Windows应用 软件定制 案例

本项目旨在解决传统量化策略在极端行情下适应性差的问题，开发了一套基于深度强化学习的自动化交易系统。 主要功能包括： 多因子数据处理：实时接入交易所WebSocket数据，自动清洗并计算MACD、RSI、布林带等50+技术指标及链上数据特征。 智能决策代理：系统根据当前市场状态（State），自动输出买入、卖出或持仓动作（Action），并动态调整仓位比例。 回测与模拟盘：提供高性能回测引擎，支持历史数据回放验证策略有效性，并集成实盘模拟环境。 风险控制模块：内置最大回撤控制、止盈止损机制，防止极端市场波动导致的本金大幅亏损。

酒店自助系统(KioskSystem)使用C++语言编写，使用QT库，MYSQL数据库，MQTT通信等，主要实现住户入住酒店全流程自助办理功能，包括办理入住、续住、退房、停车、发票获取等功能，其中房间预定入住是核心模块，支持身份证、电子身份证等入住方式。

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。

该项目为公司自研项目，主要是将某型号的报废坦克经过底盘作动系统再改造，进行无人自动驾驶的功能自研； 在项目中主要负责： 一 ，软件框架的搭建、界面设计、需求分析、详细设计、方案设计等多方面的工作。 二，上位机控制软件编写；软件所具备的功能为： 1，车辆操作控制（基本的作动控制前进、后退、左右撞向、远近光灯、档位切换、控制模式、急停，车内的灯光、设备、 通信电台的控制） 2，车挂所有传感器的状态数据展示（温度、速度、油量、气压、电流、电压、推杆压力、所有设备的故障信息、北斗数据 信息、ECU工作状态信息、逆变器工作状态信息等） 3，地图功能，在软件中，界面的呈现主要是利用QML为前端进行界面开发，利用QQuickPaintedItem制作离线地图结合北 斗数据惊醒车辆的轨迹显示，同时还具备航点规划的功能；地图灌装的等级为10-18级卫星地图，（由于实验现场在室外， 且没有铺装路面所以选择卫星地图） 4，数据主要是通过电台远程透传过来的网络数据，根据自定义数据协议对底层上行的所有数据进行解析， 且视频数据是以 视频流的形式上行到界面上进行呈现； 在项目中除开兼顾开发工作， 相关的设备选型以及设备的采购也由本人负责，涉及到电台、北斗、摄像头、数据处理盒（主 要用于处理视频数据，由于规划问题摄像头购买的为SDI的传输协议，需要采集盒进行数据包装） 5，搭建TCP服务端，该软件需要适配多车协同的功能，将会处理多个车的协同工作，服务端将要监听多个车的数据并对数据 进行管理。

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，

1.展厅，园区，产品，厂区，建筑等数字孪生建设 2.数字化管控，包括数据看板，工艺流程，管道线路，巡检系统，设备管理，人员定位，监控系统，漫游，vr应急演练等 3.框架设计，功能开发，数据对接，打包部署，bug修改，性能优化等 4.可对接http,websocket,mqtt,modbus等协议，也可直接对SQL接数据库 5.vr开发以及触屏设备开发

1. 项目目的：在三维软件场景中，完成对实际厂房中的各个对象的数字化映射 2. 具体功能： a. 对厂房中的所有设备进行三维化建模，并将设备名称、ID、使用年限、维修记录等所有数据存储在后端服务器的MySQL数据库内； b. 采用UE引擎的开放世界模块切换到某个厂房后，向后端请求该厂房的所有设备信息，动态生成所有设备； c. 对于具体的设备设置操作指令，例如温度高于80℃后停止设备，设备中午十二点关闭，保存后发送给后端服务，后端服务与厂房设备进行交互，写入指令。

分析制衣工序单价实现科学合理的单价分析。使定价报价更合理准确。确保在定价过程中实现更精准的报价，为在制衣管理中提供新思路和新方向，使在制衣工作中能更快的上手管理制衣。使报价更准确可靠，加强效率和缩短工作时间

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。

本项目是一款基于微信小程序的成语学习与竞猜应用，通过图像提示引导用户猜测对应成语，兼具趣味性与知识性，帮助用户在游戏中学习成语、提升文化素养。 核心功能模块包括： 微信一键登录：用户授权后快速进入游戏。 闯关答题：每关展示一张图像，用户从汉字选项区选择4个字组成成语。 实时反馈：答案正确自动进入下一关，错误则提示并允许重新选择。 进度保存：记录用户通关进度，支持中途退出后继续挑战。 分享功能：通关后可分享成绩给微信好友，增强社交传播。 排行榜：展示用户闯关排名，激发竞争意识。

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。

一、业务和功能介绍 1. 立项背景和目标 随着铁路客运系统的日益普及，乘客对于车票信息的获取和分析需求不断提高。然而，市面上大多数购票平台仅提供基础的查询功能，缺乏对售票趋势、起售时间、卧铺余量等深度分析的支持。本项目“火车票分析助手”旨在开发一款集车票查询、卧铺售票分析、起售时间查询于一体的本地化工具，帮助用户更高效地获取和分析火车票信息，辅助出行决策。 2. 软件功能与核心功能模块 本系统主要包括三大功能模块： 车票查询模块：支持用户输入出发地、目的地及出发时间，实时查询并展示相关车次、座位类型、票价等信息。 卧铺售票分析模块：针对用户指定的路线，分析卧铺类车票的售票情况，辅助判断余票趋势。 车票起售时间查询模块：根据车站名称查询该站车票的官方起售时间，帮助用户掌握最佳购票时机。 3. 业务流程与功能路径 用户首先在“车票查询”界面输入查询条件，系统返回车票列表；若需进一步分析卧铺售票情况，可切换至“卧铺售票分析”模块进行专项查询；而“车票起售时间”模块则独立提供各车站的售票时间信息。整个流程清晰、模块耦合度低，用户可根据需求灵活切换功能路径。

TOC平台聚焦供应链协同优化，业务涵盖订单管理、库存监控、物流跟踪等全流程。功能上，实现多端数据实时同步，智能预警库存风险，精准规划物流路径，还能生成可视化报表，助力企业降本增效，提升供应链响应速度与决策科学性 。

1、全省党员系统建设（党员信息管理、党组织信息管理、组织关系转接、流动党员管理等） 2、项目金额近千万 3、主要团队成员项目经理、产品经理、UI设计师、研发等均在我这个团队中 4、因涉及项目BM，很多信息无法展示更多，可私聊，可根据后续业务对接中了解。

## 立项背景与目标 MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。 ## 软件功能与核心模块 ### 自动登录与 Cookie 通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。 ### 智能网络适配 自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。 ### 定时与批量预订 支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。 ### GUI 客户端与预订引擎 桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。 ### 配置与质量保障 config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。 ## 业务流程与功能路径 ###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。 ###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。 ###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。 ###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。 综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。

核心参与医院核心业务系统建设及专项模块开发，聚焦院内核心诊疗全流程落地，覆盖门诊接诊、住院管理、电子病历建档流转、药房药品调配等关键业务场景，同时负责跨系统接口开发与医疗数据交互逻辑设计，保障核心业务模块与医技系统（检验、检查等）的数据互通与无缝对接，支撑院内诊疗业务高效协同运转。

1、收集各种菜谱，标记营养功能，热量等；图片并茂生成每套菜的做好和营养价值 2、根据饮食习惯，自定义上传菜肴，标记收藏自己喜好的食材；推荐每日菜谱； 3、根据用户BMI，体质情况，智能生成每日的营养搭配 4、智能推荐菜谱到用户，用户可在手机上直接查看

本地部署的聊天机器人，用于有隐私需求的养老、医疗、教育场景 1，纯端侧部署，断网可用 2，大语言模型应用，对硬件需要较小 3，实现端侧语音聊天，适应场景广阔 4，可实现情绪识别 5，主动的情绪管理 6，微表情识别 7，多种感知应用 8，全方位的智能感知，推理，决策，执行系统