人工智能 算法模型 软件定制 案例

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。

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。

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。

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。

针对超声医学影像中的斑点噪声问题，开发了一套具备结构保持能力和自动调参功能的智能去噪系统。系统核心功能包括： - 斑点噪声抑制 ：采用深度学习方法有效去除超声图像中的斑点噪声，提升图像质量 - 结构信息保持 ：在去噪的同时保护图像中的组织结构和边缘细节，避免过度平滑 - 自动参数优化 ：基于贝叶斯优化算法自动搜索最优网络参数和超参数配置 - 多模态支持 ：支持多种超声成像模式（B超、彩色多普勒等）的去噪处理 该系统可应用于临床超声诊断、医学研究等场景，帮助医生更清晰地观察病变区域，提高诊断准确性。

1、立项背景和目标 在金属表面缺陷检测（如裂纹、划痕、麻点）的实际生产线上，受光照变化、纹理背景干扰等因素影响，预训练的目标检测器即使架构先进，推理时的置信度阈值若不匹配现场环境，也容易产生大量漏检或误报。传统方法往往需要重新训练模型或增加后处理模块，导致计算开销上升。本项目的目标是：在不改变YOLOv8n网络权重、不增加任何浮点运算量（零FLOPs）的前提下，仅通过推理时阈值的系统化校准，显著提升检测器的稳定性和F1-score，为工业部署提供一种“零成本”的性能优化方案。 2、软件功能、核心功能模块的介绍 数据集统一与清洗：融合NEU-DET与GC10-DET两个公开金属表面缺陷数据集，统一为17类缺陷（剔除单例标签），划分训练/验证/测试集。 基线YOLOv8n检测器：采用Ultralytics YOLOv8n作为基础模型，在合并数据集上进行微调，支持实时缺陷定位与分类。 固定阈值校准模块：在验证集上对置信度阈值（0.1~0.9步长0.01）进行网格搜索，以最大化F1-score为目标，选出最优阈值。该模块不修改模型结构，推理时仅替换阈值参数，实现零FLOPs提升。 质量感知自适应阈值（可选控制）：基于图像亮度、对比度、清晰度、噪声估计计算单张图像质量分Q，动态调整阈值适用于光照变化剧烈的场景。 类别依赖的双风险阈值（可选控制）：根据每个类别的经验假阳性率与假阴性率，进行类别级别的阈值微调，可在误报敏感的生产线上进一步降低虚警。 消融对比模块：实现P2特征增强分支的YOLOv8n-P2变体，以及CLAHE预处理变体，用于验证“增加复杂度是否一定带来性能提升”。 3、业务流程、功能路径描述 用户输入金属表面灰度/彩色图像 → 调用已微调的YOLOv8n模型进行推理 → 系统读取校准后的最优阈值（或自适应阈值）对检测框进行过滤 → 输出缺陷类别、置信度、边界框坐标 → 可视化叠加于原图上。整个流程相比原始YOLOv8n仅改变一个阈值参数，推理速度完全不变，内存占用不变，无缝集成到现有产线质检系统中。

无人机/机器人、安防监控/消防 1、立项背景和目标 在无人机安防巡检、火灾监测等热成像应用中，传感器由于物理限制常产生随机的脉冲状亮斑或条纹（impulse-like artifacts）。传统中值滤波或深度学习去噪方法要么会破坏真实的高温边沿，要么需要GPU算力，无法在边缘设备上实时运行。本项目的目标是开发一个无需训练、仅依赖CPU的轻量级图像预处理算法，能够在不模糊目标轮廓的前提下，自适应地抑制脉冲噪声，特别保留火灾、车辆发动机等高温区域的结构完整性，提升下游视觉任务的可靠性。 2、软件功能、核心功能模块的介绍 局部不确定性估计：基于局部均值与方差计算每个像素的归一化偏差，区分噪声与真实热信号。 连续置信度映射：使用Sigmoid函数将偏差转换为0~1之间的抑制权重，避免硬阈值导致的不稳定。 结构张量保护模块：通过计算像素邻域的结构相干性（coherence），自动识别边缘/角点等需要保护的区域，大幅减少边界模糊。 全局安全限幅：根据图像整体的98%分位数动态限制最大抑制强度，防止在高温区域过度平滑。 软混合输出：将原始像素与中值滤波结果按风险权重融合，输出噪声抑制后且边缘锐利的热红外图像。 3、业务流程、功能路径描述 用户输入一张热红外图像（单通道，uint16或float32） → 算法自动计算局部均值/方差 → 生成偏差图与置信度 → 并行计算结构张量获得相干性图 → 结合全局安全因子得到最终抑制强度 → 将原图与中值图按像素级权重融合 → 输出处理后图像。整个过程单帧耗时约70~200ms（640×480~1280×1024），可直接集成到无人机飞控或热像仪嵌入式系统中。

本项目面向天文观测中实时预处理需求，针对宇宙线、条纹噪声等典型退化问题，设计了基于物理先验的图像修复流程。系统支持对原始科研图像进行去条纹、宇宙线检测与修复、星点保真保护等处理，适用于边缘设备或低算力环境下的快速预处理。整体目标是在保证天体测光与定位精度的前提下，提高图像清洁度和下游科学分析效率。