算法模型 软件定制 案例

核心功能模块： 智能拍照模块：通过一体机的高清摄像头，引导用户完成照片拍摄，并进行基础的人脸检测与图像预处理。 AI换装/人脸融合模块：这是系统的核心。用户选择心仪的虚拟服装、角色或背景模板后，系统调用AI模型，将用户的人脸精确、自然地融合到模板中，生成换装或合影效果图。 在线商城与支付模块：用户可浏览不同的拍照套餐、相框模板等商品，加入购物车并通过集成的移动支付（如微信支付）完成下单。 即时打印与电子交付模块：支付完成后，系统自动连接高清照片打印机完成照片打印；同时，电子版照片会通过小程序或短信发送给用户，方便分享和保存。 多端管理与监控模块： 管理后台：供运营方管理设备、模板、价格策略，并查看经营数据。 运营App：供现场运营人员远程监控设备状态、处理打印异常和退款等。 用户小程序：供用户查看购买记录、下载电子照片。 业务流程描述：用户在一体机触屏上选择喜欢的主题或模板 -> 根据引导完成拍照 -> 系统自动进行AI换脸/换装处理并预览效果 -> 用户满意后，选择购买套餐（如打印照片或获取电子版）-> 通过手机扫码完成支付 -> 系统自动打印照片并推送电子版到用户小程序

1. 为什么要做这个） PLC工程师写SCL代码有个很烦的事——语法规矩特别多。等于号在C语言里是==，在SCL里是=。赋值在别处用=，SCL非得用:=。IF后面忘了END_IF，CASE漏了ELSE，编译器只告诉你错了，不告诉你哪错，更不会帮你改。一个工程师来回编译、报错、猜、改能折腾很长时间。后来发现大模型也能写SCL，但写出来的更离谱——&&、!=这些C语言习惯全带进来，true/false小写不认，IF/CASE各种缺胳膊少腿。思路很简单：既然LLM犯的错就那么几类，每类长什么样我们也知道，写一套固定规则帮它改就行了。不用重新训练模型，写死规则，来一个修一个，结果永远确定。 2. 能干什么 拆成四块：第一，让大模型写代码。用大白话描述控制需求，背后接了好几个大模型可以换着用。第二，帮它补骨架。LLM经常忘了关IF、关CASE，用一个叫下推自动机的方法跟踪成对关键字，哪缺了自动在正确位置补上。本质是聪明的括号匹配，但能处理嵌套——IF里套CASE，正则搞不定，必须用栈。第三，帮它改小毛病。&&改AND，!=改<>，true改TRUE，一共11种常见错误，8种自动改，3种标记提醒。改等于号最危险——在IF条件里它是合法比较符不能瞎改，设了三层保护确保不破坏逻辑。第四，浏览器打开就能用，代码直接复制到TIA Portal编译。 3. 怎么用 三步：网页上用大白话写控制逻辑，选PLC型号。点生成等几秒，大模型出初稿。工具自动修一遍语法错误，拷走拿去编译。想再改可以手动编辑或者对话精修。从需求到能编译的代码，快的就几分钟。

1.2.项目目标 构建一个集智能体全生命周期管理、场景灵活配置、知识集中管理、数据一体化运营与分析于一体的智能体运营管理平台，实现运营工作的敏捷化、智能化、精细化和安全可控，显著提升用户体验和公司运营效率。 具体可量化目标： 1.运营效率提升：赋能运营人员自主完成超过90%的日常配置工作，将智能体场景迭代周期从传统的2周缩短至3天以内。 2.知识管理效率：实现知识库更新的即时生效，确保知识的一致性和准确性。 3.数据分析效能：运营数据统计分析效率提升70%，支持数据驱动的决策优化。 4.安全与合规：严格遵循网络安全等级保护二级标准，通过数据传输加密、访问控制及安全审计等防护体系，全方位保障用户数据安全与系统稳定运行。 1.3.项目范围与边界 1.业务范围：本项目涉及营销域，主要聚焦南网在线智能体的运营管理环节，涵盖电费查询、业扩报装等核心场景的配置与流程修改优化，不涉及前端APP集成开发、中台接口改造及大模型训练等环节。

【介绍】 EMS 作为微电网的“智慧大脑”，是一套集高度智能化、卓越安全性、强大扩展性与优异性能于一体的自主可控型能碳监控与优化分析系统，不仅实现了对能源的全方位精细化监控和耗能设备异常状态的科学预警，更通过深度融合微电网内的能源流、信息流与碳流，有力推动了节能降碳目标的落地，积极响应国家双碳战略部署。在技术架构上，开创性地融合AI与云边端一体化设计，全面依托国产化软硬件平台，能够精准协同市电与光伏、风电、储能等新能源的互补共融，无缝对接单站独立运行、云端集中监管及多站协同控制等多种模式，并基于Paddle-TS 实现负荷趋势预测，从而显著提升能源经济性，助力企业降本增效、引领绿色转型。目前，该产品已成功加入百度AI 生态产品体系和华为生态产品体系，进一步彰显其行业认可度与生态兼容优势。 【主要功能】 1、Dashboard 2、能源分析 3、EHS环境监测 4、分布式光伏 5、分布式储能 6、碳资产 7、电力运维 8、设备管理 9、视频管理 10、AI负荷预测与AI能源智能调节

立项背景和目标 在选矿、建材等连续生产场景中，物料粒度分布直接决定磨矿效率与成品品质。传统的人工筛分或离线取样检测存在严重滞后性，无法实时反映产线波动，且粉尘环境对操作人员健康不利。本项目通过工业相机实时拍摄传送带上的物料图像，结合轻量化目标检测（yolo26s，已独立基于教程训练并部署）与高精度分割（FastSAM）融合算法，在线计算每个颗粒的等效面积并换算出粒度组成（等关键指标）。最终目标是以秒级频率输出粒度数据，替代人工目测，为操作员及时调整给料机转速或下料比例提供量化依据，从而稳定产品质量、降低能耗。 核心功能模块 系统由以下几个核心模块构成： 实时图像采集模块：支持多路RTSP工业相机同步接入，可根据产线速度调节抓拍间隔，并自动进行光照补偿和去噪预处理。 粒度分析计算引擎：调用训练好的 yolo26s 模型快速定位物料个体区域，再经 FastSAM 生成精细掩膜，精准统计各颗粒像素面积，结合标定系数换算为物理面积（mm²），并自动生成当前帧的粒度分布直方图。 报警与阈值管理模块：允许用户在生产参数配置界面自主设定粒度上限、下限以及波动范围。当连续多帧检测值超出预设区间时，系统通过看板弹窗、声光提示或短信通知方式发出预警，提醒操作人员注意。 多维度趋势曲线模块：提供8小时、24小时、7天三个时间尺度的粒度变化曲线（可切换显示D50、D90或细度模数），曲线图支持鼠标悬停查看具体数值，便于操作员判断产线长期稳定性或短期突变。 下料辅助决策模块：系统根据当前粒度实测值与目标值的偏差，自动计算推荐的下料比例调整量（百分比），并显示在操作面板上，供操作员参考，也可选配自动闭环控制接口（PLC联动）。 业务流程与操作路径 系统启动后，相机按设定周期抓拍图像并上传至服务器；后端依次执行预处理、yolo26s 候选框提取、FastSAM精细分割、面积累加与粒度换算，生成该帧的分析结果并存入时序数据库。 用户操作流程如下： 登录后台管理页面，首先看到“实时监测”仪表盘，显示最新粒度数据、当前报警状态及推荐下料调整值。 若需观察趋势，可切换至“趋势分析”页，自由选择8小时、24小时或7天时间范围，查看粒度曲线，并可叠加显示报警阈值线。 当报警触发时，进入“报警记录”页查看详细超标时段，结合曲线分析原因（如下料波动或给料不均匀）。 在“参数设置”中调整粒度目标值和报警上下限，并查看系统根据偏差给出的下料比例建议，操作员确认后手动调节给料机频率，或启用自动模式由PLC执行调整。 所有操作日志和检测数据均可按班次导出，用于生产报表和工艺优化复盘。

栈（Stack）数据结构实现 项目概述 本项目使用C++语言，基于单向链表实现了一个完整的栈数据结构。栈是一种后进先出（LIFO，Last In First Out）的线性表，所有操作仅在栈顶一端进行。本项目将栈的底层实现细节完全封装，对外提供简洁、安全的操作接口。 功能模块与API说明 核心操作（O(1)时间复杂度） · push(int value)：将元素压入栈顶。动态创建新节点，挂接到链表头部，栈顶指针上移，元素个数自增。 · pop()：弹出栈顶元素。保存栈顶节点，栈顶指针指向下一节点，释放原栈顶内存，元素个数自减。若栈为空，输出错误提示。 · top()：返回栈顶元素的值（不删除）。直接读取栈顶节点的数据域。若栈为空，返回-1并输出错误提示。 辅助操作 · isEmpty()：判断栈是否为空。检查栈顶指针是否为nullptr，时间复杂度O(1)。 · size()：返回栈中元素个数。直接返回count成员变量，时间复杂度O(1)。 · clear()：清空栈。循环pop所有节点，释放全部内存，重置栈顶指针和计数器。 资源管理 · 构造函数：初始化栈顶指针为nullptr，计数器归零。 · 析构函数：自动调用clear()释放所有动态分配的内存，确保无内存泄漏。

针对短视频平台内容爆炸式增长带来的推荐精准度不足、用户理解粗粒度等问题，设计并实现一个融合多模态理解与大语言模型决策能力的智能 Agent 系统，实现视频内容自动分类与动态用户画像构建，支撑个性化推荐、广告投放与内容治理等核心业务。 技术栈：Python, YOLOv8, Whisper, Qwen-VL, LangChain, Kafka, Flink, Milvus, Neo4j, FastAPI, Docker, Kubernetes

驾驶员行为监控（物流公司等对驾驶员的危险驾驶监控） 开发语言 c++ 硬件 选用了地平线旭日 3 环境linux 视觉算法 yolo5 功能包括： 1）从摄像头模块采集视帧 用地平线芯片硬件API直接采集 2）缩放视频。 地平线芯片硬件API直接缩放 3）将视频编码成 h264 实际使用时，在地平线开发板上接了两路 usb 摄像头和一个 MIPI 摄像头。用地平线的硬件编码 API，同时对三路码流进行编码. 4）原始音频采集 使用 alsa 库采集的声音。 5) 声音的编码 把原始的声音编码成 mp3 6) 视频和声音的混合 把 h264 和 mp3 混合成 mp4 文件。 7）文件的滚动存储 地平线开发板接硬盘，音视频编码成的 mp4 文件, 5 分钟一个 mp4 文件，超过一个月的文件自动删除。 8）码流传输模块：动态码流传输当某些情况触发时，编码端向服务器即时发送 h264 码流，以及 mp3 声音流。网络是 5G 网络。发送追求最小的延时，其中分辨率、帧率、码流、gopsize 可以根据网络状况等，进行动态的调整。比如编码端感觉网络有点拥堵，就通知接收端要降低分辨率和码流，发送新的分辨率、帧率、码流等参数给解码端，等解码端完成参数的更新调整，编码端发送新的参数的视频流到解码端。 接收端可以马上播放收到的视频流和声音。 9) 驾驶员手离开方向盘监控 这是危险驾驶监控的一项。驾驶员手离开方向盘时，会马上提示他，并截图发送给服务端，同时作出记录。 训练模型，识别手没在方向盘上，转化为地平线格式 10）打电话识别监控 训练模型识别打电话动作，转化为地平线格式 11）驾驶员疲劳状态监控 训练模型识别人员疲劳表情，转化为地平线格式

PyTorch 动态图机制在 GPU 上虽能良好运行，但在 CPU 服务器或边缘设备上，Eager Mode 的执行效率远低于优化后的静态图方案，单帧推理耗时约 80-120ms，难以达到实时（25 FPS）要求。 跨语言集成困难：现有业务后端为 C++ 微服务架构（如视频合成管线、直播推流模块），PyTorch 模型需通过 Python 子进程或 RPC 服务调用，跨进程通信引入额外 15-30ms 延迟，且增加了系统复杂度和故障点。 基于上述背景，本项目拟将 Wav2Lip 模型从 PyTorch 格式转换为 ONNX 标准格式，并使用 C++ 重写推理管线，实现轻量化、高性能、易集成的生产级唇音同步引擎。

立项背景：传统人工投资主观性较强，容易受到情绪干扰，量化策略编写门槛高、回测效率低下，普通投资者无法系统化进行行情研判、策略验证与仓位管理。本项目目标是搭建 AI 量化交易智能体投资助手，依托大模型与量化算法实现自动化行情分析、策略自动生成、历史回测、风险风控、仓位计算以及每日投资建议输出，降低量化投资门槛，规避情绪化交易，提升策略稳定性。 核心模块分为五大部分：金融数据采集模块、因子计算模块、策略回测模块、多智能体决策模块、实时风控模块。数据模块自动抓取 A 股日线、分钟线、财报数据、资金流向数据；因子模块自动计算上百个量价因子；回测模块可模拟多年历史行情，计算夏普比率、最大回撤、年化收益率；决策智能体综合技术面、基本面、市场情绪生成交易信号；风控模块实时限制单日亏损、单票仓位上限。 整体业务流程：程序每日盘前自动拉取全市场行情数据，批量计算量化因子，由多个分工 AI 智能体并行分析市场行情，汇总多维度打分生成买入、卖出、持仓信号，经过风控规则过滤后输出每日投资计划，同时每日自动复盘策略绩效，迭代优化交易规则，全程无需人工干预。

用 STM32MP257 和 ESP32-S3 搭了一套双芯片系统。M33 负责硬实时采集和控制，A35 跑 Linux 做复杂一点的推理和通信，ESP32-S3 当无线通信模块用和安全模块。数据通过 MQTT 传到 Docker 后端存储和可视化。训练框架 PyTorch，边缘推理引擎 ONNX Runtime，可视化 TensorBoard + Plotly。从硬实时控制芯片到云端训练，再到边缘端异构部署 的全栈式群体智能系统。系统底层采用 STM32MP257（A35+M33+NPU）与 ESP32-S3 双芯异构架构，确保微秒级安全响应与高算力 AI 推理共存；中层通过 EMQX + TimescaleDB + Grafana 实现千万级消息的实时数据中枢与时空可视化；上层接入课题组的多智能体强化学习（MARL）算法库（HetDPS、LazyAgents、MADPS 等），解决异构集群在稀疏奖励、通信受限、责任分散等挑战下的协同决策问题。

当前，我市公办养老机构及其他公办福利机构，在“人、财、物”监管、食品安全及整体安全管理方面存在数据孤岛、监管手段滞后、风险预警不足等问题。面对“突击战”严峻形势，亟需通过定制化开发构建一个覆盖全市、统一高效的智慧监管平台，实现对公办福利机构（特别是农村福利院）的规范化、透明化、智能化监管。

1、立项背景和目标 乳腺癌病理人工诊断效率低、易出现漏诊误诊，基层医师阅片水平参差不齐，同时传统深度学习模型判定过程不透明，难以用于临床参考。本项目目标是搭建 CNN-RNN 混合识别模型，开发配套可视化桌面软件，精准完成乳腺病理图像良恶性判定，通过热力图直观标注病灶区域，打造轻量化 AI 辅助诊断工具，提升病理筛查效率，为医护人员提供可解释的智能判断依据。 2、软件功能、核心功能模块的介绍 本软件基于 Python Tkinter 开发，包含四大核心模块。一是图像上传预处理模块，支持本地病理图片读取、尺寸归一化、像素标准化；二是 AI 模型推理模块，加载训练完成的 CNN-RNN 模型，快速完成良恶性分类并输出置信概率；三是 Grad-CAM 热力可视化模块，反向计算特征权重，生成病灶高亮热力图；四是交互展示模块，分区呈现原图、热力图、预测结果与运行进度，界面简洁易上手，无需编程基础即可操作。 3、业务流程、功能路径描述 完整使用路径：打开软件主界面→点击上传按钮选中本地病理图像，系统自动完成图片预处理→后台调用 AI 模型进行特征提取与推理运算，同步计算热力图层→界面左侧展示原始病理图，右侧实时加载病灶热力图，底部显示良性 / 恶性判定结果、预测可信度数值与执行进度。使用者可查看 AI 识别结果与病灶定位，核验判断逻辑，完成单次辅助诊断，可重复上传多张图片进行批量测试使用。

研究并实现面向大规模社交网络的影响力最大化算法，构建融合适应度地形表征与概率传播动力学的影响力评估与极值寻优框架，实现关键节点与群体的高效识别，在10⁵–10⁶节点规模社交网络上有效缓解 NP-hard 组合优化问题的计算瓶颈。

本项目与南京市惟精环境科技有限公司合作，通过实地调研其水环境治理业务，针对传统水质监测"监测点少、数据滞后、预警靠人工经验"的痛点，构建一套集实时监测、智能预测、扩散模拟、自动预警、三维可视化与 AI 问答于一体的水质监测预警平台。 平台面向监测中心运维人员与管理决策者，覆盖从数据采集到处置决策的完整闭环，核心功能模块包括： 1. 实时监测：对接 5 类传感器（温湿度、pH、浊度、溶解氧/COD、氨氮/总磷）共 9 项水质指标，通过 MQTT/TCP 采集、WebSocket 秒级推送，前端实时曲线与数据表格联动展示，支持历史查询与 CSV 导出。 2. LSTM 时序预测：对各指标进行未来 24–72 小时多步预测，输出预测曲线与 95% 置信区间，辅助提前研判水质变化趋势。 3. 污染扩散模拟：基于高斯扩散模型，按污染源位置、强度、水流参数计算扩散范围，以热力图与时序动画呈现影响区域。 4. 综合预警：融合时序预测与扩散结果生成五级预警，并落地"触发→确认→处理中→已解决→已关闭"的完整预警生命周期管理，全程留痕可追溯。 5. 数字孪生：基于 Cesium 三维地图标注监测站点并叠加实时数据。 6. AI 数字人助手：基于 RAG 检索增强生成的专业问答，结合水污染防治法规与处置预案知识库，支持流式回复与语音交互，为应急处置提供决策建议。

反洗钱工作平台的设计，符合我国反洗钱监管要求，遵从未来发展趋势。主要模块包括大额可疑数据报送、可疑交易自主监测、客户身份识别与调查、名单管理与监控、客户风险评级、非现场监管报表、反恐怖融资、自贸区监测管理、5C 评估等核心模块，为甄别当前反洗钱、反经济犯罪、反恐怖融资等重点关注领域，提供了有效的支持。

1、立项背景和目标：针对主流视频识别系统开发对抗攻击能力，测试深度学习模型的鲁棒性与安全性。项目目标是实现视频帧级对抗样本的自动化生成，验证目标模型在对抗扰动下的误判率。 2、软件功能和核心模块：支持CPU和GPU双版本运行，包含视频解码与帧序列提取、基于TensorFlow的对抗扰动生成（FGSM/PGD等算法）、扰动后视频重组编码、攻击效果评估（扰动强度、PSNR、攻击成功率）四大模块。 3、业务流程：输入待测试视频 → 帧序列提取 → 选择攻击算法与参数 → 逐帧注入对抗扰动 → 视频编码输出 → 喂入目标识别模型测试 → 统计攻击成功率与扰动质量指标。

立项背景与目标 背景： 跨模态检索（Cross-Modal Retrieval）是视觉-语言理解领域的核心任务，包含两类方向： - I2T（Image-to-Text）： 给定一张图片，从候选文本库中检索最匹配的文本描述 - T2I（Text-to-Image）： 给定一段文本，从候选图像库中检索最匹配的图片 传统的跨模态检索方法通常依赖大规模标注数据对模型进行微调训练（training-based），计算成本高、周期长，且跨领域泛化能力有 限。本项目探索一种**完全无训练（Training-Free）**的跨模态检索新范式——直接利用多模态大模型（MLLM）的语义理解和推理能力 ，结合层次化的上下文嵌入策略，在不进行任何模型微调的情况下，达到甚至超越有训练方法的检索精度。 目标： 1. 构建一个完整的、模块化的无训练跨模态检索流水线 2. 通过多维度图像描述生成和层次化语义嵌入，提升检索召回率 3. 引入 MLLM 重排序（Reranking）机制，在粗排的基础上做精细化语义匹配 4. 在 Flickr30K 和 COCO 2017 等标准数据集上验证方案的有效性 5. 通过一系列消融实验，系统分析各模块对最终性能的影响 软件功能 1. 图像多维度描述生成： 利用VL模型对每张图片从多个语义角度生成描述文本，为后续向量检索提供丰富的语义覆盖 2. 嵌入粗排： 采用自研嵌入策略，将多维度描述编码为高质量向量，计算图文相似度矩阵，输出 R@1/5/10 评估指标，并导出 Top-K 候选集供精排使用 3. MLLM Bidirectional Reranking： 在粗排 Top-K 候选集的基础上，对候选结果进行深度语义重排序，同时支持 I2T 和 T2I 两个方向 4. 自动化实验流水线： 通过 main.py 统一调度三阶段流程，自动进行 GPU 显存管理，支持大规模数据集批量处理 5. 稳定性测试： 对重排序模块进行多次重复推理，统计模型输出的一致性和稳定性 核心功能模块介绍 模块一：Stage1 - 图像描述生成（stage1_captioning.py） - 功能： 对数据集中的每张图片，利用 Qwen3模型生成四个独立维度的详细描述 模块二：Stage2 - HCE 粗排与评估（stage2_HCE.py） - 功能： 采用层次化上下文嵌入策略进行图文粗排检索，计算相似度矩阵并评估性能 - 核心类： CaptionRetrievalEvaluatorFast 模块三：Stage3-进行重排序Reranking

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。