人工智能 算法模型 软件定制 案例

语音采集功能，通过电脑端的扬声器采集声音 语音识别功能，基于ASR任务识别语音为文字 语音识别结果纠错，通过大模型进行分析语音意图，纠正语音模糊带来的问题 调用MCP服务，大模型来调用可用的tool，若无法分析出语音意图就返回“请重新录入需求”

医疗部分主要包括基于知识图谱的医疗信息快速查询，并嵌入Botpress以实现智能AI问答；运动部分主要包括运动记录以及人体姿态对比，人体姿态对比通过上传标准动作视频与待对比的动作视频进行比对，并将视频中不标准的动作展示出来。

目标检测：能够在图片或视频中检测并识别物体，如人、车、动物等。 边界框预测：为每个物体提供位置和类别的边界框。 分类与回归：同时进行目标分类和位置回归，快速处理。 多目标识别：支持同时检测多个目标，并提供相应标签和位置。

两阶段学习：自监督预训练（无标注）+ 元学习微调（少标注），充分利用数据，降低对标注的依赖。 注意力机制：网络中集成了 ECA（高效通道注意力）模块，能自动聚焦图像的关键区域，提升特征提取效率。 可视化分析：通过混淆矩阵和 t-SNE 可视化，可直观分析模型的分类错误和特征质量，便于优化。

本项目旨在开发一套基于Python的养鸡场管理系统，利用Flask框架和MySQL数据库，实现鸡舍管理、鸡只管理、饲料管理、健康监测等功能。通过数据可视化和自动化管理，提高养殖数据的准确性和管理效率，减少人工操作成本，并为未来智能化养殖提供支持。

扩散概率模型相比于之前的模型，最突出的是效率的提升，扩散 概率模型有着较高的计算效率，即使对于高分辨率的图像和需要大规模处理的任 务来说，扩散概率模型都能很好的完成。所以，扩散概率模型在图可视化风格迁 移当中有着很强的实用性。基于扩散概率模型，具体研究目的涵盖以下几个 方面：首先，致力于提高图像风格迁移的效率，减少算法的运行时间与计算资源 消耗，使风格迁移能够更快速地完成，满足实时性要求较高的应用场景；其次， 着重提升迁移后图像的质量，确保生成图像在保留原内容特征的基础上，精准呈 现目标风格，避免出现图像模糊、颜色失真、纹理不自然等瑕疵；再者，深入探 索算法在不同领域的创新应用，挖掘图像风格迁移技术在新兴行业与复杂场景中 的潜力，拓展其适用范围。

中国银行正在打造的智慧眼系统，是对现有网点业务行为及人员管理上进行自动化升级。通过目标检测模型，智能检测金库开关门、金库人员穿着及作业、网点员工操作及客户险情识别等业务需求。

能够综合考虑气象资料、土壤质地、地块形态和大小等多方面数据，计算输出模型所需的各参数。基于北方风沙区不同地区的实际情况进行精细调整，模型能够在小时级尺度的时间步长内估算风蚀量及风蚀尘量（PM10）。其中，WEPS模型设定当每天10m高度处最大风速超过8 m/s时，开始调用风蚀子模块。涉及计算：土壤风蚀量计算、摩阻风速u*、气象站摩阻风速计算、观测地点无植被时，摩阻风速计算、观测地点有植被时，摩阻风速计算、临界摩阻风速u*t、光滑平坦地表摩阻风速裸露地表、地表有倒放植物引起的临界起动摩阻风速增加量、含水率引起的临界摩阻风速增加、风蚀量粒径分选计算、悬移量计算步骤 、PM10计算步骤。 可以自定义绘制计算区域，进行交叉运算。 对计算结果进行不同颜色渲染。

一、模型部署层：xInference + 双模型 负责 托管大模型和 Embedding 模型，是整个系统的 “大脑”： 对话模型：qwen2.5-instruct-14b（大语言模型，负责生成回复） 用 vLLM 做推理引擎，开启 int4量化： 让模型推理速度达 ~68 tokens / 秒（大幅提升响应速度）， 显存占用优化到 0.8（降低 GPU 硬件成本，让大模型在普通显卡上也能跑）。 Embedding 模型：bge-large-zh-v1.5（智源，负责文本向量化，支撑知识检索） 二、接口封装层：oneAPI（OpenAI 接口模拟） 核心作用：把 xInference 的模型服务，伪装成 “OpenAI 接口”，让上层应用（如 FastGPT）可以用熟悉的 OpenAI 调用方式（如openai.ChatCompletion）对接本地模型，降低集成成本。 三、RAG 增强层：FastGPT（检索增强生成） 解决大模型 “知识过时、专业领域回答差” 的问题，通过 “知识库检索 + 大模型生成” 提升回复质量： 知识库预处理： 用脚本清洗、格式化数据，结合 bge-large-zh-v1.5 生成向量，存入向量数据库。 检索优化技术： 混合检索：同时用 “向量检索（语义匹配）+ 关键词检索（精确匹配）”，提升召回率； 文本切块：拆分长文本为小段（如 512 字），避免信息丢失； rerank 排序：对检索结果重排，选出最相关的内容； Prompt 工程：优化提示词，让大模型更高效结合检索到的知识，生成准确回复。 四、终端接入层：chatgpt-on-wechat + 微信公众号 负责 对接微信生态，接收和响应用户消息： chatgpt-on-wechat 作为中间件，接入微信公众号，监听 微信服务器的 POST 请求（用户发的消息）； 收到请求后，调用 FastGPT 的 RAG 服务（即触发 “检索 + 生成” 流程）； 拿到回复后，再通过微信服务器，把结果推送给用户。 整体数据流向（用户视角） 用户→微信公众号发消息 → 微信服务器→chatgpt-on-wechat（接收） → FastGPT（调用 oneAPI，触发 xInference 的双模型：bge 做知识检索，qwen 做回复生成） → 模型推理（vLLM 加速） → 结果返回→用户收到回复。

采用WebRTC实时推拉流技术构建低延迟音视频传输通。道过chunk全流程流式处理机制将首包延迟优化至3秒以内，实现真正的实时对话数字人体验；集成MuseTalk模型驱动数字人面部动作生成，采用视频驱动嘴型同步技术，通过音频特征提取和唇形匹配算法实现自然流畅的口型同步效果； 使用ASR-LLM-TTS全流程流式处理pipeline，采用流式语音识别和增量文本生成技术，通过音频chunk分片处理和并行推理机制减少端到端延迟；实现WebSocket长连接协议支持实时双向通信，通过帧间预测和缓冲区管理策略优化音视频同步性能

基于LangGraph构建Multi-Agent系统，设计包含数据获取Agent、SQL生成Agent、图表渲染Agent的分布式处理架构；通过RESTfulAPI与MES系统建立数据通道； Text2SQL模块，采用XiYanSQL-QwenCoder-32B作为基础模型，通过M-schema技术提升SQL生成准确率；设计SQL执行沙箱环境，通过语法解析和安全检查机制防止恶意查询；集成ECharts.js渲染引擎，通过模板匹配和动态配置生成多维度数据可视化图表，支持实时数据更新和交互式操作

AI 道路巡检管理系统以 “全流程智能化” 为核心，构建了从影像采集到养护决策的闭环功能体系，具体包含三大核心模块：​ 1. 智能病害识别引擎​ 依托深度优化的图像算法模型，可自动解析车载摄像头、无人机等设备采集的路面影像，精准识别裂缝（横向、纵向、网状）、坑槽、车辙、修补不良等 20 余种典型病害。系统具备自适应学习能力，通过持续积累实际场景数据，不断优化识别精度，当前对主要病害的识别准确率达 95% 以上，误报率控制在 3% 以内，可替代 80% 的人工判读工作。同时支持自定义病害类型，满足不同地区道路（如市政道路、高速公路）的个性化需求。​ 2. 全维度数据管理平台​ 构建 “病害 - 位置 - 时间” 三维数据档案：自动关联 GIS 地图标注病害精确坐标（误差≤5 米），同步记录病害尺寸（如裂缝长度、坑槽面积）、严重等级（按行业标准划分为轻微 / 中等 / 严重）及拍摄时间；支持多源数据接入，可整合养护历史记录、交通流量数据等信息，形成完整的道路健康档案。平台提供可视化查询与导出功能，用户可通过路段筛选、时间轴回溯等方式快速调取数据，生成标准化报表（如 Excel、PDF），为养护方案制定提供数据基底。​ 3. 养护决策分析系统​ 基于历史数据与实时监测结果，自动生成路段健康度评分（0-100 分）及病害发展趋势预测（如未来 3 个月裂缝扩展速率），辅助用户优先级排序养护任务；通过内置算法计算最优养护方案（如针对坑槽推荐 “切割修补” 或 “热拌沥青填充”），并预估所需人力、物料成本，实现资源精准调配。系统还支持模拟不同养护策略的长期效益，助力从 “应急抢修” 转向 “预防性养护”。​ 三大模块无缝衔接，从前端识别到后端决策全程数字化，大幅降低人工干预，让道路巡检与养护管理更高效、更精准、更具前瞻性。

1. 虚拟人视频生产：3D空间场景组装+虚拟人播报+通过运镜脚本录制视频 2. 真人3D场景直播：3D空间场景组装+真人直播输入（实时背景扣除）+弹幕问答互动，直播推流到三方直播平台 3. 真人数字人3D场景直播：3D空间场景组装+真人驱动虚拟人（外接动捕、面捕设备）+弹幕问答互动，直播推流到三方直播平台 4. 无人数字人3D场景直播：3D空间场景组装+数字人AI报播+弹幕问答互动，直播推流到三方直播平台

三级检测引擎 毫秒级初筛层 轻量CNN模型（35k参数）实时过滤流量： 正常请求：直接放行（耗时2-5ms） 可疑请求：转大模型复检（如含/admin.php?id=1'等非常规参数） 特征处理：URL标准化 + 词向量嵌入（16维） 语义级复检层 DeepSeek-R1-Qwen-1.5B微调模型： LoRA技术更新0.1%参数（rank=8, alpha=16） 识别复杂攻击逻辑（如<script>alert(document.cookie)</script>伪装为Base64） 混合精度推理：GPU用FP16（600ms/请求），CPU回退FP32 人工验证层 双模型冲突样本自动推送前端（如CNN判异常但大模型置信度<85%） 安全专家通过交互界面审核（带攻击特征高亮提示） 可视化系统 实时监控看板： deepseek_mermaid_20250709_4410a7.png 三维特征空间：PCA降维展示攻击聚类（如SQL注入聚集在Z轴高危区） 批量处理：支持万级URL文件上传，平均4.5分钟完成100条分析

通过将预处理后的水声数据输入到网络中，模型根据要求分割多个快拍，对每个快拍进行doa估计。CNN-CBAM 混合深度学习模型构建，设计双卷积层与注意力机制的级联结构;创新性KANsformer 混合架构，将样条激活函数与Transformer 机制结合，建立等边三角形阵列模型。在深海低频高噪声下实现精确doa估计。

1.产品样本数据采集 系统支持对产品缺陷样本进行采集，构建高质量缺陷数据库，为后续检测模型的训练与优化提供数据支撑。 2.检测模型配置 提供灵活的生产模型导入功能，支持用户根据实际需求配置模型参数，确保模型适配不同生产场景。 3.智能瑕疵检测 通过高精度工业相机实时采集产线产品图像，经图像增强、去噪等预处理后，调用AI检测模型进行自动化缺陷识别，并将检测结果（含缺陷位置、类型等）直观呈现在交互界面上。 4.数据统计与分析 实时生成检测数据展示，动态统计不良率、缺陷出现率等关键指标，帮助用户快速定位原材料或工艺问题，为生产优化提供数据依据。 5.智能预警与干预 支持自定义缺陷报警阈值（如单类缺陷连续出现次数），触发报警后自动推送通知至生产终端，辅助用户及时干预异常工况，避免批量质量问题发生。

在OFDM MIMO系统开发中，我独立负责了整个项目的需求分析、设计与实现。我采用了MATLAB进行系统建模，利用OFDM技术进行信号调制与解调，并实现了MIMO系统的多天线配置与信号处理。具体工作包括参数配置、子载波映射、IFFT/FFT变换、循环前缀添加、信道估计与均衡、以及性能评估等关键功能。同时，我还研究了PAPR抑制技术和MIMO的空间复用方案，以优化系统性能。通过独立完成这些任务，我深入理解了OFDM MIMO系统的核心原理及其在实际应用中的关键技术。

1、实现对多类设备可群举状态识别； 2、实现对数码管、液晶屏数值识别； 3、实现对多类表计数值识别； 4、通过websocket访问服务； 5、支持70种设备状态、30种字符、6种表计识别； 6、训练数据集通过收集变电站实拍、图像预处理的方式，在模糊、强弱光环境、遮挡、倾斜、旋转、小目标场景下均可正常使用

红区图 通过AI图像处理技术分离皮肤中到红色成分，运用图像增强技术突显相关症状。 通过红区图能过直观的观察到粉刺、寻常痤疮、酒糟鼻、血管阻导致的色素沉淀、色斑、红血丝等皮肤问题。 红区热力图 运用图像增强技术与症状影像映射分析，通过蓝色-绿色- 黄色-红色渐变映射， 更直观反应肌肤的严重程度。蓝色为健康皮肤，红色为严重程度皮肤。 可以直观的查看人脸痤疮、敏感度、红血丝等问题

### 功能介绍 1. **智能规划清理路径**：通过强化学习算法，机器人能够自主分析桌面物品的分布与优先级，动态生成最优清理顺序，减少重复移动与时间消耗。 2. **精准抓取与放置**：结合强化学习和点云分析技术，机器人可快速识别物品的可抓取点，自动过滤不稳定姿态，实现对不同形状、材质物品的稳健抓取，并按预设规则分类放置到指定区域。 3. **视觉识别分类系统**：基于深度学习的图像分类模型，机器人可实时识别书籍、餐具、电子设备等常见物品，并根据预设类别（如“回收物”“办公用品”“私人物品”）进行智能分类，支持自定义物品库扩展。 ### 技术优势 - **自适应学习能力**：机器人可通过持续交互优化策略，适应不同桌面布局与物品组合。 - **复杂场景处理**：支持杂乱桌面、遮挡物品的识别与清理，抗干扰能力强。 - **安全保障机制**：集成力反馈控制，避免抓取时损坏物品或造成碰撞。