人工智能 软件定制 案例

1.项目背景​ 当前公安监所面临着在押人员管理精细化不足、安防防控智能化水平偏低、业务流程协同效率不高、数据价值挖掘不充分等挑战。为响应 “智慧公安” 建设号召，落实监所 “安全、规范、高效” 管理要求，构建 “科技赋能、数据驱动、全流程管控” 的现代化监所管理体系，特启动公安监所实战平台项目。 2.核心功能模块 智能安防模块 在押人员管理模块 管教工作模块 决策分析模块

面向用户需要复习课程、掌握知识点备考的大中小学学生需要个性化学习规划、内容解析的 社会自主学习人士需要AI 增强课堂教学、学生测评的教育培训机构 多模型AI 支持系统：支持国内5 家主流大模型调用，可按需动态切换，确保服务高可用 性；支持所有基于OpenAISDK 的大模型，现已内置DeepSeek、文心一言、星火、ChatGLM、Moonshot Prompt(提示词)管理系统：：可视化管理AI 提示词模板，支持版本控制和A/B 测试；5 分钟 TTL 缓存，提升性能；系统自动注入Prompt 提高AI 调用可用性；多场景支持：支持不同场景的 Prompt 模板(系统提示、出题组卷、批改) 。 文件上传与学习计划生成：用户上传学习资料、笔记（PDF、Word、PPT、TXT、MD）文 件，AI 自动解析内容并生成个性化学习计划 AI 自动评测系统:：AI 根据学习主题或者设置的个性化参数（学段、考试科目、考试时 间等）自动生成测验题目甚至实现智能组卷，支持在线答题、自动批改和错题讲解 知识图谱系统:将学习内容转化为可视化知识卡片图谱，展示知识点之间的依赖关系， 帮助学习者理解知识结构，并以此推荐学习资源 学习可视化与成长报告:多维度（统计卡片、折线图、饼状图、弱项分析）展示学习 进度和成绩，生成PDF 学习报告。 管理后台系统:数据大屏仪表盘统计展示系统后台信息，支持模型配置、Prompt 管理、 用户管理、系统配置。

在工业和建筑领域，头盔是保护工人免受头部伤害的首要安全装备。在交通、体育、娱乐等领域，头盔都是我们不可或缺的保护伙伴，确保我们在各种环境下的安全。通过我们的头盔识别系统，我们能够更好地监控和促进头盔的正确使用，进一步提升公共安全。通过yoloV5，做头盔识别系统。

一、立项背景和目标 在数字化消费趋势下，线上购物成为主流，但现有电商平台对书籍、文创等垂直品类覆盖不足，存在交互繁琐、加载慢等问题，线下书店又受地域限制。基于此，“我的书店” 电商项目应运而生，采用前后端分离架构，以解决用户精准购物需求，适配多端使用场景。 项目目标清晰：用户层面，打造界面友好、操作便捷的平台，实现商品浏览、搜索、购物车管理等功能；技术层面，用 Vue 3、Spring Boot 等主流技术搭建可维护架构，验证技术应用价值；业务层面，完成基础电商流程闭环，为后续拓展预留空间。 二、软件功能与核心模块 软件整体围绕 “找货 - 选货 - 管货” 核心场景，涵盖商品展示、分类筛选、实时搜索、购物车管理、分页浏览等功能。 产品展示模块（HomePage.vue）是核心，左侧侧边栏提供五大分类导航，选中分类高亮显示，主体用响应式网格展示商品卡片，含图片、名称等信息，还支持分页调整。 实时搜索模块带 300ms 防抖，避免无效请求，搜索范围覆盖商品多字段，且与分类协同，仅显示所选分类下匹配商品，提升精准度。 购物车管理模块（cart.js）基于 Pinia，支持添加、移除、更新商品数量及清空操作，通过计算属性实时统计总数量和价格，与产品展示模块无缝衔接。 路由与页面管理模块依托 Vue Router，配置首页、详情页、购物车页面路由，实现页面无缝切换，保持全局样式统一。 三、业务流程与功能路径 核心业务流程为：用户进首页→选分类 / 搜关键词→系统筛选分页展示商品→用户浏览卡片→加购→进购物车调整→查看总价，全程无刷新，交互连贯。 分类筛选路径：用户点侧边栏分类→触发 selectCategory 方法→重置关键词与页码→按分类 ID 过滤商品→更新分页→展示对应商品，分类与商品通过 categoryId 关联。 搜索功能路径：用户输关键词→300ms 后执行搜索→未选分类则筛选全量匹配商品，已选则筛选对应分类下商品→实时更新结果与分页，兼顾效率与精准度。 购物车操作路径：用户点 “加入购物车”→Pinia 存储数据→更新总数量与总价；进购物车页面→调整数量或删除商品→状态同步，确保数据一致。

这是一个桌面端的 AI 安全分析平台，简单来说，它就是一个能指挥专业安全工具干活的 AI 聊天助手。 核心业务就是通过对话的方式，辅助你完成以下四类安全分析任务： APK 逆向：上传安卓安装包，它会在后台调用 JADX 帮你分析代码逻辑和漏洞。 主机逆向：扔进去 exe 或 elf 文件，它配合 IDA Pro 帮你分析汇编和程序行为。 流量分析：上传抓包文件（pcap），它利用 Wireshark 帮你识别异常流量和攻击特征。 文件破解：遇到加密文件或哈希，它能调用 Hashcat 帮你跑字典或掩码破解。 技术亮点： 它不仅仅是套了个 AI 的壳，而是通过 MCP协议，真正打通了 AI 模型与本地安全工具（JADX, IDA 等）的连接。AI 可以读取工具的分析结果，结合知识库，给你提供有理有据的分析报告。

MyScale是一个AI数据库，专门针对 生成式AI 应用和AI 解决方案进行了优化，MyScale建立在开源的 ClickHouse 数据库上，有效地管理大量的结构化、向量、JSON、文本和时序数据，以开发强大的 AI 应用。使用 MyScale 的一些最显著优势包括： 为AI应用而建立： 在单一平台上管理和支持结构化、文本和向量化数据的分析处理。 为性能而建立： 先进的OLAP数据库架构，以惊人的速度对向量化数据进行操作。 为普遍可访问性而建立： SQL是与MyScale交互所需的唯一编程语言，通过SQL的扩展，用户可以调用大模型、可执行程序、脚本等。 与其他产品/平台的定制API相比，MyScale更易于使用，因此适合庞大的程序员社区。MyScale通过其成本效益高的数据管理支持、出色的线性可扩展性和标准SQL支持，消除了需要使用多种昂贵的数据仓库产品的必要性，这些产品需要不同的查询语言。在单一界面中，SQL查询可以同时快速利用不同的数据模式，以处理复杂的AI需求，而这些需求通常需要更多的步骤和时间。 MyScale的专有MSTG向量引擎利用NVMe SSD将数据密度提高了10倍。这一进步使MyScale在性能和成本效益方面均能超越最专业的向量数据库4到10倍。包含的全文搜索（FTS）索引无缝集成了高性能文本搜索功能，使MyScale在某些方面可高效替代ElasticSearch。此外，MyScale Telemetry为LLM系统提供了全面的可观测性，确保了无缝的监控和高效的调试。 通过将SQL数据库/数据仓库、向量数据库和全文搜索引擎的功能集成到一个高效的系统中，MyScale显著降低了基础设施和维护成本。这种统一不仅促进了联合数据查询和分析，还建立了一个对所有AI应用至关重要的强大而多功能的数据基础

一款个人开发的桌面应用，当时朋友在搞微信小店，要我用python做一个自动邀请达人的脚本，因为之前给他用python做了个抖音自动发弹幕及自动商品讲解的脚本，我闲着无聊直接用javafx做了个桌面应用，目前就一个功能，自动邀请达人，有需要可以后续加功能，

项目描述：AIOT管理后台。该平台集成酷旗所有业务、内容、技能、工具、监控等模块。 技术栈：nest.js+vue(vue-element-admin)+docker+gitlab ci/cd 责任描述： 1、负责云平台技术选型。负责平台迁移。 2、负责云平台前后端开发。负责账号中心、应用中心、客户中心、技能中心、工具中心、能力中心、文档中心、内容中心等模块的需求设计及前后端开发测试。 3、负责项目部署及项目维护迭代。负责项目需求确认及任务分配。 4、配合公众号/小程序/APP输出内容接口。

为实现疫区的人员生存及救援，需要有一款安全且完善的的控制系统对方舱进行出入进行控制、内部气压建立控制等，相关功能通过多个部件所组成的系统进行实现，其中控制器是核心。为保障可靠性，使用1OO2架构，并且进行异构化，采用不同的芯片实现相同的功能，通信也通信提供冗余，使用两路CAN与其他部件进行通信。

公司战略计划参与控制产品更高层面的竞争，需要严格按照功能安全的规范设计产品，并要通过具有国际影响力的德国莱茵SIL3认证。 负责该控制器的架构设计，并负责基于IEC62061进行莱茵（TUV）的SIL3认证，已经获证，为进入多个大型项目提供了资质保证。

阿娇苏里科夫电话卡了；第三份困惑；会计法和大家索科洛夫哈的苏里科夫考虑的就是废话看见啊但是和风口浪尖阿斯顿看见那点事会发觉卡上的回复你看会电视反馈就难受飞机可能是分开解释大飞机可能的反馈

1、智能问答服务：基于自然语言处理（NLP）技术，支持用户通过文本，实现秒级响应的精准解答，覆盖技术咨询、生活百科、学习辅导等场景； 2、多模型适配：集成DeepSeek-R1、DeepSeek-V3等大模型，支持用户按需切换，满足不同场景下的精度与效率需求（如学术研究需高精度，日常问答需快速响应）； 3、流式交互体验：采用流式输出技术（Streaming API），实现“边思考边输出”的对话效果，优化用户交互流畅性，降低等待感知。

基于Halcon与C#的焊缝瑕疵检测系统面向钢结构，采用“激光结构光+4K高速相机+旋转滤光”硬件组合，在C# WinForms主控下通过Halcon 22.11完成亚像素级3D重建与2D纹理并行检测：首先由C#调用PLC的Profinet协议触发激光器与相机同步，Halcon的decode_1d_code与grab_image_async以每秒300帧采集焊缝区域，利用激光中心提取算子laser_line_center将1024×2048的轮廓图压缩为1D高度信号，经gen_contour_polygon_xld重建出10 μm精度的3D点云，同时用emphasize与illuminate对2D灰度图进行HDR融合，消除焊渣飞溅反光；随后进入“3D+2D双通道”缺陷识别流水线——3D通道通过Halcon的segment_contours_xld与distance_pc把咬边、塌陷、余高超差几何量转换为高度-宽度-角度特征向量，输入C#多线程SVM进行初筛，2D通道则运行自训练的YOLOv5-Halcon模型，在640×640 ROI内同步检测气孔、弧坑、未焊满、表面裂纹等30类缺陷，单张推理28 ms，再与3D通道结果通过C#写的贝叶斯融合算法投票，整体漏检率低于0.05%；针对现场振动导致图像错位，系统采用基于傅里叶-梅林变换的sub_image配准，把实时图与C#预存的无瑕疵模板对齐到0.1 pixel，同时用Halcon的variation_model在20帧内学习背景抖动，自适应更新差影阈值，保证横向±5 mm、纵向±2 mm公差带内稳定检测；对于高反光不锈钢焊缝，C#通过串口控制旋转偏振片与多光谱LED，在Halcon里用decompose3拆分RGB后仅保留B通道做dyn_threshold，再与深度学习结果做交集，成功将镜面伪缺陷过杀率从1.2%压至0.15%；数据输出方面，Halcon的disp_object实时绘制3D伪彩与缺陷掩膜，C#后台用gRPC把JSON坐标推给MES，驱动激光打标机在缺陷处刻录二维码，同时把NG图像以hdict压缩存入MongoDB，单张<80 kB，方便后续GAN数据增强；权限与追溯模块采用C# WPF + IdentityServer4，实现三级账号、电子签名与审计日志，满足ISO 3834与EN 1090认证；系统上线后帮助某客车底盘产线将焊缝一次合格率由92%提升到99.4%，每年节省返工与探伤成本超三千万元，且全程无需人工复检，真正实现了基于Halcon视觉算子深度优化与C#业务逻辑无缝耦合的高速、高精度、零漏检焊缝瑕疵检测。

基于Halcon与C#的巧克力外包装瑕疵识别系统采用“图像采集-预处理-特征提取-缺陷分类-结果输出”五段式流水线，在500万面阵相机与穹顶LED无影照明的硬件底座上，首先通过Halcon的gen_rectangle1与grab_image_async完成每秒120帧的触发取像，利用C# WinForms编写的PLC对接模块把编码器脉冲实时映射到Halcon的image_height，实现零丢帧；预处理阶段在GPU加速下调用emphasize、illuminate与dyn_threshold组合，可在1.2 ms内同时消除塑料折光与铝箔镭射干扰，并采用基于傅里叶-梅林变换的sub_image配准算法，将实时图像与无瑕疵模板对齐到亚像素级，保证后续差影精度；特征提取环节，系统融合传统算法与深度学习：先用Halcon的edges_sub_pix提取封闭轮廓，配合shape_model在360°旋转与0.7-1.3倍尺度空间进行鲁棒匹配，定位商标、营养表与生产批次三大ROI，再在各ROI内部运行自训练的YOLOv5-Halcon跨平台引擎（C#通过HTuple调用Halcon的DLModel句柄，实现30类缺陷端侧推理，单张耗时28 ms），同步用texture_laws与cooc_feature_matrix计算能量、熵、相关性等六维纹理向量，输入C#多线程SVM进行二次校验，有效降低过杀；缺陷分类层支持褶皱、划痕、打码缺失、套色偏移、异物吸附、封口焦糊、日期重影、角部破裂八大家族120种细分缺陷，通过C#反射工厂模式动态加载不同的Halcon检测算子脚本，实现ppm级缺陷与μ级尺寸测量同屏输出，系统还引入基于Transformer的序列决策模型，把连续20帧的缺陷置信度当作时间序列，利用C#的TorchSharp推理DLL判断真伪缺陷，进一步将过杀率从0.8%压至0.15%；结果输出方面，Halcon的disp_object实时绘制缺陷掩膜并生成UTF-8 JSON，C#后台服务通过RabbitMQ推送给MES，同时驱动贴标机与吹气剔除阀，整线节拍可达800包/分钟；数据层面所有OK/NG图像按缺陷类别自动存入C#调用的MongoDB GridFS，Halcon的hdict压缩后单张仅150 kB，方便后续GAN数据增强；权限与追溯模块采用C# WPF + IdentityServer4，实现三级账号、电子签名与审计日志，满足FDA 21 CFR Part 11；系统上线后帮助某跨国巧克力品牌将外包装不良率由1200 ppm降至42 ppm，每年节省返工与投诉赔偿超两千万元，且全程无需人工复检，真正实现了基于Halcon视觉算子深度优化与C#业务逻辑无缝耦合的高速、高精度、零漏检巧克力外包装瑕疵识别。

基于大规模手势训练的实时手势与目标检测无人机系统，融合了深度学习、边缘计算与多模态感知技术，核心功能在于通过端到端AI模型实现空中视角下的自然手势识别与目标检测，可在无需遥控器、语音或穿戴设备的条件下，让单兵、应急救援人员或普通消费者仅凭单手姿态即可对无人机下达包括起飞、悬停、左右平移、上升下降、目标锁定、环绕拍摄、物品抛投、返航、降落在内的十余种飞控指令，同时系统在同一帧图像流中并行运行YOLO-v5+Transformer融合网络，对人员、车辆、船只、火点、生命体征热源等二十类目标进行亚秒级检测、跟踪与语义标注，支持多机协同下共享栅格地图与动态手势语义，实现“看到即控到、指到即拍到”的零门槛交互。大规模手势训练：基于海量多域数据（不同光照、背景、穿着、距离、镜头角度等）训练高鲁棒性的手势模型。 实时推理：在飞行中以低延迟对摄像头输入进行手势识别，响应时间目标通常<50–200 ms（取决于硬件）。 命令映射与状态机：将识别到的手势映射为明确的飞控指令（起飞、悬停、前进、后退、上升、下降、转向、跟随目标、跟随手势、返回基站、紧急降落等），并与飞控状态机无缝协作，确保安全过渡。 自适应与个体化：对操作者的个人手势进行快速自适应，支持多操作者切换。

主打肺部结节辅助诊断相关的AI产品。术安宝是着眼于肺科手术场景的医学影像产品。与体检场景不同，针对肺部结节的性质，如良恶性、浸润分型、实性占比等有更高的要求，属于公司战略目标筛诊访疗中“诊”的环节。整个产品组成包含订单支付、CT影像管理、结节检出、三维重建、和CT/三维影像阅片等功能。

煤矿输送带智能安全检测系统通过视觉、热成像、音频等多源感知技术，实现对输送带运行状态的实时监控。系统支持 撕裂检测、异物识别、跑偏监测、堆煤堵塞识别、烟火预警、设备异常声响检测 等核心功能，可在粉尘大、光线弱的复杂矿井环境中稳定工作。识别到异常后可自动告警、联动停机，并在平台端进行记录、统计和追溯。

1、为满足集团内部采购需求 2、完整采购链路模块（商城-采购申请-寻源-合同-采购订单-接收货）、供应商管理模块、AI赋能模块 3、当需求方想要需要采购物品时，由采购员发起采购申请，按照需求寻找对应供应商，并与选中的供应商签订合同，生成采购订单后，指定接收人决定商品的收货与退货。 4、AI赋能模块主要提供联网查询、RAG采购知识问答、采购单据信息查询以及供应商评价等服务

本项目旨在解决用户“今天吃什么”的选择困难问题，通过随机推荐美食、提供菜谱教程和附近商家推荐等功能，提升用户就餐决策效率。 核心功能模块包括： 微信登录授权：用户可通过微信一键登录。 随机美食推荐：支持按菜系筛选，跑马灯式随机选择美食。 菜谱查看：提供详细菜谱教程，支持图片放大查看。 附近商家推荐：获取用户地理位置，推荐附近餐厅。 自定义添加美食：用户可自主添加美食信息。 数据统计：展示用户选择美食的统计信息。 后台管理：管理员可管理菜系、美食、修改密码等。

本项目旨在解决大型停车场中用户“找车难”的问题，设计并开发了一套集车位检测、车牌识别与路径导航于一体的“停车场反向寻车系统”。立项背景源于中国机动车保有量持续增长（2023年超4.35亿辆）而停车场管理效率低下、用户体验不佳的现实痛点。系统具备三大核心功能模块：一是基于HC-SR04超声波传感器的车位车辆检测模块，实时感知车位占用状态；二是采用边缘与形态学融合算法的车牌识别模块，通过监控摄像头实现多车牌、多类型（燃油/新能源）车牌的自动识别；三是基于路径规划算法的导航与用户交互模块，为用户提供从当前位置到停车点的动态导航路线。用户可通过PC端或微信小程序输入车牌或车位号查询车辆信息，系统即时显示停车位置、时间并规划最优寻车路径，支持扫码重新定位，显著提升寻车效率与停车体验。