人工智能 嵌入式软件 软件定制 案例

面向会议记录、工业对讲、人机交互及嵌入式智能终端在风扇、空调、键盘敲击和室内混响等噪声环境下的语音采集需求，设计并实现一套基于GD32H759IMT6微控制器的边缘语音降噪系统。系统通过ES7210音频采集模块、SAI和DMA连续获取48 kHz多通道音频，在本地完成通道选择、音量统计、短时傅里叶变换、频带特征提取、神经网络推理、频谱掩蔽和语音重建，无需依赖云端服务器。 系统支持RAW原始音频、RNNoise对照降噪和自研CRN降噪三种工作模式，可通过触摸屏完成模式切换、输入通道选择、增益调整、开始或停止录音以及屏幕截图。LCD实时显示原始与降噪波形、音量、模型状态、录音时间、缓存状态和输出文件名；TF卡可保存原始WAV录音、CRN降噪音频及LCD截图，形成“音频采集—边缘推理—效果显示—文件保存”的完整闭环。

开发一个基于 cesium 的三维建模智慧工地管理系统，借助 GIS 工具或无人机倾斜摄影技术导入 工地的三维模型，在工地的关键部位部署摄像头监控用于检测安全帽或非法入侵等异常行为，在摄像头端进 行危险行为的检测之后，将异常信息及定位数据传输至云端服务器，该功能可以监控工地异常，将异常信息 在三维场景当中实时显示。该软件也可以使用投影技术将二维视频转换到三维模型的对应场景中，更加直观 地检测工地情况。

本类项目是基于非制冷红外探测器的成像模组项目。 旨在实现低功耗、小体积、高质量图像以及视频接口高兼容性。 本项目是团队合作项目，我主要负责FPGA工程架构设计、软核软件架构设计，并参与某些具体的算法/视频接口/外设驱动的实现及调试。

通过AI辅助资料结构化、概念试探、方案表达与文本校核 在不改变核心设计逻辑的前提下，对现有流程进行结构化升级，帮助团队实现更高效的方案推进、更稳定的过程控制，以及更高质量的成果输出。 帮助设计团队减少重复劳动，把精力投入到创意判断和方案深化中。

该项目是整个产品中最重要的一环，主要作用是算法分析，通过逐张视频帧分析是否满足告警条件。算法组成有行为分析算 法，安全帽检测算法，超员检测算法等等。行为分析算法通过背景学习之后采用差帧法提取团块差异，达到目标跟踪的效 果；安全帽检测算法通过深度学习检测出安全帽之后，与人体目标进行重合度检测；超员算法同样通过深度学习检测人体目 标，达到报警条件，给出报警。

基于 STM32F103 单片机开发的磁条导航 AGV 自动导引车，以磁条为路径标识，通过底部霍尔传感器阵列采集磁场信号，实现路径识别与纠偏控制。 系统采用差速驱动方案，STM32F103 作为主控单元，实现传感器数据采集、PID 路径纠偏算法、电机调速控制及避障逻辑。通过实时对比传感器检测到的磁场偏移量，动态调整左右轮转速，使 AGV 始终沿磁条中心行驶，定位精度可达 ±10mm。

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。

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。

本项目面向遥感图像目标识别与处理场景建设，目标是将图像采集、目标检测推理、结果融合与结果输出拆分为可独立部署的服务模块，提升算法接入、运行调试和现场交付效率。系统包含数据源服务、目标识别推理服务、结果处理服务等核心模块，支持模拟图像输入和硬件数据接入，推理服务对接模型文件完成目标检测，结果处理服务对识别框、设备状态和融合结果进行统一处理。业务流程为数据源采集图像后通过服务接口传递给推理模块，推理模块完成识别并输出结构化结果，后处理模块再进行融合、封装和上报。

本项目面向卫星载荷在轨运行场景，目标是构建一套可部署在星载计算平台上的综合任务管理软件，支撑地面指令接收、任务调度、状态采集、数据处理和遥测下传等核心业务。系统围绕“指令进入、协议解析、任务执行、状态监控、结果反馈”的业务闭环设计，提供指令处理、数据总线、协议编解码、智能处理任务编排、设备状态采集、遥测数据组帧与下传等功能模块。业务流程上，地面上行指令经过编解码模块解析后进入指令处理模块，由执行协调器根据指令类型、约束条件和会话状态分发到对应业务行为；任务运行过程中，各模块通过数据总线交换状态、告警、推理结果和设备数据，状态采集模块持续监控关键指标，遥测模块按配置完成数据汇聚、序列化、组帧和链路分发，实现星上任务的可控、可观测和可追踪运行。

项目目的：针对IPC（智能摄像头）场景下的猫狗目标检测、实例分割与颜色分类任务，构建轻量级多任务模型，实现检测、分割、颜色识别一体化 pipeline，支持边缘设备实时推理。 技术栈：PyTorch、NanoDet-Plus、ShuffleNetV2、PicoSAM3、OpenCV、HSV颜色空间、模型蒸馏、知识蒸馏、GFL Loss、Mosaic数据增强、TensorRT部署、NCNN量化、SAM3辅助标注、Docker容器化、分布式任务调度。

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。

1、机器人模块：通过与学习者的语音交互，利用OpenClaw API为在学习者PC上实现项目代码编写、项目思路交流、技术盲点以及作业上等交流，完成教师的教学动作。 2、APP模块： 全程记录机器人（教师）与学习者的交互过程，给出分析评价以及后续学习建议提供给学习者，可以通过app进行教学管控安排 3、AI AGENT：为机器人模块提供交流决策等等的能力。 4、学伴机器人管理系统： 机器人绑定、项目课程大纲录入管理等

1、无人机设备管理与监控： 2、航线规划（天地图上规划）： 航点航线规划：起飞点->降落点、挂载以及飞行动作设计 3、飞行任务管理 任务规划、下发任务以及飞行任务的监控（飞行状态与实时直播视频） 4、无人机任务结果识别与推理 5、系统大屏

项目描述： 本项目旨在开发一套自动化垃圾分类系统，通过结合树莓派5、STM32、摄像头等硬件，实现对垃圾的实时识别与分类。 关键技术与工具： • 硬件平台： 树莓派5、STM32、摄像头、二自由度舵机、超声波传感器等 • 软件平台： yolo11、deepsort、OpenCV、Python、stm32 • 功能模块： 舵机控制、垃圾分类识别、满载检测

1. 机器人控制，机械臂、底盘、全身控制 2. 基于机器人TCP控制，坐标切换 3. 机器人URDF展示 4. 机器人基本信息监控 5. 机器人任务控制与workflow编排 6. 机器人导航、点位规划等功能 7. 机器人相关部位标定 8. 机器人基本日志信息内容查看和检索 9. 机器状态监控，使能、上下电等功能

本项目实现了一套基于FPGA的多频调制激光测距系统，主要用于中远距离高精度测量场景（10m~3000m）。系统采用三频调制方案（150MHz、1.5MHz、50kHz），结合相位测距原理，实现高精度与大范围兼顾。 在系统设计中，通过FPGA生成多路调制信号驱动激光发射模块，同时接收光电探测器返回的TTL信号。利用高速时钟对参考信号与回波信号进行时间同步采样，通过相位差计算获取距离信息。 核心功能包括： 多频信号生成（基于PLL倍频与分频） 回波信号采样与同步处理 相位差测量（基于时间戳/边沿检测） 多频融合算法消除测距模糊 输出毫米级精度的距离结果 该方案相比单频测距，有效解决了相位模糊问题，实现“长距离+高精度”的统一，适用于激光雷达、工业测距、无人设备等场景。

1、立项背景和目标 在传统的工业制造领域，设备维护主要依赖两种模式：一是“事后维修”，即设备坏了再修，这往往导致非计划性停机，造成巨大的生产损失；二是“定期保养”，即无论设备状态如何，都按固定周期进行维护，这会造成维护过度或不足，浪费人力物力。随着工业4.0和智能制造的推进，市场迫切需要一种能够实时监测设备健康状态、提前预警潜在故障的解决方案。本项目旨在研发一款低成本、高实时性、低功耗的嵌入式预测性维护系统。通过在设备端直接运行轻量级AI算法，实现数据本地处理、实时分析和故障预警，避免将所有数据传输至云端所带来的延迟、带宽和隐私安全问题，最终帮助客户实现设备运维的智能化和精益化，降低综合维护成本30%以上。 2、软件功能、核心功能模块的介绍 本嵌入式软件运行在以ARM Cortex-M内核为核心的微控制器上，主要包含以下核心功能模块： 多源数据采集与同步模块： 精确驱动板载加速度传感器、温度传感器，以可配置的采样率（例如：25.6kHz）同步采集设备的振动和温度原始数据，并进行数字滤波处理，剔除工频干扰。 边缘特征提取与AI推理模块： 在时域和频域对原始数据进行特征工程，提取峰值、有效值、峭度指标、频谱能量分布等关键特征。核心是运行一个经过剪枝和量化处理的轻量级神经网络模型，基于提取的特征对设备健康状态进行实时推理，输出健康指数和故障类型（如：轴承磨损、齿轮断齿、转子不平衡）。 实时状态监控与诊断模块： 根据AI推理结果，结合预设的多级报警阈值，实时判断设备状态（正常、注意、警告、严重）。支持对历史趋势数据的本地存储和滚动更新，为诊断提供依据。 数据通信与协议模块： 基于工业标准Modbus RTU协议，通过RS485接口将设备ID、实时健康指数、报警代码等关键信息上传至PLC或数据网关。同时，支持通过该接口进行参数配置（如采样频率、报警阈值）和固件远程升级。 3、业务流程、功能路径描述 系统初始化与自检： 设备上电后，软件进行硬件自检和参数加载，进入低功耗待机模式。 数据采集触发： 当设备开始运行时，振动/温度达到设定触发阈值，或通过Modbus指令触发，软件激活高精度定时器，驱动传感器以预设频率（如25.6kHz）采集1024点或2048点的数据块。 边缘计算与推理： 路径： 数据采集模块 -> 信号预处理模块（去直流、滤波） -> 特征提取模块（计算时域/频域特征值）。 提取的特征向量被送入固化在代码中的轻量级AI推理引擎。 路径： AI推理引擎 -> 健康状态分类器。 推理引擎输出一个包含健康指数和故障概率的向量。 报警判断与输出： 路径： 状态诊断模块 -> 报警逻辑判断。

车载智能终端是出行大数据云平台的数据采集前端，主要面向城市公共交通，支撑运营监控、调度、客流分析等业务。 用于实现车载智能视频分析，通过AI算法模型在端侧对实时视频进行分析处理，用于采集客流量、司机疲劳驾驶等等, 从而实现给业务侧提供精准数据支撑。主要用于公交车、大巴车等场景，也可以扩展应用到各类视频分析的其他场景。