角标识识别、前方障碍检测、局部/全局球密度地图生成等功能。 机器人在作业过程中可根据视觉检测结果统计球量、判断是否需要返航卸球，并结合行为树状态、任务状态、电量信息和地图区域信息进行联动控制。同时系统支持动态参数配置、图像缓存、检测结果解析、ROS 服务调用、状态发布、异常告警和 rosbag 数据保存，便于现场调试、算法验证和后续数据回放分析。

业务定位 面向PCB制造商、SMT贴片厂及电子质检服务商，提供基于高分辨率X-ray成像的自动化无损检测方案，用于识别压合、焊接及内层结构中的隐蔽缺陷，避免故障板流入后续工序或成品市场。 核心功能 - BGA/LGA空焊虚焊检测：精准捕捉焊球内部气泡（空洞）比例、枕头效应及开路/短路。 - 埋盲孔与内层线路分析：可检内层铜箔断裂、叠孔错位、树脂填充不足等不易外观发现的问题。 -多层对位偏移量测：自动计算各层靶标偏移值，判断压合偏移是否超限。 - AI辅助判读：实时标记疑似缺陷，生成检测报告，支持与CAM设计数据比对。

场景：面向家庭安防场景，针对用户对包裹相关事件（投递、家人取件、快递员取件、包裹盗窃）的高关注需求，基于视觉大语 言模型（VLM）的视频理解能力，构建多类别事件识别系统。 任务：负责视频多模态大模型的选型、训练与压缩， 构建覆盖图文预训练 → 安防垂域微调 → 偏好对齐（DPO） 的完整训练体 系，并设计轻量化方案以支持边端部署。

这个项目最有价值的地方，是它把大模型从简单聊天能力落到了企业数据分析场景里。我们没有直接让模型生成答案，而是把问题拆成意图识别、证据召回、Schema 召回、SQL 生成、语义校验、SQL 执行、Python 分析和报告生成多个阶段。这样做的好处是链路更可控，出错后也更容易定位和重试。

一、立项背景与目标 1. 立项背景 在传统的知识库问答系统中，普遍存在以下痛点： - 流程混乱：通用ReAct Agent在处理复杂业务时，容易发生步骤跳跃或逻辑错乱，导致回答质量不稳定。 - 上下文断裂：多轮对话中，用户常使用代词（如“它多少钱？”），传统向量检索缺乏指代消解能力，导致检索失败。 - 意图混杂：闲聊式提问（如“你好”）与知识检索式提问（如“XX产品参数是多少”）被统一处理，浪费算力且影响用户体验。 - 状态丢失：用户刷新页面或稍后再访问时，对话历史无法延续，每次都是“新会话”。 2. 项目目标 - 构建一个流程可控、意图可分流、上下文可理解、状态可持久的智能知识助手。 - 实现复杂业务逻辑的结构化解耦，提升系统的可维护性与稳定性。 - 显著提升多轮对话场景下的检索命中率与回答准确率。 二、软件功能与核心模块 1.整体功能概述 本系统是一个基于LLM的智能对话式知识库问答助手，支持用户通过自然语言提问，从向量知识库中精准检索并生成回答。系统特别强化了多轮对话中的指代消解能力与流程可控性。 2.核心功能模块介绍 模块名称 功能说明 Planner（规划器） 基于LLM + 专用Prompt，硬编码业务流程。负责解析用户请求，按固定流程调度执行，防止逻辑跳跃。 语义路由器 基于LLM的分类工具，动态识别用户意图为“chat”（闲聊）或“retrieval”（知识检索），实现分支分流。 历史加载与写入模块 与Redis集成，自动追加对话历史，确保跨会话的上下文连续性。 查询重写模块 结合历史对话，将存在指代或省略的用户问题（如“它多少钱？”）改写为语义完整的独立问句。 混合检索引擎 同时执行向量语义检索与关键词检索，通过RRF算法融合排序，提升召回效果。 Executor（执行器） 根据Planner的指令，调用重写、检索、生成等环节，最终输出回答。 系统流程严格遵循：语义路由 → 历史加载 → (分支判断) → 查询改写/直接回答 → 知识库检索 → 最终生成 三、业务流程与功能路径 以下为用户与系统交互的完整功能路径描述： 场景一：用户进行知识检索（多轮对话） 场景二：用户发起闲聊 场景三：用户首次访问 / 会话恢复

本项目主要面向无人驾驶仿真研究、智能车辆轨迹跟踪与轻量化控制算法验证场景，围绕端到端自动驾驶技术开展系统设计与实验开发。项目基于 CARLA 仿真平台构建虚拟驾驶环境，通过采集车辆前视图像、行驶状态和控制指令等数据，训练轻量化神经网络模型，实现从环境感知输入到车辆控制输出的端到端映射。项目可用于自动驾驶算法教学、科研训练、数据采集、模型训练、仿真测试和轨迹跟踪效果评估，为低成本、高效率的自动驾驶算法验证提供支持。 本项目主要功能包括仿真环境搭建、自动驾驶数据采集、数据预处理、模型训练、模型推理和效果评估等模块。系统可在 CARLA 仿真环境中生成车辆行驶场景，自动采集车辆前方图像、方向盘转角、油门、刹车等控制数据，并生成对应的数据标签文件；同时支持对采集数据进行划分和预处理，形成训练集、验证集和测试集。模型部分采用轻量化端到端神经网络结构，通过输入车辆前视图像，直接预测车辆控制指令或轨迹跟踪相关参数，从而实现车辆在仿真道路中的自主行驶与轨迹跟踪。项目还支持训练过程记录、模型保存、测试推理和结果可视化，便于对算法性能进行分析和改进。

为解决生产环境故障排查效率低、依赖人工经验的问题，需构建一套具备自动诊断与经验复用能力的智能运维助手。(1) 构建运维Agent，将性能诊断、故障排查等场景封装为Skill，通过意图路由按需调用；基于MCP集成监控、日志等运维工具辅助诊断。(2) 构建多层记忆机制。短期记忆基于Redis实时维护诊断会话状态；向量记忆跨周期召回相似历史故障案例；图记忆基于Neo4j建立服务、告警、故障等依赖关系，支持根因追溯。(3) 经验闭环与RAG知识库构建。基于已解决的故障事件，自动提取故障模式与解决方案并写入记忆，实现知识复用闭环；支持文档上传，经智能切分、向量化后索引入库，为诊断提供外部知识支撑

重点车辆管控平台，基于AI能力，通过源头管控、车路联动等多种维度研判，对重点车辆违法行为进行抓拍，形成车辆画像，包括：无证运输、未苫盖车辆、道路遗撒、改装车、遮掩污损号牌等，为城市管理提供执法依据，实现执法闭环。

1、招标文件合规审查应用建设：通过对标国资委合规风险审查要点。服务企业采购中招标书的风险筛查、编制即合规，源头把控风险、实现招标合法、合规、合理。 2、供应链智能评标示范应用建设：通过梳理招标书响应内容响应要求来检查投标文件。服务企业采购中对招标书的响应审查、帮助招标企业节省清标时间，帮助投标企业提升标书质量。

为一款基于Claude大语言模型的AI助手PWA（渐进式Web应用）， 面向个人提供智能对话、任务辅助等功能。 立项背景：随着大模型能力提升，用户对个性化AI助手需求增加，本项 目旨在提供一个可定制、可私有部署的AI对话平台。 核心功能模块：1）多轮对话管理，支持上下文记忆；2）PWA离线缓存 ，支持移动端安装；3）后端API服务，对接Claude模型接口；4）用户 会话持久化存储；5）自定义人格与提示词配置。 业务流程：用户通过Web端发起对话请求，前端调用后端Node.js服务， 后端转发至Claude API并返回流式响应，前端实时渲染输出结果。

本系统针对水泥企业包装环节的车辆排队、装车调度、数量核验等痛点，打造全流程智能管理方案。 核心模块：排队管理模块、调度模块、智能装车模块、AI大模型识别计数模块。 业务流程：车辆入场时自动读取车号，系统根据车号查询计划装车品种，并动态分配车辆进入对应排队队列。各装车线按照排队顺序进行智能调度，引导车辆依次就位。司机扫码确认后开始装车，此时AI大模型实时识别水泥包装袋并自动计数，确保装车数量精准无误。系统还能自动识别并扣除破损包装，避免人工核验误差，显著提升装车效率与数据准确性。

据 2020 年国际癌症研究机构（IARC）调查的最新数据显示，乳腺癌在全球女性癌症中的发病率为 24.2%，位居女性癌症的首位。在药物研发领域，利用预测模型对能够拮抗 ERα 活性的化合物进行筛选的方法受到广泛的关注，本文通过建立回归与分类预测模型，对化合物的生物活性和 ADMET 性质做多目标优化求解

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。