人工智能 Windows应用 软件定制 案例

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。

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，

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。

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

“基于 Qt + OpenCV + YOLO 的工业缺陷检测系统” YOLOv5 / YOLOv8 / YOLO11：具备完整落地经验，包括 PyTorch → ONNX → onnxruntime / OpenCV-dnn 的模型转换、量化、NMS 参数自调优；在 RTX3060 + i7 上实现 1080p@60fps 多目标检测。 负责整体架构与核心推理引擎，支持 3 路 4K 相机同步采集 → GPU 批处理 → 检测结果 QML 3D 可视化，已在客户产线稳定运行 12 个月。

翻车机翻车前，压车梁要保证压紧车厢边沿，该项目通过AI视觉的方式检查压车梁是否压紧； 翻车机回翻后，车厢有可能脱离轨道，该项目通过AI视觉的方式检查车厢是否脱离轨道； 设计上位机显示识别结果，检查到风险后报警。

技术栈：Python 3.11, PySide6, scikit-learn, jieba, SQLite, 并发编程, Pillow, Git 代码仓库：https://github.com/StellarTrail/Smart_Organizer.git 项目简介：独立设计并开发了一款智能桌面文件管理工具，通过机器学习算法自动理解文件内容，实现文件的智能分类与自动化整理，从根本上改变了依赖手动规则的传统文件管理方式，显著提升了个人数据管理的效率与规范性。

1、对于产线上产品包装箱在进行喷码过程中会出现漏喷或者字符残缺的情况，造成产品后期追溯过程出现问题，为了解决该问题确保包装箱不会出现大批量报废，减少人工检测强度，设计了该软件算法。 2、主要流程包括模板制作，模板匹配，字符分割比对，最终得到检测结果

1、项目目标 基于AI生成技术、语音合成技术和人脸驱动技术，构建一套可量产、可私有化部署的数字人短视频生成软件，降低制作成本。 2、软件功能 该短视频数字人生成软件面向短视频创作与内容生产场景，支持用户上传照片生成数字人形象，并提供多风格语音库供选择。用户只需输入一段文本，系统即可通过语音合成和面部驱动技术自动生成口型同步、表情自然的数字人短视频。软件操作简单、无需拍摄和配音经验，可快速、低成本地批量创作短视频内容。

可以在软件后台更新ai指令，使写出来的文章无ai痕迹，绝对原创，并且软件支持批量改写文章，自动采集文章内容，自动改写或者原创文章，自动检测原创度和ai写作率，后台支持多段式指令调用，别人找我定制的。

本项目名为SEO软文自动生产系统，旨在通过自动化手段提升网站的搜索引擎优化（SEO）效果。该项目主要服务于需要提高网站在搜索引擎中排名的企业和个人。 立项背景和目标：随着互联网的发展，越来越多的企业和个人意识到SEO的重要性。然而，传统的SEO方法耗时且效率低下。因此，我们开发了这款SEO软件自动生产系统，以自动化的方式帮助用户快速、高效地进行SEO操作。 软件功能、核心功能模块的介绍：该系统主要包括关键词分析、内容生成、链接建设等核心功能模块。关键词分析模块能够智能识别并推荐最合适的关键词；内容生成模块可以根据关键词自动生成高质量的文章；链接建设模块则负责构建合理的内部链接结构。 业务流程、功能路径描述：用户首先输入网站信息和目标关键词，系统会自动进行关键词分析，并根据分析结果生成相关文章。随后，系统将文章发布到指定位置，并调整网站的链接结构以优化SEO效果。

人口老龄化的加剧已是不能忽视的问题，银发经济的需求也随之增长。随着智 慧医疗智慧养老等模式兴起，本项目提出一种基于深度学习的人体行为姿态识别和 预测系统，通过摄像头实时捕捉人体姿态并进行分析预测，以到达实时并迅速准确 地检测人体的动作姿态及动作规范性的目的；同时，可以预测未来短时间内的人体 行为，可与其他防摔倒设备或者穿戴式摔倒缓冲设备结合，为提前避免损伤创造了 可能，更好的满足了老年人的健康需求。 开发一个高效的人体姿态识别系统：利用深度学习技术，实现对人体姿态的 准确检测和识别。

1. 项目背景与目标： 针对企业招聘流程中，HR在前期沟通筛选环节耗费大量重复性精力、效率低下的核心痛点，本项目旨在打造一款企业级智能招聘助手。其商业目标是通过AI+RPA技术，实现主流招聘渠道的7x24小时无人值守自动化运营，将HR从繁琐重复的工作中解放出来，聚焦于核心人才的深度沟通，最终为企业降低招聘成本、提升人才筛选效率。 2. 软件核心功能模块： o 多账号智能托管与RPA引擎： 支持同时管理多个主流招聘平台账号，基于强大的RPA核心，自动化执行“打招呼”、“已读”、“筛选”等日常操作。 o AI大模型驱动的对话机器人： 集成大语言模型，通过预设的知识库（公司介绍、岗位JD）和对话策略，实现与候选人的多轮智能对话，精准解答疑问、挖掘候选人信息。 o 可自定义的候选人筛选漏斗： 企业可根据岗位需求，灵活配置多维度（如工作年限、技术栈、薪资期望）的自动化筛选规则，AI将自动分类并标记高匹配度候选人。 o 自动化流程管理： 从初步接触、简历接收、意向判断到面试邀约，全流程自动化触发与执行，并将关键节点信息同步至管理后台。 o 数据可视化分析后台： 提供Web管理后台，实时监控各账号运行状态，统计分析招聘数据（如沟通量、简历收取率、邀约成功率），辅助企业优化招聘策略。 3. 业务流程： 用户（HR）通过桌面端配置招聘岗位要求与AI对话策略 -> 启动自动化任务 -> 应用自动登录平台账号并与候选人沟通 -> AI根据筛选规则过滤并收取简历 -> 自动发送面试邀约 -> HR在管理后台查看结果并跟进核心候选人。

视觉测量设备开发,本项目开发用于检测产品尺寸，提高产品良率，包括设备采购，硬件设计，硬件调试，软件开发，软件测试等步骤。能与其他机台进行数据传输，完成软件串口通信开发，通过控制底层IO卡，PLC驱动整个机台正常运行，数据处理程序，通过HTTP通信能够将数据实时上传数据库。

1.工厂流水线生产太阳能电池硅片会出现几种问题 （1）电池硅片边缘可能出现破损缺口 （2）电池硅片条纹的宽度过宽 （2）电池硅片条纹与条纹之间的距离不符合标准 2.需要通过工业相机传来的图像检测出以上的问题并发出警告

硅晶区域检测是衡量MEMS（Micro-Electro-Mechanical Systems，微机电系统）光谱芯片质量的重要评价指标之一，硅晶区域半径是MEMS光谱芯片检验环节中重要的评估参数。 传统技术中，对于硅晶区域半径的检测方法主要是通过图像采集器在红外光源下获取图片，然后人工观察硅晶区域，评价其质量。以这种方式进行检测不但效率低下，同时也存在人为检测标准不一致，视觉疲劳等现象，造成出厂产品质量的波动。