圖像識(shí)別

項(xiàng)目一：齒輪表面粗糙度自動(dòng)檢測(cè)

開(kāi)發(fā)應(yīng)用：python3+sklearn+opencv
項(xiàng)目描述：1）使用CCD相機(jī)獲取齒輪表面圖像
2）圖片預(yù)處理，使用中值濾波，去除圖片椒鹽噪聲，使用直方圖均衡化進(jìn)行圖像增強(qiáng)
3) 使用小波變換提取零件的紋理特征
4）進(jìn)行pca主成分分析進(jìn)行降維獲取特征
5）使用支持向量機(jī)分類(lèi)器進(jìn)行分類(lèi)

項(xiàng)目二：驗(yàn)證碼識(shí)別

開(kāi)發(fā)應(yīng)用：python+tensorflow
項(xiàng)目描述：1）通過(guò)公司提供的數(shù)據(jù)集對(duì)數(shù)據(jù)進(jìn)行編碼
2）搭建cnn神經(jīng)網(wǎng)絡(luò)
3）對(duì)模型進(jìn)行訓(xùn)練，提高驗(yàn)證碼的識(shí)別率
4）驗(yàn)證模型

項(xiàng)目三：字符噴嗎識(shí)別系統(tǒng)

開(kāi)發(fā)應(yīng)用：python3+opencv+tensorflow
項(xiàng)目描述：通過(guò)公司的數(shù)據(jù)集，將不同風(fēng)格的圖片與數(shù)據(jù)集的圖片進(jìn)行訓(xùn)練得到不同風(fēng)格的模型，
這樣可以在用戶選擇不同風(fēng)格時(shí)，將照片快速轉(zhuǎn)換為不同風(fēng)格。

項(xiàng)目3：基于ROS 系統(tǒng)機(jī)械臂抓取工件圖像處理設(shè)計(jì)

項(xiàng)目簡(jiǎn)介：本移動(dòng)機(jī)器人平臺(tái)是上下料機(jī)械臂自動(dòng)識(shí)別工件，方便機(jī)械臂對(duì)相應(yīng)工件分析抓取，簡(jiǎn)化
工人操作，實(shí)現(xiàn)工廠生產(chǎn)工業(yè)智能化。
個(gè)人職責(zé)：USB 攝像頭相關(guān)OpenCV 庫(kù)驅(qū)動(dòng)，使用cv_bridge 進(jìn)行圖像捕捉等
所用技術(shù)：
1.基于OpenCV 進(jìn)行過(guò)圖像獲取、裁剪、灰度處理
2.使用ImageTransport API 發(fā)布攝像頭幀
3.采用image_proc 進(jìn)行ROS 圖像管道，達(dá)到獲取單色和彩色轉(zhuǎn)換功能
4.訓(xùn)練建立模型、測(cè)試模型、檢驗(yàn)?zāi)Ｐ?#xff0c;提高可靠性

項(xiàng)目名稱(chēng) 人臉圖像解鎖 系統(tǒng)

應(yīng)用環(huán)境

Linux + Python + Pycharm + Tensorflow + Opencv + Numpy + Sklearn
負(fù)責(zé)模塊

圖像預(yù)處理 + 人臉識(shí)別
項(xiàng)目描述
通過(guò) Mean shift 算法對(duì)收集來(lái)的大量 視頻 數(shù)據(jù)進(jìn)行分類(lèi)標(biāo)簽化， 利用 OpenCV 獲取視頻流和提取
視頻針，對(duì)獲取的視頻流使 用 基于 AdaBoost 算法 人臉檢測(cè)模 從中提取相關(guān)的人臉圖像 利用 直方圖
均衡化、歸一化 對(duì)圖像進(jìn)行預(yù)處理操作，形成圖像集并進(jìn)行保存。 當(dāng)用戶再次人臉解鎖時(shí)， 通過(guò)
TensorFlow 對(duì)人臉圖像進(jìn)行識(shí)別與圖像集進(jìn)行比對(duì) ，形成 識(shí)別人臉的效果
項(xiàng)目職責(zé)

對(duì)收集來(lái)的數(shù)據(jù) 進(jìn)行數(shù)據(jù) 預(yù)處理

通過(guò) Opencv 獲取視頻流 ，并通過(guò)模型獲取先關(guān)人臉圖像

對(duì)獲取的圖像 整理成數(shù)據(jù)集

項(xiàng)目名稱(chēng)名稱(chēng) ：： 快遞違禁物品快遞違禁物品識(shí)別識(shí)別

應(yīng)用環(huán)境
應(yīng)用環(huán)境 : Linux + Python + Pycharm : Linux + Python + Pycharm + Opencv + Numpy + Sklearn+ Opencv + Numpy + Sklearn
負(fù)責(zé)模塊
負(fù)責(zé)模塊 :: 圖像識(shí)別圖像識(shí)別
項(xiàng)目描述
項(xiàng)目描述 ::
通過(guò)危險(xiǎn)品掃描圖像集通過(guò)危險(xiǎn)品掃描圖像集對(duì)對(duì)OpencvOpencv所構(gòu)建的顏色邊緣識(shí)別分類(lèi)器模型進(jìn)行訓(xùn)練，獲取危險(xiǎn)品掃描顏所構(gòu)建的顏色邊緣識(shí)別分類(lèi)器模型進(jìn)行訓(xùn)練，獲取危險(xiǎn)品掃描顏色分類(lèi)集。通過(guò)色分類(lèi)集。通過(guò)OpencvOpencv對(duì)對(duì)快遞快遞檢測(cè)檢測(cè)掃描掃描時(shí)的視頻流從中獲取視頻幀時(shí)的視頻流從中獲取視頻幀形成圖片，圖片通過(guò)所訓(xùn)練的模形成圖片，圖片通過(guò)所訓(xùn)練的模型進(jìn)行識(shí)別，獲取物品型進(jìn)行識(shí)別，獲取物品顏色圖片分類(lèi)，再通過(guò)顏色圖片分類(lèi)，再通過(guò)樸素貝葉斯中的徑向基核模型樸素貝葉斯中的徑向基核模型對(duì)物品顏色與危險(xiǎn)品顏色圖對(duì)物品顏色與危險(xiǎn)品顏色圖片集中進(jìn)行比對(duì)，從而判斷是否是違禁物品片集中進(jìn)行比對(duì)，從而判斷是否是違禁物品
項(xiàng)目職責(zé)
項(xiàng)目職責(zé)：：

通過(guò)通過(guò)OpencvOpencv進(jìn)行圖像顏色邊緣識(shí)別和視頻流的獲取進(jìn)行圖像顏色邊緣識(shí)別和視頻流的獲取

整理收集好的圖片形成圖片集整理收集好的圖片形成圖片集

對(duì)新的視頻流中獲取的圖片進(jìn)行與圖片集的比對(duì)對(duì)新的視頻流中獲取的圖片進(jìn)行與圖片集的比對(duì)

項(xiàng)目4 ：門(mén)店收銀臺(tái)實(shí)時(shí)智能監(jiān)督系統(tǒng)

項(xiàng)目描述：
門(mén)店收銀臺(tái)是重點(diǎn)及敏感區(qū)域， 以前總公司對(duì)于收銀臺(tái)的實(shí)時(shí)監(jiān)控是靠專(zhuān)門(mén)的監(jiān)控專(zhuān)員來(lái)做的，無(wú)
法做到24 小時(shí)監(jiān)控，故通過(guò)對(duì)主要關(guān)鍵的不合規(guī)范的行為進(jìn)行采集，訓(xùn)練監(jiān)督，最終開(kāi)發(fā)了可以識(shí)別著
裝不合規(guī)范，長(zhǎng)時(shí)間玩手機(jī)，有無(wú)舉手示意，或存在違規(guī)操作行為的人員，進(jìn)行記錄。
項(xiàng)目職責(zé)：
收集大量的不合規(guī)范的操作行為，并對(duì)這些行為進(jìn)行分析，收集主要的且重要的不合規(guī)范行為；圖像
的壓縮，裁剪，降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器；運(yùn)用OpenCV 獲取USB 攝像頭的視頻流，
運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理，圖片顏色進(jìn)行空間轉(zhuǎn)換后使用色譜直方圖均衡化調(diào)節(jié)圖像亮度，用
TensorFlow 和keras 深度學(xué)習(xí)框架訓(xùn)練識(shí)別模型，采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)
定性。
項(xiàng)目效果：基本實(shí)現(xiàn)了重要不規(guī)范操作行為的抓取記錄。

項(xiàng)目名稱(chēng)：車(chē)牌檢測(cè)與識(shí)別項(xiàng)目

項(xiàng)目描述：
為了管理公司車(chē)輛，阻止外部車(chē)輛進(jìn)入，使公司更加智能方便，在汽車(chē)不作任何改動(dòng)的情況下，實(shí)現(xiàn)汽車(chē)身份
的自動(dòng)登記及驗(yàn)證。
職責(zé)描述：

讀取圖片文件，根據(jù)設(shè)定的閾值和圖片直方圖，找出波峰，用于分隔字符，分隔圖片，從而得到逐個(gè)字符圖
片,采用來(lái)自opencv 的sample，用于svm 訓(xùn)練，定義省份數(shù)據(jù)，訓(xùn)練svm。

進(jìn)行字符識(shí)別，識(shí)別英文字母和數(shù)字和識(shí)別中文，高斯去噪，圖片分辨率調(diào)整，找到圖像邊緣。

確定找出車(chē)牌矩形區(qū)域，目前只支持識(shí)別藍(lán)、綠、黃車(chē)牌。識(shí)別車(chē)牌的字符。

搭建項(xiàng)目主界面。

項(xiàng)目名稱(chēng)：檢測(cè)不符合要求的產(chǎn)品

項(xiàng)目描述：
在Keras 搭建深度CNN，具體過(guò)程分為數(shù)據(jù)讀取、模型構(gòu)造、模型訓(xùn)練、測(cè)試模型
項(xiàng)目職責(zé)：

數(shù)據(jù)集來(lái)自實(shí)時(shí)監(jiān)控中視頻流中的幀數(shù)據(jù)， 首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理， 使用Keras 的
ImageDataGenerator 將不同種類(lèi)的圖片分在不同的文件夾中。
2.進(jìn)行模型構(gòu)建，這里采用了卷積層，池化層，全連接層，采用激活函數(shù)為relu，并采用了Dropout 防止
結(jié)果過(guò)擬合，這里采用的隨機(jī)梯度下降SGD 的優(yōu)化函數(shù)進(jìn)行參數(shù)優(yōu)化，
3.進(jìn)行模型訓(xùn)練，采用fit_generator(相比較于fit 節(jié)省內(nèi)存)進(jìn)行訓(xùn)練，執(zhí)行fit_generator 時(shí)，通過(guò)設(shè)置
一些超參數(shù)進(jìn)行模型優(yōu)化，直至模型訓(xùn)練結(jié)束.
4.最終進(jìn)行調(diào)取模型并進(jìn)行測(cè)試模型。

項(xiàng)目三： 教室的人臉簽到識(shí)別簽到系統(tǒng)

業(yè)務(wù)場(chǎng)景：模型的應(yīng)用
個(gè)人職責(zé)：1、opencv+dlib進(jìn)行視屏采集，從視屏流循環(huán)幀
2、實(shí)時(shí)人臉檢測(cè)（5特征點(diǎn)的人臉檢測(cè)，檢測(cè)灰度幀中的臉）
3、實(shí)時(shí)特征點(diǎn)標(biāo)定（68點(diǎn)特征標(biāo)定）
4、實(shí)時(shí)人臉特征點(diǎn)對(duì)齊
5、實(shí)時(shí)人臉驗(yàn)證，捕獲視屏流，與已注冊(cè)的人臉數(shù)據(jù)對(duì)比，匹配合適的目標(biāo)顯示
姓名
6、實(shí)時(shí)活體檢測(cè)，眨眨眼，張張嘴

項(xiàng)目一：基于CNN的CO2腐蝕類(lèi)型識(shí)別

項(xiàng)目介紹：
針對(duì)CO2腐蝕過(guò)程復(fù)雜、腐蝕類(lèi)型特征難以提取和準(zhǔn)確識(shí)別的問(wèn)題，提出了以腐蝕圖像信息為特征，基于卷積神經(jīng)網(wǎng)絢訓(xùn)練模型的 CO2 腐蝕類(lèi)型識(shí)別方法。以未腐蝕、點(diǎn)腐蝕和均勻腐蝕三種類(lèi)型樣本集構(gòu)建模型，經(jīng)測(cè)試，該方法識(shí)別 CO2 腐蝕類(lèi)型準(zhǔn)確率可達(dá)到96.8%。
負(fù)責(zé)部分：

使用OpenCV對(duì)圖像進(jìn)行裁剪、縮放，利用高斯濾波對(duì)圖像進(jìn)行降噪處理，以及利用直方圖均衡化調(diào)節(jié)圖像亮度作為CNN的輸入；

搭建基于VGGNet的卷積神經(jīng)網(wǎng)絢結(jié)構(gòu)，并訓(xùn)練模型，調(diào)整模型參數(shù)；

評(píng)估模型，測(cè)試訓(xùn)練好的模型。

項(xiàng)目二：HSE監(jiān)控平臺(tái)

項(xiàng)目介紹：
隨著HSE管理體系在化工行業(yè)得到高度認(rèn)可，企業(yè)更加迫切的要求HSE管理理論切實(shí)的落實(shí)到基層生產(chǎn)車(chē)間，因而提出了HSE監(jiān)控平臺(tái)系統(tǒng)的概念：依靠各類(lèi)檢測(cè)儀器儀表獲取所需數(shù)據(jù)信息，在無(wú)人干預(yù)的情況下由計(jì)算機(jī)分析數(shù)據(jù)得出結(jié)論，根據(jù)所得結(jié)論對(duì)控制器、執(zhí)行機(jī)構(gòu)進(jìn)行操作，最終使整個(gè)廠區(qū)各個(gè)部分實(shí)現(xiàn)無(wú)人值守的智能化監(jiān)控。
負(fù)責(zé)部分：
本人參不生產(chǎn)安全視頻監(jiān)控系統(tǒng), 主要負(fù)責(zé)對(duì)化工廠工作區(qū)內(nèi)工作人員安全帽佩帶情況的監(jiān)測(cè)。

使用OpenCV對(duì)圖像進(jìn)行預(yù)處理；

搭建基于AlexNet的卷積神經(jīng)網(wǎng)絢，并進(jìn)行模型訓(xùn)練；

進(jìn)行模型驗(yàn)證并將預(yù)測(cè)結(jié)果反饋給報(bào)警系統(tǒng)以達(dá)到監(jiān)測(cè)效果。

項(xiàng)目三：基于OpenCV對(duì)煤粉細(xì)度與形狀的測(cè)量

項(xiàng)目介紹：
煤粉細(xì)度是燃燒優(yōu)化控制的核心參數(shù)之一。在電廠運(yùn)行中，煤粉細(xì)度會(huì)直接影響到丌完全燃燒熱損失不磨煤機(jī)耗能。對(duì)于煤粉細(xì)度信息的測(cè)量，當(dāng)前國(guó)內(nèi)電廠在實(shí)際中大部分仍采用篩分法。該方法統(tǒng)計(jì)時(shí)間長(zhǎng)，結(jié)果穩(wěn)定性差，且無(wú)法得出煤粉的形狀信息。本項(xiàng)目采用圖像測(cè) 量法制作煤粉圖像監(jiān)測(cè)設(shè)備，基于OpenCV 視覺(jué)庫(kù)開(kāi)發(fā)軟件對(duì)電廠風(fēng)煤粉的細(xì)度和形狀信息進(jìn)行測(cè)量分析。
負(fù)責(zé)部分：

使用OpenCV對(duì)圖像進(jìn)行裁剪、縮放，利用高斯濾波對(duì)圖像進(jìn)行降噪處理；

利用matplotlib繪制煤粉細(xì)度不燃燒熱的相關(guān)圖像。

項(xiàng)目三： 臉部識(shí)別與任務(wù)分配

軟件環(huán)境： Linux + Python + Pycharm +Tensorflow+ Numpy + Matplotlib 項(xiàng)目
描述：
利用檢測(cè)人臉的臉部笑容，生成的微笑指數(shù)，對(duì)今天員工的工作情況的統(tǒng)計(jì)，記
錄每天早上微笑程度，及今天的工作效率，進(jìn)行針對(duì)性的能夠完成的工作量的大體
統(tǒng)計(jì)，通過(guò)長(zhǎng)期統(tǒng)計(jì)分析公司的各個(gè)部門(mén)工作效率，并作為公司一段時(shí)間的工作量
的參考，進(jìn)而合理分配工作任務(wù)（主要針對(duì)生產(chǎn)環(huán)境）。并通知其領(lǐng)導(dǎo)進(jìn)行針對(duì)性
輔導(dǎo)，項(xiàng)目涉及到深度學(xué)習(xí)框架tensorflow, 基于CNN 和經(jīng)典機(jī)器學(xué)習(xí)模型。
項(xiàng)目職責(zé)：
1，前期數(shù)據(jù)規(guī)整，對(duì)圖像的標(biāo)注，圖像主要特征的提取，圖形分形特征的描述性研
究。
2，利用深度學(xué)習(xí)框架tensorflow 搭建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)分析選擇合適的訓(xùn)練集
和合適的超參數(shù)，完成卷積網(wǎng)絡(luò)的訓(xùn)練。
3，完成基于特征矩陣，分形特征、PCA 和SVM 模型，具體模型的參數(shù)調(diào)整，訓(xùn)
練集，開(kāi)發(fā)集，測(cè)試集的確定，不同模型的偏差和方差分析，逐步改進(jìn)模型。

項(xiàng)目一 零件 編號(hào)的識(shí)別

機(jī)械設(shè)計(jì)部門(mén)需要將設(shè)計(jì)圖紙交予加工廠生產(chǎn)機(jī)械零部件
每張圖紙都會(huì)有自己的
編號(hào) 零件編號(hào)由字母和數(shù)字構(gòu)成 加工廠將每個(gè)零件編號(hào)粘貼到零件表面 加工廠將零
部件加工完后 需要進(jìn)行產(chǎn)品零部件的出入庫(kù) 出入庫(kù)需要將零部件的編號(hào)和數(shù)量輸入
excel 此項(xiàng)目解決了這個(gè)問(wèn)題
職責(zé)描述

讀取圖片文件，分隔圖片，從而得到逐個(gè)字符圖片 字符 校正 。
2.
對(duì)分割后的圖片進(jìn)行圖像預(yù)處理 選用算法 用 訓(xùn)練集訓(xùn)練模型 。
3.
用測(cè)試集進(jìn)行測(cè)試 并 優(yōu)化模型
4.
將識(shí)別的字符存入 excel
5
參與 主界面的搭建

項(xiàng)目二 產(chǎn)品正反面識(shí)別

公司主營(yíng)晶體的生產(chǎn)和打包銷(xiāo)售
打包過(guò)程時(shí)要求所有的晶體產(chǎn)品上下面保持一致 由
于晶體尺寸過(guò)小數(shù)量過(guò)多 靠人工來(lái)反轉(zhuǎn)不能滿足生產(chǎn)的需求 需要一個(gè)識(shí)別軟件 來(lái)識(shí)別
晶體的正反面 并通過(guò)其他軟件控制機(jī)械部分將其反轉(zhuǎn)
職責(zé)描述
1.
圖片預(yù)處理
2.
采用 opencv 庫(kù) 的 平均哈希法 獲取圖片信息指紋
3.
最后比對(duì)兩張圖片的指紋，獲得漢明距離
4.
判斷明漢距離
5.
明漢距離差距過(guò)大 將 信號(hào)傳遞給機(jī)械部分進(jìn)行翻轉(zhuǎn)

一 、 人臉識(shí)別打卡考勤

項(xiàng)目描述
傳統(tǒng)的打卡、刷卡為代表的考勤產(chǎn)品，存在著替代打卡，效率低下，不宜統(tǒng)計(jì)，管理和使用
維護(hù)成 本高等弊端。指紋識(shí)別產(chǎn)品在考勤中大規(guī)模應(yīng)用，部分解決了代打卡問(wèn)題。但是在出汗，手指破
皮等情 況下識(shí)別度偏低。因此研發(fā)人臉識(shí)別打卡考勤系統(tǒng)
個(gè)人職責(zé)
圖像壓縮、剪裁，圖像降噪處理，創(chuàng)建模型，調(diào)試參數(shù)。
所用技術(shù)
1.
基于 OpenCV 獲取攝像頭視頻流，運(yùn)用中值濾波對(duì)圖像進(jìn)行降噪
2.
將圖片做灰度處理，并利用直方圖均衡化調(diào)節(jié)圖像亮度
3.
使用哈爾級(jí)聯(lián)定位人臉，形成輸入輸出
4.
創(chuàng)建局部二值模式直方圖模型，對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練

項(xiàng)目名稱(chēng)：字符條形碼的識(shí)別系統(tǒng)

項(xiàng)目描述：通過(guò)采集電芯表面的字符條形碼，經(jīng)過(guò)圖像預(yù)處理，字符分割，最后
使用BP 神經(jīng)網(wǎng)絡(luò)得到字符編碼信息，用來(lái)追蹤產(chǎn)品信息。
個(gè)人職責(zé)：圖像預(yù)處理，BP 神經(jīng)網(wǎng)絡(luò)模型搭建與優(yōu)化。
所用技術(shù)：

圖像預(yù)處理：圖像采集，采用中值濾波器對(duì)采集到的圖像進(jìn)行平滑濾
波，去除噪聲，通過(guò)Canny 邊緣檢測(cè)和膨脹處理得到圖像的輪廓；

在圖像的傾斜校正和噪聲的進(jìn)一步去除的基礎(chǔ)上，運(yùn)用垂直投影的字
符分割方法，將字符分割出來(lái)；

采用BP 神經(jīng)網(wǎng)絡(luò)對(duì)得到的大量字符進(jìn)行訓(xùn)練，得到合適的神經(jīng)網(wǎng)絡(luò)
模型，對(duì)新的字符識(shí)別并保存；

使用生成的識(shí)別系統(tǒng)應(yīng)用于條形碼字符識(shí)別，達(dá)到追蹤產(chǎn)品信息的目
的。

項(xiàng)目名稱(chēng)：卷芯表面貼膠檢測(cè)識(shí)別

項(xiàng)目描述：采集生產(chǎn)調(diào)試中的卷芯表面貼膠照片，經(jīng)過(guò)圖像預(yù)處理，隱馬爾科夫
模型構(gòu)建，識(shí)別卷芯表面有無(wú)貼膠，規(guī)范生產(chǎn)。
個(gè)人職責(zé)：提取圖像特征矩陣，隱馬爾科夫模型創(chuàng)建。
所用技術(shù)：

基于OpenCV 對(duì)圖像尺寸轉(zhuǎn)換、裁剪，運(yùn)用高斯濾波對(duì)圖像進(jìn)行降噪
處理。

將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度；

利用STAR 特征提取和SIFT 算法的結(jié)合，提取圖像特征值矩陣；

創(chuàng)建隱馬爾科夫模型，根據(jù)該模型的Score 值比較，確定卷芯表面是
否貼膠。

項(xiàng)目名稱(chēng)：圖像識(shí)別在電芯激光封口焊縫檢測(cè)中的應(yīng)用

項(xiàng)目描述：采用CCD 攝像機(jī)作為焊縫檢測(cè)的傳感器，抓取焊縫成形圖像，引入
計(jì)算機(jī)處理和機(jī)器視覺(jué)技術(shù)，進(jìn)行圖像處理，通過(guò)對(duì)焊縫表面形貌的
識(shí)別，進(jìn)而進(jìn)行產(chǎn)品檢測(cè)，提高產(chǎn)品合格率。
個(gè)人職責(zé)：圖像的特征提取，目標(biāo)識(shí)別與模板判斷。

所用技術(shù)：

采用高斯濾波。

利用Canny 算法對(duì)圖像進(jìn)行邊緣檢測(cè)；

采用HOG 算法提取圖像特征，特征向量主要借助圖像輪廓的提取完
成；

SVM 分類(lèi)器。

辦公樓人臉識(shí)別打卡系統(tǒng)

項(xiàng)目
描述
為員工采集人臉圖像庫(kù)，采集人臉特征，進(jìn)行機(jī) 器學(xué)習(xí)并將學(xué)習(xí)生成的模型保存。攝像頭
每秒采集一次圖像，通過(guò) opencv 定位每張圖像中的人臉，將人臉的特征傳遞給已經(jīng)訓(xùn)練好的
訓(xùn)練模型，測(cè)試該人臉是否存在， 簽到 成功 并 記錄 簽到 時(shí)間
所用技術(shù)：
Lniux + Python + OpenCV + Numpy + sklearn + OS
實(shí)現(xiàn)
方式 選擇 使用 OpenCV 的局部二值模式做人臉識(shí)別模型
完成基礎(chǔ)代碼，處理訓(xùn)練集圖片得到訓(xùn)練的輸入和輸出
對(duì)訓(xùn)練集進(jìn)行訓(xùn)練并將得到的模型保存
測(cè)試攝像頭采集的人臉圖像與訓(xùn)練好的模型進(jìn)行匹配

人臉識(shí)別打卡考勤

項(xiàng)目描述
傳統(tǒng)的打卡、刷卡為代表的考勤產(chǎn)品，存在著替代打卡，效率低下，不宜統(tǒng)計(jì)，管理和使用維護(hù)成
本高等弊端。指紋識(shí)別產(chǎn)品在考勤中大規(guī)模應(yīng)用，部分解決了代打卡問(wèn)題。但是在出汗，手指破皮等情
況下識(shí)別度偏低。因此研發(fā)人臉識(shí)別打卡考勤系統(tǒng)

個(gè)人職責(zé)
圖像壓縮、剪裁，圖像降噪處理，創(chuàng)建模型，調(diào)試參數(shù)。
所用技術(shù)

基于OpenCV 獲取攝像頭視頻流，運(yùn)用中值濾波對(duì)圖像進(jìn)行降噪

將圖片做灰度處理，并利用直方圖均衡化調(diào)節(jié)圖像亮度

使用哈爾級(jí)聯(lián)定位人臉，形成輸入輸出

創(chuàng)建局部二值模式直方圖模型，對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練

無(wú)人值守停車(chē)場(chǎng)（區(qū)分車(chē)型）

項(xiàng)目描述
區(qū)分車(chē)型，將三輪車(chē)與摩托車(chē)單獨(dú)定義收費(fèi)規(guī)則；
區(qū)分車(chē)型（小車(chē)，客車(chē)），單獨(dú)定義收費(fèi)規(guī)則。
個(gè)人職責(zé)
圖像恢復(fù)，圖像降噪處理，創(chuàng)建模型，調(diào)試參數(shù)。
所用技術(shù)

利用公式將圖像去模糊恢復(fù)

使用邊緣檢測(cè)法將目標(biāo)車(chē)輛從背景中分離

將圖片二值化后通過(guò)貝葉斯分類(lèi)器實(shí)現(xiàn)智能識(shí)別

無(wú)人值守停車(chē)場(chǎng)（識(shí)別車(chē)牌）

項(xiàng)目描述
自動(dòng)識(shí)別停車(chē)場(chǎng)進(jìn)入車(chē)輛的車(chē)牌號(hào)，并識(shí)別。節(jié)省時(shí)間和人工成本。
個(gè)人職責(zé)
圖像預(yù)處理，圖像分割，利用已經(jīng)創(chuàng)建好的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)并驗(yàn)證
所用技術(shù)

前期圖像預(yù)處理：圖像增強(qiáng)，二值化，邊緣檢測(cè)，濾波和膨脹等

邊緣檢測(cè)法定位車(chē)牌位置

將圖片二值化，采用投影分割的方法將字符分割

采用改進(jìn)后的ＢＰ神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別操作

畢業(yè)生信息錄入

項(xiàng)目描述
畢業(yè)生需要錄入銀行卡號(hào)信息。學(xué)校采用學(xué)生上傳圖片，自動(dòng)識(shí)別銀行卡信息
個(gè)人職責(zé)
圖像壓縮、剪裁，圖像降噪處理，創(chuàng)建模型，調(diào)試參數(shù)。
所用技術(shù)
１． 讀入模板圖片，并對(duì)模板預(yù)處理，將模板輪廓放入集合
２． 讀入待處理圖片，進(jìn)行剪裁，灰度，禮帽操作
３． 利用Sobel 算子，圖像梯度計(jì)算，進(jìn)行邊緣檢測(cè)
４． 進(jìn)行閉操作和自適應(yīng)閾值，畫(huà)出輪廓
５． 遍歷每一個(gè)輪廓數(shù)字，并計(jì)算輪廓中的每一個(gè)數(shù)字的值

北京陌陌信息技術(shù)有限公司平臺(tái)技術(shù)部（算法工程師）

業(yè)務(wù)場(chǎng)景：視頻場(chǎng)景三維重構(gòu)項(xiàng)目，致力于開(kāi)發(fā)三維虛擬場(chǎng)景的落地應(yīng)用，提升用戶體驗(yàn)；
本人在項(xiàng)目中主要負(fù)責(zé)視頻的序列模式識(shí)別訓(xùn)練任務(wù)，為三維重構(gòu)提供預(yù)測(cè)支持；
主要負(fù)責(zé)內(nèi)容：
? 制定項(xiàng)目實(shí)施方案（預(yù)期目標(biāo)，可能存在的風(fēng)險(xiǎn)等）；
? Python+opencv 實(shí)現(xiàn)視頻的光流樣本提取，并完成樣本數(shù)據(jù)的擴(kuò)充；
? Python，Tensorflow，keras 實(shí)現(xiàn)分類(lèi)任務(wù)的訓(xùn)練（參數(shù)選擇，網(wǎng)絡(luò)結(jié)構(gòu)選擇）；
? 基于Tensorflow Lite 的輕量級(jí)模型轉(zhuǎn)換，轉(zhuǎn)換后的模型便于在移動(dòng)設(shè)備上實(shí)施部署。
? 基于C++和opencv 實(shí)現(xiàn)ios 端測(cè)試樣本的輸入和預(yù)處理，完成模型的加載與測(cè)試過(guò)程。
并進(jìn)行PC 端和IOS 端數(shù)值輸入輸出一致性驗(yàn)證；
? 協(xié)同團(tuán)隊(duì)配合完成模型的測(cè)試和迭代工作。

被動(dòng)毫米波人體違禁品實(shí)時(shí)目標(biāo)檢測(cè)[科研項(xiàng)目] 核心算法

項(xiàng)目介紹：大客流安檢急需一種能夠快速實(shí)現(xiàn)乘客安檢的解決方案，該研究項(xiàng)目基于毫米
波具有透過(guò)衣物成像的能力，利用傳感器融合和圖像識(shí)別技術(shù)致力于提高人體安檢時(shí)的通
過(guò)效率。
主要負(fù)責(zé)內(nèi)容:
? 實(shí)現(xiàn)毫米波安檢影像人體攜帶違禁品的實(shí)時(shí)目標(biāo)檢測(cè)。
? 毫米波影像數(shù)據(jù)采集，預(yù)處理包括裁剪，去噪，灰度歸一化等。
? 基于sklearn 的k-means 和GMM 模型的聚類(lèi)學(xué)習(xí)。
? 基于Yolov2,Yolov3 的目標(biāo)檢測(cè)模型訓(xùn)練，評(píng)估和測(cè)試。

北京陌陌信息技術(shù)有限公司平臺(tái)技術(shù)部（算法工程師）

業(yè)務(wù)場(chǎng)景: 項(xiàng)目主要為了提升直播平臺(tái)主播和用戶之間在互動(dòng)效果，利用深度學(xué)習(xí)技術(shù)增
強(qiáng)直播過(guò)程中主播和用戶之間的互動(dòng)效果，基于手勢(shì)識(shí)別模型的特效生成。
主要負(fù)責(zé)內(nèi)容:
? 手勢(shì)樣本數(shù)據(jù)采集和預(yù)處理，包括比心、點(diǎn)贊、關(guān)注等類(lèi)別。
? 基于Pytorch 深度學(xué)習(xí)框架的分類(lèi)模型訓(xùn)練，評(píng)估和測(cè)試。
? 協(xié)同團(tuán)隊(duì)配合完成模型的線上維護(hù)和模型迭代。
? 通過(guò)反饋分析漏檢樣本和現(xiàn)有樣本的差異性，并在下次迭代過(guò)程中加入差異性特征樣
本提升模型識(shí)別精度。

基于層析SAR 的城市三維重構(gòu)[科研項(xiàng)目] 核心算法

項(xiàng)目介紹：城市大范圍沉降監(jiān)測(cè)對(duì)于城市發(fā)展與規(guī)劃至關(guān)重要，該項(xiàng)目主要利用新型的層
析SAR 手段針對(duì)北京地區(qū)進(jìn)行大范圍三層重構(gòu)，實(shí)現(xiàn)大范圍的沉降監(jiān)測(cè)。實(shí)現(xiàn)城市大范
圍的三維重構(gòu)，便于進(jìn)行城市大范圍的沉降監(jiān)測(cè)。
? 獲取城市的雷達(dá)影像數(shù)據(jù)。
? 基于層析成像原理，利用python 實(shí)現(xiàn)城市建筑物等三維重構(gòu)，并進(jìn)行仿真驗(yàn)證。
? 研究探索層析SAR 三維重構(gòu)算法的精度驗(yàn)證方法；

項(xiàng)目名稱(chēng)：車(chē)牌檢測(cè)與識(shí)別項(xiàng)目

項(xiàng)目描述：
為了管理公司車(chē)輛，阻止外部車(chē)輛進(jìn)入，使公司更加智能方便，在汽車(chē)不作任何改動(dòng)的情況下，實(shí)現(xiàn)汽車(chē)身份的
自動(dòng)登記及驗(yàn)證。
職責(zé)描述：

讀取圖片文件，根據(jù)設(shè)定的閾值和圖片直方圖，找出波峰，用于分隔字符，分隔圖片，從而得到逐個(gè)字符圖片,采
用來(lái)自opencv 的sample，用于svm 訓(xùn)練，定義省份數(shù)據(jù)，訓(xùn)練svm。

進(jìn)行字符識(shí)別，識(shí)別英文字母和數(shù)字和識(shí)別中文，高斯去噪，圖片分辨率調(diào)整，找到圖像邊緣。

確定找出車(chē)牌矩形區(qū)域，目前只支持識(shí)別藍(lán)、綠、黃車(chē)牌。識(shí)別車(chē)牌的字符。

搭建項(xiàng)目主界面。

項(xiàng)目名稱(chēng)：檢測(cè)不符合要求的產(chǎn)品

項(xiàng)目描述：
在Keras 搭建深度CNN，具體過(guò)程分為數(shù)據(jù)讀取、模型構(gòu)造、模型訓(xùn)練、測(cè)試模型
職責(zé)描述：

數(shù)據(jù)集來(lái)自實(shí)時(shí)監(jiān)控中視頻流中的幀數(shù)據(jù)， 首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理， 使用Keras 的
ImageDataGenerator 將不同種類(lèi)的圖片分在不同的文件夾中。
2.進(jìn)行模型構(gòu)建，這里采用了卷積層，池化層，全連接層，采用激活函數(shù)為relu，并采用了Dropout 防止
結(jié)果過(guò)擬合，這里采用的隨機(jī)梯度下降SGD 的優(yōu)化函數(shù)進(jìn)行參數(shù)優(yōu)化，
3.進(jìn)行模型訓(xùn)練，采用fit_generator(相比較于fit 節(jié)省內(nèi)存)進(jìn)行訓(xùn)練，執(zhí)行fit_generator 時(shí)，通過(guò)設(shè)置
一些超參數(shù)進(jìn)行模型優(yōu)化，直至模型訓(xùn)練結(jié)束.
4.最終進(jìn)行調(diào)取模型并進(jìn)行測(cè)試模型。

項(xiàng)目1 自適應(yīng)HCS-LBP特征的行人檢測(cè)

項(xiàng)目環(huán)境: MATLAB + Ubuntu + C++ + 自適應(yīng)HCS-LBP算子 + HIKSVM。
項(xiàng)目描述: 該項(xiàng)目用以解決 LBP用于行人檢測(cè)時(shí)，直方圖維數(shù)過(guò)高，人為閾值主觀性較強(qiáng)，造成局部描述能力較差的問(wèn)題。
主要工作：構(gòu)造HCS-LBP特征編碼方法減少編碼長(zhǎng)度，利用積分圖像法快速計(jì)算，引入灰度級(jí)概率與高斯矩陣獲取圖像的
自適應(yīng)閾值；令中心像素參與編碼，通過(guò)信息熵確定不同子塊的權(quán)重；使用直方圖交叉核支持向量機(jī)(HIKSVM)訓(xùn)練樣本。

項(xiàng)目2 融合共生關(guān)系與矩陣式級(jí)聯(lián)分類(lèi)器的行人檢測(cè)

項(xiàng)目環(huán)境: Python + Ubuntu + ICoHOG特征 + CoLQC特征 + 矩陣式級(jí)聯(lián)分類(lèi)器。
項(xiàng)目描述: 該項(xiàng)目結(jié)合LBC運(yùn)算簡(jiǎn)單高效與HOG對(duì)光照變化和偏移不敏感等特點(diǎn)，改進(jìn)或設(shè)計(jì)特征編碼，以解決量化等級(jí)過(guò)
低，舍棄局部結(jié)構(gòu)，易受較強(qiáng)豎直條紋或混亂邊緣的影響的局限性。
主要工作: 提出兩種局部特征描述子-共生局部量化編碼(CoLQC)與改進(jìn)共生方向梯度直方圖(ICoHOG)，以增強(qiáng)圖像紋理特
征的描述能力，對(duì)光照、旋轉(zhuǎn)和偏移具備更強(qiáng)的魯棒性；采用矩陣式級(jí)聯(lián)分類(lèi)器進(jìn)行分類(lèi)訓(xùn)練，對(duì)正負(fù)樣本進(jìn)行自適應(yīng)選取，
壓縮有效樣本的選擇范圍，增加樣本復(fù)雜度，提升了級(jí)聯(lián)分類(lèi)器的檢測(cè)性能。

項(xiàng)目4 智能門(mén)禁系統(tǒng)

項(xiàng)目環(huán)境: Python + OpenCV + TensorFlow + AlexNet + Ubuntu
項(xiàng)目描述: 為小區(qū)提供具備人臉識(shí)別功能的智能門(mén)禁系統(tǒng)，解放業(yè)主雙手，提升小區(qū)的科技氛圍。
主要工作: 負(fù)責(zé)人臉檢測(cè)模塊: 改進(jìn)AlexNet模型的網(wǎng)絡(luò)結(jié)構(gòu)，三層全連接層修改為卷積層，設(shè)置輸出為二分類(lèi)，以滿足人臉
檢測(cè)的業(yè)務(wù)需求，采集數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行清洗去重，裁剪分割，翻轉(zhuǎn)鏡像等處理，利用Opencv標(biāo)注人臉，訓(xùn)練模型，分
析結(jié)果，優(yōu)化參數(shù)。利用滑動(dòng)窗口法與最大值抑制進(jìn)行人臉檢測(cè)。

貨車(chē)不進(jìn)站抓拍系統(tǒng)，已在山西晉中董榆線安裝

項(xiàng)目描述：山西多煤車(chē)，為利益不惜違法超載，正常煤車(chē)重40噸以?xún)?nèi)，而超重可達(dá)60噸，嚴(yán)重威脅公路安
全。同時(shí)因治超站多不在公路主線，需從引道進(jìn)入，所以很多違法車(chē)輛闖卡，造成國(guó)家稅費(fèi)流失也造成很多公
路事故。貨車(chē)不進(jìn)站（治超站）抓拍系統(tǒng)，對(duì)闖卡不進(jìn)站檢測(cè)的貨車(chē)進(jìn)行抓拍處罰，有針對(duì)性地解決了由于警
力不足導(dǎo)致貨車(chē)闖卡嚴(yán)重的問(wèn)題，為下一步治超提供良好的基礎(chǔ)。
系統(tǒng)主要由以下幾部分組成：視頻監(jiān)控及抓拍系統(tǒng)、立桿/標(biāo)志標(biāo)牌警示、道路標(biāo)線噴涂。
項(xiàng)目職責(zé)：1.抓拍系統(tǒng)車(chē)牌識(shí)別 2.數(shù)據(jù)庫(kù)設(shè)計(jì) 3.軟件API編寫(xiě) 4.算法優(yōu)化 5.版本迭代

人臉識(shí)別系統(tǒng)(2018.12-2019.06)

項(xiàng)目描述:基于Tensorflow 框架，實(shí)現(xiàn)MTCNN 模型的人臉識(shí)別系統(tǒng)
主要職責(zé)：1、取候選窗，生成訓(xùn)練圖片；2、通過(guò)P-Net、R_Net、O_Net 對(duì)人臉進(jìn)行識(shí)別和定位；3、
使用Tensorflow 搭建MTCNN 網(wǎng)絡(luò)模型；4、訓(xùn)練模型并改進(jìn)和提高模型可靠性和穩(wěn)定性；

圖片分類(lèi)系統(tǒng)(2018.07-2018.10)

項(xiàng)目描述: 基于Tensorflow 框架，CNN 模型對(duì)圖片進(jìn)行分類(lèi)程序
主要職責(zé)：1、整理數(shù)據(jù)，生成數(shù)據(jù)集；2、使用Tensorflow 搭建神經(jīng)卷積網(wǎng)絡(luò)模型，用softmax 做分類(lèi)；
3、通過(guò)對(duì)參數(shù)、學(xué)習(xí)速率完成最優(yōu)模型，并保存模型；

Fast-RCNN 車(chē)輛分類(lèi)系統(tǒng)(2018.02-2018.05)

項(xiàng)目描述: 基于tensorflow，RCNN 實(shí)現(xiàn)對(duì)車(chē)種類(lèi)的分類(lèi)
主要職責(zé)：1、處理數(shù)據(jù)，將mat 文件制作成xml 標(biāo)注文件；2、定義Alex_Net 模型；3、進(jìn)行各類(lèi)模
型的訓(xùn)練與測(cè)試；

智能掛號(hào)系統(tǒng)(2017.10-2017.12)

項(xiàng)目描述: 采用人臉識(shí)別的方式，對(duì)患者進(jìn)行掛號(hào)分流，能夠盡快就醫(yī)
主要職責(zé)：1、對(duì)圖像進(jìn)行降噪處理及灰度處理，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度；2、采用交叉
驗(yàn)證模塊、網(wǎng)格搜索，提升模型的可靠度和穩(wěn)定性；3、通過(guò)身份證返回的圖像進(jìn)行識(shí)別驗(yàn)證；

項(xiàng)目名稱(chēng)：人臉識(shí)別驗(yàn)證

項(xiàng)目描述：
使用 caffe 框架實(shí)現(xiàn)對(duì)不同尺寸大小的人臉圖像進(jìn)行識(shí)別
開(kāi)發(fā)環(huán)境：
python+numpy+ os+sys+O pencv+ Caffe+matplotlib+alexnet
項(xiàng)目職責(zé)：
一
獲取數(shù)據(jù)并進(jìn)行預(yù)處理

在 FDDB Face detection Benchmark 上下載人臉圖像數(shù)據(jù)，使用 opencv 根據(jù)坐標(biāo)對(duì)圖像進(jìn)行人臉裁剪，作為
正樣本，對(duì)圖片其它位置裁剪作為負(fù)樣本，分別存儲(chǔ) 0 和 1 文件夾中，放在 train 目錄下，驗(yàn)證集圖片存儲(chǔ)在 val 目錄下；

提取 train 和 val 目錄下文件名稱(chēng)，生成 train.txt 和 val.txt
二
. 制作 LMDB 數(shù) 據(jù)源

根據(jù) create_imagenet.sh 改寫(xiě) DATA,TOOLS,EXAMPLE 及 resize 等生成新的 face_lmdb.sh

執(zhí)行 face_lmdb.sh 生成 lmdb 數(shù)據(jù)源
三
. 訓(xùn)練 AlexNet 網(wǎng)絡(luò)

根據(jù) AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)改寫(xiě) train_val.prototxt

改寫(xiě) solver.prototxt 以及 train.sh 指定 caffe 安裝目錄及 solver.prototxt 目錄位置

運(yùn)行 train.sh 開(kāi)始訓(xùn)練網(wǎng)絡(luò)并保存模型
四
. 測(cè)試網(wǎng)絡(luò)

寫(xiě)函數(shù)定義全卷積網(wǎng)絡(luò) caffe.Net(deploy_fully_conv.prototxt, caffemodel,caffe.Test

使用 opencv 讀取圖片，定義圖片收縮比， while 收取 scale 的 list ，然后遍歷 scale_list ，使用 resize 修改尺寸，
然后保存修改圖片，使用 caffe.io.load_image( path 讀取圖片

修改數(shù)據(jù)層net_full_conv.blobs[‘data’] 為標(biāo)準(zhǔn)格式(bach,chanel,h,w),然后對(duì)transformer進(jìn)行預(yù)處理(1. set_mean() 2. set_transpose 3.set_chanel_swap 4. set_raw_scale ) 4. 輸入數(shù)據(jù)預(yù)處理完成，進(jìn)行net_full_conv的forward_all() 5. 定義滑動(dòng)窗口，遍歷featureMap,通過(guò)特征圖的坐標(biāo)映射變換(stride*y)/scale,得到原始圖的滑動(dòng)窗口
6.
然后對(duì)滑動(dòng)窗口使用 nms IoU 超過(guò)閾值去除滑動(dòng)窗口，然后使用 cv2.rect angle 畫(huà)出人臉矩形并顯示

地震屬性圖像砂體識(shí)別

軟件環(huán)境：
Linux + Python + Pycharm +Tensorflow + Numpy
項(xiàng)目描述
地震屬性圖像的優(yōu)選一直以來(lái)是人為的經(jīng)驗(yàn)篩選，耗時(shí)大，精度受限于工作人員的知識(shí)儲(chǔ)備。
項(xiàng)目的目標(biāo)是通過(guò)比較不同的圖像識(shí)別技術(shù)，建立適合于地震屬性圖像背景噪音大、圖像數(shù)量中
等、坐標(biāo)數(shù)據(jù)點(diǎn)密集特征的優(yōu)選方案。
項(xiàng)目 涉及到深度學(xué)習(xí)框架 tensorflow, 圖像處理框架 OPenCV
和經(jīng)典機(jī)器學(xué)習(xí)模型。
項(xiàng)目職責(zé)
1
前期數(shù)據(jù)規(guī)整，地震屬性 圖像的標(biāo)注， 圖像 主要 特征的提取 ，圖形分形特征的描述 性研究 。
2
完成基于特征矩陣和隱馬爾科夫模型，基于分形特征、 PCA 和 SVM 模型，具體模型的參
數(shù)調(diào)整，訓(xùn)練集，開(kāi)發(fā)集，測(cè)試集的確定，不同模型
的偏差和方差分析，逐步改進(jìn)模型 。
3
，利用 深度學(xué)習(xí)框架 tensorflow 搭建 卷積神經(jīng)網(wǎng)絡(luò) 完成 GitHub 開(kāi)源深度網(wǎng)絡(luò)的遷移學(xué)習(xí)。
根據(jù)偏差和方差分析選擇合適的訓(xùn)練集和合適的超參數(shù)，完成卷積網(wǎng)絡(luò)的訓(xùn)練。

人臉識(shí)別打卡考勤系統(tǒng) 4個(gè)月

項(xiàng)目介紹：傳統(tǒng)的以打卡、刷卡為代表的考勤產(chǎn)品，存在著替代打卡，效率低下，不易統(tǒng)計(jì)，管理和使用維
護(hù)成本高等弊端。 指紋識(shí)別產(chǎn)品在考勤中的大規(guī)模應(yīng)用，部分解決了代打卡的問(wèn)題，但是在出汗， 手指破皮等情況下識(shí)別度偏低。因此我們策劃了人臉識(shí)別打卡考勤系統(tǒng)。

個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，創(chuàng)建模型，調(diào)試參數(shù)
所用技術(shù)：1. 基于OpenCV獲取攝像頭的視頻流，運(yùn)用中值濾波medfilter2對(duì)圖像進(jìn)行去燥處理

將原圖用cvtColor做灰度處理，使用equalizeHist做直方圖均衡化調(diào)節(jié)圖像亮度

使用哈爾級(jí)聯(lián)CascadeClassifier定位人臉，作為訓(xùn)練集輸入，取出標(biāo)簽作為輸出

創(chuàng)建局部二值模式直方圖(LBPH)模型，輸入數(shù)據(jù)進(jìn)行訓(xùn)練

使用測(cè)試集進(jìn)行測(cè)試，正確率達(dá)98%

幼兒園家長(zhǎng)識(shí)別系統(tǒng)

項(xiàng)目描述
為學(xué)生及家長(zhǎng)采集人臉圖像庫(kù) ，采集人臉特征 進(jìn)行機(jī)器學(xué)習(xí)并將學(xué)習(xí) 生 成的模型保存 。攝像頭每秒采集一
次圖像 ，通過(guò) OpenCV 定位每張圖像中的人臉 ，將人臉的 特征傳遞給已經(jīng)訓(xùn)練好的訓(xùn)練模型 ，檢測(cè) 該人臉是否
存在 ，通過(guò)標(biāo)簽確定 人物 信息 。
所用技術(shù)
Linux + Pytho n +OpenCV numpy +sklearn + os

實(shí)現(xiàn)方式
編寫(xiě) Open CV 的二 值模式的基本代碼 使代碼能夠穩(wěn)定運(yùn)行
利用分類(lèi)器提取圖像庫(kù)的人臉 ，并為每一位家長(zhǎng)的人臉添加標(biāo)簽
確定訓(xùn)練集的輸入和輸出 ，利用隱馬模型進(jìn)行機(jī)器學(xué)習(xí)
通過(guò)調(diào)整參數(shù)進(jìn)行優(yōu)化 根據(jù) 飲馬模型的置信概率 確定結(jié)果

人流量性別統(tǒng)計(jì)

項(xiàng)目描述
統(tǒng)計(jì)每天的人流量 及性別比例 方便商場(chǎng) 根據(jù)客戶性別提供合適的商品 ，因此 設(shè)計(jì)該人流及性別統(tǒng)計(jì)系
統(tǒng) 。通過(guò)大量訓(xùn)練圖像庫(kù)中的男女圖像 ，生成分辨性別的模型 。
所用技術(shù)
linux + opencv + numpy + sklearn + mysql + python
實(shí)現(xiàn)方式
編寫(xiě) OpenCV 的二值模式的基本代碼 ，確保代碼穩(wěn)定運(yùn)行
利用分類(lèi)器提取圖像中的 人 像 ，生成訓(xùn)練所需的數(shù)據(jù)集
調(diào)整分類(lèi)器中的擴(kuò)展因數(shù) ，人像尺寸等參數(shù) 使提取的人像更加準(zhǔn)確
為人像添加標(biāo)簽 確定訓(xùn)練集的輸入和輸出
計(jì)算機(jī)利用訓(xùn)練集進(jìn)行機(jī)器學(xué)習(xí)并不斷優(yōu)化 ，生成最終的模型并保存

皮帶輸送機(jī)工作狀態(tài) 分析

項(xiàng)目描述
對(duì) 輸送機(jī)工作 過(guò)程中 的音頻進(jìn)行收集 。 對(duì) 音頻 進(jìn)行處理 分析 輸送機(jī)的是否處于正常工作狀態(tài) ，以及是
否可以繼續(xù)工作 。
實(shí)現(xiàn)
方式
使用 scipy .io.wavfi le 的方法提 取 音頻文件
整理音頻 數(shù)據(jù)
使用傅里葉變換 將音頻轉(zhuǎn)化為頻域 ，尋找 特征
獲取到梅爾頓頻率倒譜系數(shù) MFCC 矩陣
創(chuàng)建 隱馬爾可夫模型并用該模型的 score 值比較 ，分析工作安 全性

項(xiàng)目1： 案件處理情況的圖譜繪制與總結(jié)一年

項(xiàng)目描述： 每個(gè)季度需要匯報(bào)13 個(gè)市區(qū)縣和23 個(gè)派出所案件處理的情況報(bào)告，而表格報(bào)告
由于大的數(shù)據(jù)量極大占用領(lǐng)導(dǎo)時(shí)間，于是繪制各個(gè)派出所已處理案件，待處理案
件、處理中案件，更直觀的反應(yīng)各派出所案件的處理情況

職責(zé)描述： 1 根據(jù)上報(bào)的數(shù)據(jù)，制成csv 文件，使用numpy 的loadtxt 來(lái)讀取文件數(shù)據(jù)
2 使用matplotlib 的bar 來(lái)繪制已處理，未處理，處理中三類(lèi)案件的情況柱狀圖，
numpy 的mean 方法算出均值，使用matploylib 的plot 繪制出均線，最后
使用numpy 的msort 方法進(jìn)行排序，并在網(wǎng)頁(yè)的輪播圖位置顯示
3 使用matplotlib 的pie 方法繪制已處理案件的餅狀圖
4 對(duì)所做的柱狀圖、餅狀圖進(jìn)行max,min 的分析，做出相關(guān)分析報(bào)告

項(xiàng)目3： 嫌疑人人臉模型訓(xùn)練與識(shí)別5 個(gè)月

項(xiàng)目描述： 為了在對(duì)嫌疑人信息收集時(shí)，從海量備案資料中快速篩查，定位嫌疑人信息，
創(chuàng)建一個(gè)人臉識(shí)別模型應(yīng)用于辦案中心，提高辦案效率。
職責(zé)描述： 1 使用opencv 的CascadeClassifier(哈爾級(jí)人臉)人臉定位器進(jìn)行眼、嘴、鼻的
定位，構(gòu)建級(jí)聯(lián)人臉定位器
2 從備案人員中使用search_files 整理出訓(xùn)練集， 并使用cv2.face 的
LBPHFaceRecognizer_create 做出基于LBPH 的人臉識(shí)別分離器模型
3 把訓(xùn)練集使用fit 方法交給分離器模型訓(xùn)練，并使用測(cè)試集測(cè)試，優(yōu)化模型

項(xiàng)目一：人工智能機(jī)器人小暄實(shí)現(xiàn)人臉識(shí)別和自然語(yǔ)言文本分析

軟件環(huán)境：Linux+Pycharm+Anaconda
使用工具：Python/Opencv/CNN/Nltk/Jieba
項(xiàng)目簡(jiǎn)介：
基于公司面向家庭用戶提供高端家庭陪伴需要，公司開(kāi)發(fā)一款名叫小暄的智能機(jī)器
人，可以提供語(yǔ)音對(duì)話，人臉識(shí)別，視頻監(jiān)控，家庭娛樂(lè)等功能。
功能描述：
當(dāng)人站在智能機(jī)器人面前，經(jīng)過(guò)一系列判斷后，機(jī)器人可以通過(guò)采集人的面部信息以
及個(gè)人信息加以訓(xùn)練并保存；識(shí)別站在機(jī)器前方人們說(shuō)的簡(jiǎn)單語(yǔ)言，通過(guò)相關(guān)語(yǔ)音識(shí)別接
口的處理后，進(jìn)行文本處理，語(yǔ)義分析，給予相對(duì)應(yīng)的反應(yīng)和操作；
開(kāi)發(fā)周期：一年
責(zé)任描述：
–人臉識(shí)別：
1、協(xié)調(diào)各部門(mén)，采集數(shù)據(jù)集，并將數(shù)據(jù)集通過(guò)haartraining 生成xml 格式文件方便讀取；
2、讀取數(shù)據(jù)，運(yùn)用哈爾級(jí)聯(lián)進(jìn)行人臉定位，生成數(shù)據(jù)矩陣；
3、運(yùn)用CNN 卷積神經(jīng)網(wǎng)絡(luò)LeNet 標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，計(jì)算誤差值，不
斷優(yōu)化模型算法，并進(jìn)行性能評(píng)估；
4、保存最優(yōu)模型，設(shè)計(jì)相關(guān)API 接口方便調(diào)用；
–自然語(yǔ)言文本分析
1、訓(xùn)練音頻文件，通過(guò)調(diào)用語(yǔ)音識(shí)別接口獲取相應(yīng)的文本數(shù)據(jù)；
2、運(yùn)用nltk 和jeiba 工具包，進(jìn)行文本分詞，詞干提取，詞形還原等操作；
3、通過(guò)gensim 相關(guān)工具庫(kù)，將文本數(shù)據(jù)代入，構(gòu)建相應(yīng)詞袋模型；
4、通過(guò)gensim 構(gòu)建LDA 模型，提取文本數(shù)據(jù)中相關(guān)主題詞內(nèi)容和個(gè)數(shù)；
5、將主題詞和預(yù)先設(shè)定好的操作命令詞對(duì)照，結(jié)果一致，則執(zhí)行相應(yīng)操作；

項(xiàng)目一 智能安防監(jiān)控系統(tǒng) 中實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)

項(xiàng)目簡(jiǎn)介：
為了 7 X24 小時(shí) 智能安防監(jiān)控系統(tǒng) 能夠 實(shí)現(xiàn) 實(shí)時(shí)目標(biāo)檢測(cè)， 識(shí)別 各種 特定 場(chǎng)景下的物體， 研發(fā)了基于
YOLO v3 的目標(biāo)檢測(cè)模型，通過(guò)該模型可 對(duì)任 意一張圖片進(jìn)行目標(biāo)檢測(cè)，并在圖片上標(biāo)出識(shí)別出來(lái)的物
體名稱(chēng)及位置， 實(shí)現(xiàn)安防系統(tǒng)中 快速 地 進(jìn)行目標(biāo)檢測(cè) 和分析。
主要職責(zé)：
根據(jù) YOLO v3 論文實(shí)現(xiàn)對(duì) YOLO v3 模型的搭建并測(cè)試，為項(xiàng)目搭建基礎(chǔ)模型，并對(duì)實(shí)際 方案做 部分 改
進(jìn)和測(cè)試 。
所用技術(shù)：

根據(jù) YOLO v3 算法基本原理，定義網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò) TensorFlow 框架搭建 YOLO v 3 模型；

在 YOLO v3 模型中運(yùn)用 Dark net 53 模型來(lái)提取特征；

運(yùn)用候選框技術(shù)，輔助 YOLO 檢測(cè)模塊對(duì)目標(biāo)尺寸的計(jì)算，提升 YOLO 檢測(cè)模塊的準(zhǔn)確率

用非極大值抑制算法（ NMS ）對(duì)檢測(cè)結(jié)果去重。

項(xiàng)目 二 ：基于 Mask R CNN 模型 進(jìn)行像素級(jí)別的目標(biāo)檢測(cè)

項(xiàng)目簡(jiǎn)介：
安防監(jiān)控系統(tǒng)中有時(shí)需要對(duì)圖像進(jìn)行精確識(shí)別 功能 需要實(shí)現(xiàn)像素級(jí)別的目標(biāo)檢測(cè)， 開(kāi)發(fā)基于 Mask
R CNN 模型的目標(biāo)檢測(cè)模型，來(lái)定位物體精確的像素點(diǎn)，并將關(guān)鍵節(jié)點(diǎn)提取出來(lái)進(jìn)行圖示化 。
主要職責(zé)：
查閱 Mask R CNN 論文和相關(guān)資料和總結(jié)，協(xié)助搭建骨干網(wǎng)絡(luò) Res Net 和 Mask R CNN 模型 。
所用技術(shù)：

搭建 ResNe t 模型 ，實(shí)現(xiàn)特征提取功能

搭建特征金字塔網(wǎng)絡(luò)（ FPN ）進(jìn)行骨干網(wǎng)絡(luò)特征提取功能的改進(jìn)。

RPN 算法計(jì)算特征圖的區(qū)域中心點(diǎn)和對(duì)應(yīng)的邊長(zhǎng)

用 NMS 算法對(duì) RPN 結(jié)果去重，得到相應(yīng)準(zhǔn)確地 ROI 區(qū)域

運(yùn)用 ROI Align 層實(shí)現(xiàn)區(qū)域框與特征的匹配

項(xiàng)目三：視覺(jué)智能冰柜中圖像清晰度的轉(zhuǎn)化

項(xiàng)目簡(jiǎn)介：
在視覺(jué)智能冰柜中由于光照原因，會(huì)導(dǎo)致攝像頭拍攝下來(lái)的照片清晰度不夠，為滿足此業(yè)務(wù)場(chǎng)景下對(duì)
圖片的清晰度要求，通過(guò)搭建 Deblur GAN 模型進(jìn)行圖像清晰度的轉(zhuǎn)化，將模糊的圖片變清晰，用普
通的攝像頭就可以達(dá)到很好的轉(zhuǎn)化效果，大大降低了硬件成本。
主要職責(zé)：
根據(jù) Deblur GAN 論文和相關(guān)資料實(shí)現(xiàn) Deblur GAN 模型 的搭建，在樣本數(shù)據(jù)中訓(xùn)練與測(cè)試，改進(jìn)該
模型提高模型的泛化能力。
所用技術(shù)：

使用 Switch ableNorm 算法歸一化 提高模型的泛化能力

使用 先 下采樣，后上采樣 的 卷積操作 提高圖像的分辨率；

用 VGG 模型 對(duì)目標(biāo)圖片與輸出圖片做特征提取，再計(jì)算特征空間損失

項(xiàng)目一:手寫(xiě)字體圖像識(shí)別

􀀀 開(kāi)發(fā)應(yīng)用:TensorFlow，CNN神經(jīng)網(wǎng)絡(luò)，numpy,matplotlib.pyplot
􀀀 項(xiàng)目描述:通過(guò)應(yīng)用cnn神經(jīng)網(wǎng)絡(luò)對(duì)minist數(shù)據(jù)集中的手寫(xiě)字體圖片進(jìn)行識(shí)別
􀀀 項(xiàng)目思路: 1)通過(guò) tensorflow 框架進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)中卷積層，池化層，全連接層等各層設(shè)計(jì)，搭 建
2)前向傳播，經(jīng)過(guò)各層處理，使用 relu 激活函數(shù)非線性處理，得到損失值
3)反向傳播時(shí)通過(guò)引用梯度下降優(yōu)化器，使損失值減小，不斷優(yōu)化權(quán)重參數(shù)和偏置參數(shù)
4)等到較好的神經(jīng)網(wǎng)絡(luò)模型并將其保存

項(xiàng)目二:兒童智能識(shí)圖教師

􀀀 開(kāi)發(fā)應(yīng)用:numpy,opencv,隱馬爾克夫模型

􀀀 項(xiàng)目介紹:兒童在認(rèn)知能力的提升階段，需要一個(gè)好的老師，可以去應(yīng)用智能識(shí)圖的軟件教孩子去實(shí)別物 體。 􀀀
􀀀 項(xiàng)目思路:1)收集大量圖片并將其進(jìn)行分類(lèi)，完成模型訓(xùn)練的材料收集
2)使用 opencv 及圖形識(shí)別的工具生成圖片的特征描述矩陣
3)利用隱馬爾克夫模型，將圖片的特征描述矩陣與類(lèi)別標(biāo)簽進(jìn)行對(duì)應(yīng)
4)對(duì)已完成的圖片識(shí)別的模型性能進(jìn)行測(cè)試和調(diào)優(yōu)

項(xiàng)目1：智能景區(qū)管理系統(tǒng)

項(xiàng)目簡(jiǎn)介：為降低景區(qū)的傳統(tǒng)購(gòu)票壓力，便捷旅客的入園需求，通過(guò)網(wǎng)絡(luò)購(gòu)票方式，采用人臉識(shí)

別方式進(jìn)行實(shí)名入園驗(yàn)證，

個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器
所用技術(shù)：

\1. 基于OpenCV獲取攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理

\2. 將圖片進(jìn)行灰度處理，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度

\3. 采用OpenCV中LBPH算法對(duì)人面不特征進(jìn)行提取

\4. 通過(guò)身份證采集的圖片進(jìn)行人臉驗(yàn)證

項(xiàng)目2：公共智能立體停車(chē)場(chǎng)

項(xiàng)目簡(jiǎn)介： 對(duì)車(chē)輛進(jìn)行識(shí)別并記錄，規(guī)劃適合的停車(chē)位置，節(jié)省空間，方便存取

個(gè)人職責(zé)： 車(chē)牌區(qū)域定位、車(chē)牌字符的切割、字符的識(shí)別、車(chē)輛識(shí)別

所用技術(shù)：

\1. 車(chē)牌識(shí)別：

\1. 對(duì)圖像去掉一些干擾的因素，然后將彩色圖轉(zhuǎn)變?yōu)榛疑珗D；進(jìn)行邊緣提取；將圖片二值化；定位出車(chē)牌的區(qū)域進(jìn)行切割；把圖片進(jìn)行歸一化尺寸

\2. 將車(chē)牌的圖片進(jìn)行二值化，尋找最外的輪廓，輪廓所包含的區(qū)域?yàn)檐?chē)牌的區(qū)域；驗(yàn)證備選區(qū)域是否為7個(gè)字符，是的話進(jìn)行切割

\3. 建立連個(gè)三層的神經(jīng)網(wǎng)絡(luò)對(duì)第一個(gè)漢字和后邊的6個(gè)數(shù)字和字母進(jìn)行識(shí)別；首對(duì)字符圖像進(jìn)行處理，搭建TensorFlow神經(jīng)網(wǎng)絡(luò)，使用大量的數(shù)據(jù)進(jìn)行訓(xùn)練

\2. 車(chē)輛識(shí)別：

\1. 攝像頭獲取圖片，OpenCV對(duì)圖像進(jìn)行處理

\2. 將圖片轉(zhuǎn)為灰度圖，提升圖片的亮度

\3. 使用STAR特征提取和SIFT算法相結(jié)合提取圖片的特征

\4. 創(chuàng)建隱馬爾科夫模型根據(jù)模型的score的值進(jìn)行比較，確定圖片

項(xiàng)目3: 智能電子儀表識(shí)別

內(nèi)容簡(jiǎn)介: 為了實(shí)現(xiàn)工業(yè)設(shè)備無(wú)人監(jiān)管，節(jié)省大量的人力物力，設(shè)計(jì)用工業(yè)攝像頭識(shí)別工業(yè)機(jī)器液晶顯示屏上的數(shù)字，實(shí)時(shí)上傳到遠(yuǎn)程端，實(shí)現(xiàn)自動(dòng)化監(jiān)管

責(zé)任描述**😗*

1.調(diào)用OpenCV庫(kù)，定時(shí)拍照，對(duì)照片進(jìn)行灰度處理，根據(jù)顯示屏適當(dāng)裁剪

2.由于環(huán)境的原因，所以需要進(jìn)行直方圖均衡處理

3.然后用標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò),對(duì)顯示屏所有能出現(xiàn)的數(shù)字（0-9）進(jìn)行模型訓(xùn)練

4.最后進(jìn)行數(shù)字識(shí)別測(cè)試，完成項(xiàng)目開(kāi)發(fā)

項(xiàng)目一：停車(chē)位檢測(cè)

項(xiàng)目描述：通過(guò)實(shí)時(shí)監(jiān)控，檢查市場(chǎng)內(nèi)停車(chē)位使用情況，空出停車(chē)位實(shí)時(shí)反饋，方便管理人員調(diào)度進(jìn)場(chǎng)車(chē)輛。

所用技術(shù)：Python + numpy + OpenCV + TensorFlow

個(gè)人職責(zé)：1.基于OpenCV進(jìn)行圖像獲取，邊緣檢測(cè)，霍夫直線檢測(cè)；

? 2.保存處理構(gòu)建CNN的所有圖像

? \3. 訓(xùn)練建立模型、測(cè)試模型、檢驗(yàn)?zāi)Ｐ?#xff0c;提升可靠性；

項(xiàng)目二：吸煙識(shí)別

項(xiàng)目描述：為落實(shí)公共場(chǎng)所室內(nèi)禁煙規(guī)定，通過(guò)攝像頭實(shí)時(shí)監(jiān)控識(shí)別吸煙行為，及時(shí)發(fā)現(xiàn)并制止。

所用技術(shù)：Python + numpy + OpenCV +TensorFlow

個(gè)人職責(zé)：1.基于OpenCV進(jìn)行圖像獲取；

? \2. 訓(xùn)練建立模型、測(cè)試模型、檢驗(yàn)?zāi)Ｐ?/p>

項(xiàng)目三：檔案數(shù)字化系統(tǒng)

項(xiàng)目描述：將歷史檔案及新產(chǎn)生的紙質(zhì)、照片等傳統(tǒng)介質(zhì)信息通過(guò)軟件轉(zhuǎn)換為數(shù)字化信息。

所用技術(shù)：Python +numpy+OpenCV+Tesseract-OCR

個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，圖像的文字識(shí)別。

1.基于OpenCV運(yùn)用高斯濾波對(duì)圖像進(jìn)行去噪處理,灰度處理；

2.基于OpenCV對(duì)圖像進(jìn)行壓縮、剪裁；

3.利用Tesseract-OCR進(jìn)行圖像文字識(shí)別；

項(xiàng)目四：人臉識(shí)別監(jiān)控系統(tǒng)

項(xiàng)目描述：通過(guò)實(shí)時(shí)監(jiān)控，監(jiān)測(cè)著裝不符合要求，非安全區(qū)域逗留，以及私自外出人員，進(jìn)行提醒且記錄懲罰。

所用技術(shù)：Python +numpy+OpenCV+sklearn

個(gè)人職責(zé)：1. 基于OpenCV進(jìn)行圖像獲取，剪裁，灰度處理；

\2. 基于PCA主成分分析，得到人臉特征信息；

\3. 訓(xùn)練建立模型、測(cè)試模型、檢驗(yàn)?zāi)Ｐ?#xff0c;提升可靠性；

智能鎖的人臉識(shí)別系統(tǒng)

項(xiàng)目簡(jiǎn)介：自動(dòng)識(shí)別人臉的門(mén)鎖

個(gè)人職責(zé)：對(duì)圖片進(jìn)行處理，面部定位，面部識(shí)別

所用技術(shù)：

1.使用Opencv讀取圖片，用中值濾波進(jìn)行去噪

2.對(duì)圖片進(jìn)行灰度處理，使用直方圖均衡化調(diào)節(jié)圖像的灰度值

3.通過(guò)哈爾級(jí)聯(lián)得到面部定位

4.采用Opencv的LBPH人臉識(shí)別分類(lèi)器進(jìn)行識(shí)別

5.用測(cè)試集進(jìn)行測(cè)試

高速公路收費(fèi)系統(tǒng)

項(xiàng)目簡(jiǎn)介： 自動(dòng)識(shí)別進(jìn)入高速公路收費(fèi)站的車(chē)牌號(hào)

個(gè)人職責(zé)： 車(chē)牌區(qū)域定位、車(chē)牌字符的切割、字符的識(shí)別

所用技術(shù)：

1.采用中值濾波法將圖像進(jìn)行去噪，然后將彩色圖轉(zhuǎn)變?yōu)榛疑珗D；

2.用sobel算子邊緣檢測(cè)法進(jìn)行車(chē)牌的定位

3.將灰度圖片進(jìn)行二值化，尋找最外的輪廓；采用文字切割算法進(jìn)行切割

4.建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別

鋼材圖像的分類(lèi)

項(xiàng)目簡(jiǎn)介：ResNet-18實(shí)現(xiàn)鋼材圖像的分類(lèi)

個(gè)人職責(zé)：搭建ResNet-18網(wǎng)絡(luò)、圖像的導(dǎo)入、網(wǎng)絡(luò)的訓(xùn)練

所用技術(shù)：

1.在Pytorch上搭建ResNet-18網(wǎng)絡(luò)

2.對(duì)數(shù)據(jù)進(jìn)行整理

3.設(shè)置損失函數(shù)（交叉熵），采用SGD優(yōu)化器進(jìn)行優(yōu)化

4.最后進(jìn)行訓(xùn)練并保存模型

項(xiàng)目一 :基于Mask R-CNN 模型進(jìn)行像素級(jí)別的目標(biāo)檢測(cè)

項(xiàng)目簡(jiǎn)介:安防監(jiān)控系統(tǒng)中有時(shí)需要對(duì)圖像進(jìn)行精確識(shí)別功能,需要實(shí)現(xiàn)像素級(jí)別的目標(biāo)檢測(cè),開(kāi)發(fā)基于 Mask　R-CNN 模型的目標(biāo)檢測(cè)模型,來(lái)定位物體精確的像素點(diǎn),并將關(guān)鍵節(jié)點(diǎn)提取出來(lái)進(jìn)行圖示化。

主要職責(zé):查閱 Mask R-CNN 論文和相關(guān)資料和總結(jié),協(xié)助搭建骨干網(wǎng)絡(luò) ResNet 和 Mask R-CNN 模型。

所用技術(shù):

? \1. 搭建 ResNet 模型,實(shí)現(xiàn)特征提取功能

? \2. 搭建特征金字塔網(wǎng)絡(luò)(FPN)進(jìn)行骨干網(wǎng)絡(luò)特征提取功能的改進(jìn)。

\3. RPN 算法計(jì)算特征圖的區(qū)域中心點(diǎn)和對(duì)應(yīng)的邊長(zhǎng)

? \4. 用 NMS 算法對(duì) RPN 結(jié)果去重,得到相應(yīng)準(zhǔn)確地 ROI 區(qū)域

? \5. 運(yùn)用 ROIAlign 層實(shí)現(xiàn)區(qū)域框與特征的匹配

項(xiàng)目二 **😗*智能安防監(jiān)控系統(tǒng)中實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)

項(xiàng)目簡(jiǎn)介:為了“7X24 小時(shí)”智能安防監(jiān)控系統(tǒng)能夠?qū)崿F(xiàn)實(shí)時(shí)目標(biāo)檢測(cè),識(shí)別各種特定場(chǎng)景下的物體,研發(fā)了基于YOLOv3 的目標(biāo)檢測(cè)模型,通過(guò)該模型可對(duì)任意一張圖片進(jìn)行目標(biāo)檢測(cè),并在圖片上標(biāo)出識(shí)別出來(lái)的物體名稱(chēng)及位置,實(shí)現(xiàn)安防系統(tǒng)中快速地進(jìn)行目標(biāo)檢測(cè)和分析。

主要職責(zé):根據(jù) YOLOv3 論文實(shí)現(xiàn)對(duì) YOLO v3 模型的搭建并測(cè)試,為項(xiàng)目搭建基礎(chǔ)模型,并對(duì)實(shí)際方案做部分改進(jìn)和測(cè)試。

所用技術(shù):

? \1. 根據(jù) YOLOv3 算法基本原理,定義網(wǎng)絡(luò)結(jié)構(gòu),通過(guò) TensorFlow 框架搭建 YOLOv3 模型;

? \2. 在 YOLOv3 模型中運(yùn)用 Darknet-53 模型來(lái)提取特征;

? \3. 運(yùn)用候選框技術(shù),輔助 YOLO 檢測(cè)模塊對(duì)目標(biāo)尺寸的計(jì)算,提升 YOLO 檢測(cè)模塊的準(zhǔn)確率;

? \4. 用非極大值抑制算法(NMS)對(duì)檢測(cè)結(jié)果去重。

項(xiàng)目三：智能景區(qū)管理系統(tǒng)

項(xiàng)目簡(jiǎn)介：為降低景區(qū)的傳統(tǒng)購(gòu)票壓力，便捷旅客的入園需求，通過(guò)網(wǎng)絡(luò)購(gòu)票方式，采用人臉識(shí)

別方式進(jìn)行實(shí)名入園驗(yàn)證，

個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器
所用技術(shù)：

\1. 基于OpenCV獲取攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理

\2. 將圖片進(jìn)行灰度處理，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度

\3. 采用OpenCV中LBPH算法對(duì)人面不特征進(jìn)行提取

\4. 通過(guò)身份證采集的圖片進(jìn)行人臉驗(yàn)證

項(xiàng)目四：公共智能立體停車(chē)場(chǎng)

項(xiàng)目簡(jiǎn)介： 對(duì)車(chē)輛進(jìn)行識(shí)別并記錄，規(guī)劃適合的停車(chē)位置，節(jié)省空間，方便存取

個(gè)人職責(zé)： 車(chē)牌區(qū)域定位、車(chē)牌字符的切割、字符的識(shí)別

所用技術(shù)：

? \1. 對(duì)圖像去掉一些干擾的因素，然后將彩色圖轉(zhuǎn)變?yōu)榛疑珗D；進(jìn)行邊緣提取；將圖片二值化；定位 出車(chē)牌的區(qū)域進(jìn)行切割；把圖片進(jìn)行歸一化尺寸

? \2. 將車(chē)牌的圖片進(jìn)行二值化，尋找最外的輪廓，輪廓所包含的區(qū)域?yàn)檐?chē)牌的區(qū)域；驗(yàn)證備選區(qū)域是 否為7個(gè)字符，是的話進(jìn)行切割

? \3. 建立連個(gè)三層的神經(jīng)網(wǎng)絡(luò)對(duì)第一個(gè)漢字和后邊的6個(gè)數(shù)字和字母進(jìn)行識(shí)別；首對(duì)字符圖像進(jìn)行處 理，搭建TensorFlow神經(jīng)網(wǎng)絡(luò)，使用大量的數(shù)據(jù)進(jìn)行訓(xùn)練

項(xiàng)目4 : 驗(yàn)證碼圖像識(shí)別(CNN)

軟件環(huán)境： Linux + Python + Pycharm +　Tensorflow + Numpy + Pandas

項(xiàng)目職責(zé)：

應(yīng)用Tensorflow框架，對(duì)數(shù)據(jù)計(jì)算圖進(jìn)行配置的minst模塊對(duì)圖像數(shù)據(jù)加載及初始化配置，

如：占位符設(shè)置，權(quán)重和偏移量的設(shè)置，神經(jīng)網(wǎng)絡(luò)配置，獨(dú)熱編碼，將數(shù)據(jù)通過(guò)Tensorflow框架

搭建的CNN網(wǎng)絡(luò)進(jìn)行卷積層，展評(píng)層，全鏈層 應(yīng)用了卷積神經(jīng)網(wǎng)絡(luò)算法,Relu和softmax激活

函數(shù),等方法實(shí)現(xiàn)分類(lèi)將分類(lèi)結(jié)果通過(guò)概率交叉熵對(duì)輸出結(jié)果進(jìn)行評(píng)估；通過(guò)AdamOptimizer方法

進(jìn)行優(yōu)化,性能度量將獲得結(jié)果通過(guò)梯度下降法調(diào)節(jié)卷積權(quán)重直到損失函數(shù)最優(yōu)，最終輸出訓(xùn)練模型

權(quán)重，進(jìn)行測(cè)試。

**項(xiàng)目一：**泛雅網(wǎng)絡(luò)教學(xué)平臺(tái)

項(xiàng)目簡(jiǎn)介：

泛雅網(wǎng)絡(luò)教學(xué)平臺(tái)是校園綜合網(wǎng)絡(luò)教學(xué)平臺(tái)，該平臺(tái)以簡(jiǎn)化教師網(wǎng)絡(luò)授課為宗旨，以?xún)?yōu)化教學(xué)效果為目標(biāo)，深度貼切真實(shí)的校園授課過(guò)程，融合了在線學(xué)習(xí)課程、課程點(diǎn)播、課件制作、圖文互動(dòng)、等功能, 針對(duì)學(xué)生們?cè)趯W(xué)習(xí)過(guò)程中的需要，還增加了課后答疑、植物鑒定、模擬實(shí)驗(yàn)等功能來(lái)豐富教學(xué)過(guò)程，使教師授課更輕松，學(xué)生聽(tīng)課更有興趣。

個(gè)人職責(zé)：負(fù)責(zé)植物識(shí)別功能的實(shí)現(xiàn)

工作內(nèi)容：

\1. 基于OpenCV對(duì)圖像尺寸轉(zhuǎn)換，剪裁。運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理；

\2. 將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用 (色譜直方圖均衡化)調(diào)節(jié)圖像亮度

\3. 使用STAR特征提取和SIFT算法的結(jié)合,提取圖像特征值矩陣

\4. 對(duì)模型進(jìn)行各種調(diào)參操作，驗(yàn)證模型的準(zhǔn)確率和收斂速度

項(xiàng)目三： 人臉打卡識(shí)別

項(xiàng)目簡(jiǎn)介：

該項(xiàng)目主要適用于大學(xué)的學(xué)生教務(wù)管理系統(tǒng)，本應(yīng)用旨在增強(qiáng)學(xué)校對(duì)教務(wù)信息的綜合管理，主要包括學(xué)生信息管理、教師信息管理、課程信息管理、學(xué)生成績(jī)管理、教職工打卡、校園繳費(fèi)等功能。該應(yīng)用將用戶分為學(xué)生、教師、管理員三個(gè)角色，根據(jù)不同角色賦予其不同權(quán)限和能力，使管理者管理更輕松，使用者更易上手。

個(gè)人職責(zé)：負(fù)責(zé)面部圖像識(shí)別的設(shè)計(jì)及開(kāi)發(fā)

工作內(nèi)容：

\1. 利用cv2等技術(shù)和其所提供的訓(xùn)練分類(lèi)模型對(duì)面部頭像的定位和抓取

\2. 使用TensorFlow深度學(xué)習(xí)框架設(shè)計(jì)人臉識(shí)別過(guò)程

項(xiàng)目名稱(chēng):人員監(jiān)測(cè)警報(bào)系統(tǒng)

項(xiàng)目簡(jiǎn)介：

通過(guò)對(duì)人臉特征的識(shí)別，當(dāng)發(fā)現(xiàn)未進(jìn)行記錄的可疑人員會(huì)對(duì)監(jiān)控人員發(fā)起

預(yù)警提示，通過(guò)實(shí)時(shí)高效的監(jiān)測(cè)來(lái)輔助監(jiān)控人員提前做好安全排查工作，

節(jié)約了人力成本并提高了工作效率

**個(gè)人職責(zé)：**人臉抓取、特征提取、調(diào)優(yōu)以及訓(xùn)練人臉識(shí)別模型

所用技術(shù)：

1、訓(xùn)練數(shù)據(jù)的收集準(zhǔn)備工作

2、利用Tensorflow深度學(xué)習(xí)框架進(jìn)行模型準(zhǔn)備訓(xùn)練工作

3、利用交叉熵?fù)p失函數(shù)對(duì)模型精度進(jìn)行驗(yàn)證并進(jìn)行調(diào)優(yōu)工作

項(xiàng)目一：門(mén)禁識(shí)別系統(tǒng)

**項(xiàng)目簡(jiǎn)介：**該項(xiàng)目是針對(duì)股票金融公司VIP客戶包房的一個(gè)使用門(mén)禁系統(tǒng)，整個(gè)系統(tǒng)包括了前端，后端等組成，最終實(shí)現(xiàn)的功能是會(huì)員可根據(jù)人臉識(shí)別技術(shù)判斷該人物是否為會(huì)員客戶，能否進(jìn)入VIP包房。

**使用技術(shù)：**Python + Sklearn + Numpy + openCV。

個(gè)人職責(zé)：

\1. 負(fù)責(zé)人臉?biāo)惴K的模型建立工作；

\2. 首先用級(jí)聯(lián)分類(lèi)器加載人臉描述文件；

\3. 對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，將訓(xùn)練樣本中的每張人臉圖像轉(zhuǎn)化為灰度圖，再用級(jí)聯(lián)分類(lèi)器的detectMultiScale進(jìn)行人臉位置檢測(cè)；

將檢測(cè)出來(lái)的人臉作為訓(xùn)練樣本tran_x，以標(biāo)簽編碼以后的人名作為tran_y，使用OpenCV建立局部二值

\1. 模式直方圖（LBPH）人臉識(shí)別分類(lèi)模型，訓(xùn)練模型；

\2. 對(duì)已經(jīng)訓(xùn)練好的模型進(jìn)行測(cè)試，測(cè)試結(jié)果比較理想；

\3. 在運(yùn)用模型過(guò)程中，我們要求會(huì)員在攝像頭捕捉人臉的時(shí)候，按下esc鍵將被保存到待測(cè)文件中，然后運(yùn)用模型進(jìn)行檢測(cè)，如果predict結(jié)果在VIP列表中，print匹配成功，并且圖片保存到對(duì)應(yīng)人名下的文件中，否則print匹配失效。

項(xiàng)目二：智能炒股助手

**項(xiàng)目簡(jiǎn)介：**該項(xiàng)目是針對(duì)金融界股票投資APP智能炒股助手注冊(cè)的一個(gè)數(shù)字驗(yàn)證碼識(shí)別項(xiàng)目，最終實(shí)現(xiàn)的功能是用戶登錄多次賬號(hào)密碼錯(cuò)誤時(shí)，會(huì)彈出數(shù)字驗(yàn)證碼然后對(duì)里面的數(shù)字進(jìn)行準(zhǔn)確的識(shí)別

**使用技術(shù)：**Python + Numpy + matplotlib + tensorflow + cnn神經(jīng)網(wǎng)絡(luò)。

個(gè)人職責(zé)：

\1. 數(shù)據(jù)預(yù)處理，通過(guò)公司提供的數(shù)據(jù)集對(duì)數(shù)據(jù)進(jìn)行編碼，以及可視化；

\2. 用TensorFlow搭建cnn神經(jīng)網(wǎng)絡(luò)，定義輸入層，卷積層，池化層，全連接層，以及通過(guò)反向傳播優(yōu)化學(xué)習(xí)模型；

\3. 對(duì)模型進(jìn)行訓(xùn)練，提高驗(yàn)證碼的識(shí)別率；

驗(yàn)證模型，驗(yàn)證的結(jié)果比較理想

考勤人臉識(shí)別系統(tǒng)

開(kāi)發(fā)工具： linux + pycharm +　tensorflow + numpy + pandas + sklearn

項(xiàng)目介紹：

? 為了解決考勤中遲到和早退問(wèn)題，以此開(kāi)展課題，將機(jī)器學(xué)習(xí)與門(mén)禁系統(tǒng)對(duì)接，實(shí)現(xiàn)人臉識(shí)別， 通過(guò)刷臉認(rèn)證來(lái)進(jìn)行簽到。

項(xiàng)目職責(zé)：

? 模型構(gòu)建，將數(shù)據(jù)通過(guò)tensorflow框架搭建5層卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型,得到全連接層特征向量，

通過(guò)用此模型對(duì)人臉識(shí)別，比較特征向量，用余弦相似角進(jìn)行識(shí)別，同時(shí)用dropout方法來(lái)防止過(guò)擬合；

模型優(yōu)化，對(duì)于新員工需要重新訓(xùn)練模型角度優(yōu)化，我們考慮用Siamese網(wǎng)絡(luò)，對(duì)照片相似度進(jìn)行訓(xùn)練，對(duì)匹配條件的閾值用隨機(jī)搜索的方式進(jìn)行優(yōu)化；

訓(xùn)練構(gòu)建，測(cè)試模型，驗(yàn)證模型，采用交叉驗(yàn)證模塊，驗(yàn)證精度，并優(yōu)化模型等；

項(xiàng)目效果 ：

? 在門(mén)禁系統(tǒng)運(yùn)用此模型，減少一定的人為因素的影響，制定獎(jiǎng)罰制度，晚到早退有著明顯的降低。

項(xiàng)目名稱(chēng)：天眼

2 負(fù)責(zé)模塊：人臉識(shí)別，圖像分類(lèi)

2 開(kāi)發(fā)環(huán)境：python+pycharm+opencv+tensorflow+windows10

2 項(xiàng)目描述：由于倉(cāng)儲(chǔ)環(huán)境作業(yè)量大，人員長(zhǎng)時(shí)間容易出現(xiàn)操作失誤，造成商品錯(cuò)發(fā)，漏發(fā)，

無(wú)法完成訂單判責(zé)，需要通過(guò)智能判責(zé)業(yè)務(wù)輔助客服人員完成判責(zé)，提高效率

2 項(xiàng)目職責(zé): 根據(jù)天眼捕捉對(duì)應(yīng)訂單視頻錄像，進(jìn)行人臉識(shí)別，并與操作人選進(jìn)行面部信息對(duì)比，信息一致時(shí)候在終端提示

使用opencv中cv.VideoCapture算法捕捉攝像頭多張圖像

使用MTCNN對(duì)圖像進(jìn)行人臉檢測(cè)對(duì)齊

使用tensorflow構(gòu)建的facenet網(wǎng)絡(luò)模型得到512維特征值提取訓(xùn)練并調(diào)試，并針對(duì)模型進(jìn)行調(diào)優(yōu)，通過(guò)對(duì)人臉進(jìn)行分類(lèi)識(shí)別并給出人臉識(shí)別結(jié)果

客服可以通過(guò)人臉識(shí)別結(jié)果對(duì)異常訂單進(jìn)行處理或判責(zé)

項(xiàng)目名稱(chēng)：暴風(fēng)分揀系統(tǒng)

2 開(kāi)發(fā)環(huán)境：python+jupyter+opencv+ keras +linux

2 負(fù)責(zé)模塊：圖像識(shí)別

2 項(xiàng)目描述：通過(guò)對(duì)快遞單識(shí)別，將包裹自動(dòng)進(jìn)行分揀

2 項(xiàng)目職責(zé)：根據(jù)高速攝像頭捕捉，拍照，對(duì)每一個(gè)包裹進(jìn)行自動(dòng)分揀

使用canny算法將攝像頭捕捉的圖片進(jìn)行邊緣識(shí)別并做亮度提升

用中值濾波medfilter2及多線程tf.image方法對(duì)圖像進(jìn)行去燥和圖像預(yù)處理

將圖片進(jìn)行灰度化處理，

通過(guò)haar訓(xùn)練并捕獲快遞單號(hào)圖片

將圖片交給構(gòu)建好kerasCNN網(wǎng)絡(luò)模型進(jìn)行識(shí)別，通過(guò)識(shí)別后得到相應(yīng)分揀地址，并將數(shù)據(jù)傳回嵌入式，實(shí)現(xiàn)分揀

項(xiàng)目4：2018.12 – 2019.04 人臉識(shí)別考勤系統(tǒng)

**項(xiàng)目描述：**指紋打卡，雖然部分解決了傳統(tǒng)的紙式打卡等效率低下問(wèn)題，但由于員工出手汗、意外燒傷等原因，經(jīng)常出現(xiàn)打卡困難尷尬場(chǎng)景。該系統(tǒng)利用人臉識(shí)別技術(shù)“唯一性”和“活體檢測(cè)”，可以快速實(shí)現(xiàn)上班考勤打卡，不僅有效杜絕“代打卡”，還可以有效減少間接性肢體接觸，避免皮膚病傳染等。

**個(gè)人職責(zé)：**圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器。

**所用技術(shù)：**1.基于opencv獲取攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行濾波；

2.將圖片用cvtColor進(jìn)行灰度處理，使用equalizeHist做直方圖均衡化，提高圖像質(zhì)量；3.使用CascadeClassifier（哈爾級(jí)人臉）人臉定位器進(jìn)行眼、嘴、鼻的定位，構(gòu)建級(jí)聯(lián)人臉定位器；

4.創(chuàng)建局部二值模式直方圖（LBHP）模型；

5.使用fit方法，輸入數(shù)據(jù)進(jìn)行訓(xùn)練，使用測(cè)試集測(cè)試，并優(yōu)化模型。

項(xiàng)目1：人臉辨認(rèn)鎖

項(xiàng)目簡(jiǎn)介：為了提高智能門(mén)鎖安全性，方便隨身攜帶，安全性更高，滿足高端用戶的需求，采用人臉識(shí)別方式

進(jìn)行實(shí)名解鎖驗(yàn)證，

個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器
所用技術(shù)：

\1. 基于OpenCV獲取攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去噪處理

\2. 將圖片進(jìn)行灰度處理，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度

\3. 采用OpenCV中LBPH算法對(duì)人面部特征進(jìn)行提取

\4. 通過(guò)身份證采集的圖片進(jìn)行人臉驗(yàn)證

回憶相冊(cè)

開(kāi)發(fā)方案： python3.6.4+linux+ tensorflow+opencv

負(fù)責(zé)模塊：人臉識(shí)別，圖像自動(dòng)分類(lèi)

項(xiàng)目描述：根據(jù)用戶拍的照片進(jìn)行人臉識(shí)別，然后進(jìn)行對(duì)這個(gè)人物的相關(guān)圖片按照時(shí)間段來(lái)形成回憶視頻

? 1）使用Haar算法對(duì)人臉特征進(jìn)行提取

? 2）使用tensorflow構(gòu)建CNN網(wǎng)絡(luò)，把人臉特征相類(lèi)似進(jìn)行自動(dòng)歸類(lèi)

? 3）根據(jù)歸類(lèi)后的圖片，按照日期進(jìn)行回憶視頻的組合處理

? 4）用戶可以根據(jù)自己需要對(duì)回憶視頻進(jìn)行特效和哪些照片參與進(jìn)行個(gè)性化編輯

**項(xiàng)目名稱(chēng)：**全自動(dòng)燈檢機(jī)圖像識(shí)別系統(tǒng)

**開(kāi)發(fā)環(huán)境：**Pycharm +TensorFlow +numpy+OpenCV+sklearn

**項(xiàng)目描述：**全自動(dòng)燈檢機(jī)圖像識(shí)別系統(tǒng)采用數(shù)字圖像處理技術(shù)對(duì)醫(yī)用輸液藥品進(jìn)行全方位的實(shí)時(shí)檢測(cè)和識(shí)別,并且把不合格的產(chǎn)品送到全自動(dòng)燈檢機(jī)的剔除執(zhí)行機(jī)構(gòu)。該系統(tǒng)大大的提高了輸液藥品檢測(cè)的精度和效率,降低了人工成本,同時(shí)也提高了藥品的安全指數(shù),減少了液藥里的異物雜質(zhì)對(duì)病人身體造成傷害。

**個(gè)人職責(zé)：**負(fù)責(zé)圖像預(yù)處理模塊，CNN網(wǎng)絡(luò)神經(jīng)的搭建模塊，參數(shù)優(yōu)化模塊。

所用技術(shù)：

1.采用TensorFlow框架創(chuàng)搭建神經(jīng)網(wǎng)絡(luò)；

2.數(shù)據(jù)集來(lái)自實(shí)時(shí)監(jiān)控中視頻流中的數(shù)據(jù)，首先對(duì)圖像進(jìn)行預(yù)處理，將不同種類(lèi)的圖片分在不同的文件夾中；

3.進(jìn)行模型構(gòu)建，這里采用的隨機(jī)梯度下降的優(yōu)化函數(shù)進(jìn)行參數(shù)優(yōu)化；

4.進(jìn)行模型訓(xùn)練，通過(guò)設(shè)置一些超參數(shù)進(jìn)行模型優(yōu)化，直至模型訓(xùn)練結(jié)束；

5.最終進(jìn)行調(diào)取模型并進(jìn)行測(cè)試模型。

**項(xiàng)目名稱(chēng)：**人臉識(shí)別系統(tǒng)

**開(kāi)發(fā)環(huán)境：**Pycharm+numpy+OpenCV+sklearn

**項(xiàng)目描述：**本系統(tǒng)與門(mén)禁系統(tǒng)對(duì)接，采用了人臉檢測(cè)與識(shí)別技術(shù)。應(yīng)用于廠區(qū)及廠區(qū)內(nèi)設(shè) 備、產(chǎn)品的安全監(jiān)控。本系統(tǒng)主要包括人臉識(shí)別門(mén)禁考勤系統(tǒng)，人臉識(shí)別出入管理系統(tǒng)， 人臉識(shí)別來(lái)訪登記系統(tǒng)等。

**個(gè)人職責(zé)：**負(fù)責(zé)圖像預(yù)處理模塊，人臉特征值提取與檢測(cè)模塊，模型構(gòu)建模塊。

所用技術(shù)：

1.基于OpenCV局部?值模式直方圖（LBPH）模型；

2.使用numpy,cv2進(jìn)行圖像預(yù)處理，包括灰度化、中指濾波、灰度歸一化、幾何歸一化；

3.基于哈爾級(jí)聯(lián)分類(lèi)器的?臉定位；

4.建立模型、訓(xùn)練模型、測(cè)試模型，采用交叉驗(yàn)證模行，驗(yàn)證精度，提升模型的可靠性；

5.最終進(jìn)行調(diào)取模型并進(jìn)行測(cè)試模型。

項(xiàng)目名稱(chēng)：接觸網(wǎng)檢測(cè)車(chē)改造

開(kāi)發(fā)技術(shù)：
項(xiàng)目描述：
城市軌道交通系統(tǒng)越來(lái)越多的使用架空接觸網(wǎng)系統(tǒng)作為列車(chē)供電系統(tǒng)，但由于其特殊性導(dǎo)致其維護(hù) 、
檢測(cè)十分困難。故而對(duì)內(nèi)燃機(jī)車(chē)進(jìn)行改造，使用攝像頭進(jìn)行拍攝對(duì)故障點(diǎn)進(jìn)行圖像分析 、排查故障點(diǎn)， 減少人
工成本，能 夠 節(jié)省時(shí)間 且 在短時(shí)間內(nèi)對(duì)整條線路進(jìn)行全面的排查。
職責(zé)描述：
1
、基于 OpenCV 獲取攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理；
2
、將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度；
3
、利用 TensorFlow 深度學(xué)習(xí)框架訓(xùn)練識(shí)別模型；
4
、采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性

項(xiàng)目名稱(chēng)：500 萬(wàn)像素級(jí)別三維掃描儀

項(xiàng)目描述：
適逢 3D 打印的興起，三維建模及三維掃描是 3D 打印技術(shù)的基礎(chǔ)，市面上大多數(shù)使用貼點(diǎn)再人 工
對(duì)點(diǎn)的方式 進(jìn)行不同角度的模型聚合，但缺點(diǎn)是貼點(diǎn)處會(huì)形成空洞。通過(guò)不貼點(diǎn)、自動(dòng)化擬合來(lái)解決后 期人
工抹平難度及提升數(shù)據(jù)精確性。
職責(zé)描述：
1 、采集點(diǎn)云模型數(shù)據(jù)并交給模型進(jìn)行訓(xùn)練；
2
、對(duì)模型梯度下降參數(shù)進(jìn)行調(diào)整；
3
、測(cè)試模型輸出結(jié)果并與成熟的軟件進(jìn)行對(duì)比。

項(xiàng)目名稱(chēng)：生產(chǎn)車(chē)間實(shí)時(shí)視頻流檢測(cè)監(jiān)督

項(xiàng)目描述：此項(xiàng)目首先需要訓(xùn)練廠房?jī)?nèi)人臉模型，采用實(shí)時(shí)監(jiān)控的方法，準(zhǔn)確識(shí)別出廠房中著裝不符合要求，
長(zhǎng)時(shí)間停留在危險(xiǎn)區(qū)域，或者存在違規(guī)行為操作的人員，通過(guò)對(duì)比檢測(cè)出人員工號(hào)，進(jìn)行記錄處罰
職責(zé)描述：1、基于OpenCV 獲取USB 攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理；
2、將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度；

3、利用TensorFlow 和keras 深度學(xué)習(xí)框架訓(xùn)練識(shí)別模型；
4、采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性

項(xiàng)目名稱(chēng) ： 圖片識(shí)別文字特征提取

項(xiàng)目描述： 通過(guò)采集商品上的字符噴碼， 經(jīng)過(guò)圖像預(yù)處理，最后使用卷積神經(jīng)網(wǎng)絡(luò) CNN 得到字符編
碼信息，用來(lái)追蹤產(chǎn)品信息。
負(fù)責(zé)部分：圖像處理部分，CNN 神經(jīng)網(wǎng)絡(luò)的搭建

所用技術(shù)：1.開(kāi)發(fā)環(huán)境：Python3，OpenCV，Tensorflow
2.圖像預(yù)處理：圖像采集，采用中值濾波器對(duì)采集到的圖像進(jìn)行平滑濾波，去除噪聲和畸
變，突出圖像的有用信息，使用 OTSU 閾值分割法二值化圖像，作為 CNN 的輸入；
3.使用生成的模型應(yīng)用于噴碼字符識(shí)別，得到產(chǎn)品信息。

項(xiàng)目名稱(chēng) ： 目標(biāo)檢測(cè)

項(xiàng)目介紹：實(shí)現(xiàn)對(duì)一個(gè)物體的動(dòng)態(tài)捕捉，輸出實(shí)時(shí)信息，后期實(shí)現(xiàn)控制機(jī)械臂來(lái)抓取
負(fù)責(zé)部分：圖像處理部分
個(gè)人職責(zé)：圖像壓縮、創(chuàng)建圖像識(shí)別器； 所用技術(shù)：1.開(kāi)發(fā)環(huán)境:python3+OpenCV
2.圖像預(yù)處理:對(duì)采集到的數(shù)據(jù)進(jìn)行,灰度調(diào)整,縮放大小,高斯濾波進(jìn)行處理

基于OpenCV獲取USB攝像頭的視頻流；
4.利用CNN框架訓(xùn)練識(shí)別模型；

項(xiàng)目名稱(chēng) ： 人臉識(shí)別

項(xiàng)目介紹： 通過(guò)訓(xùn)練模型,調(diào)取攝像裝置使機(jī)器能夠很好的分辨人臉
個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器； 所用技術(shù)：1.開(kāi)發(fā)環(huán)境:python3+numpy+OpenCV
2.圖像預(yù)處理:對(duì)采集到的數(shù)據(jù)進(jìn)行,灰度調(diào)整,縮放大小

基于OpenCV獲取USB攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理；
4.利用TensorFlow深度學(xué)習(xí)框架訓(xùn)練識(shí)別模型；

人臉識(shí)別智能考勤系統(tǒng)

項(xiàng)目介紹：參與公司研發(fā)人臉識(shí)別系統(tǒng)，通過(guò)人臉識(shí)別實(shí)現(xiàn)勞務(wù)實(shí)名認(rèn)證、解決公司多項(xiàng)目出
勤管理難題，并對(duì)出勤率等客戶公司信息進(jìn)行匯總處理和云存儲(chǔ)托管，從而實(shí)現(xiàn)一整套的產(chǎn)品和服
務(wù)解決方案。
個(gè)人職責(zé)：負(fù)責(zé)對(duì)系統(tǒng)導(dǎo)出的海量圖片進(jìn)行圖片預(yù)處理包括圖像壓縮、剪裁，圖像降噪處理，直
方圖均衡化等，然后根據(jù)等分辨率的標(biāo)準(zhǔn)圖像建立標(biāo)準(zhǔn)圖像識(shí)別庫(kù)，并使用機(jī)器學(xué)習(xí)算法調(diào)試對(duì)應(yīng)
分類(lèi)的圖像識(shí)別器；
根據(jù)測(cè)試結(jié)果進(jìn)行相關(guān)的調(diào)優(yōu)等操作。
所用技術(shù)：

基于OpenCV獲取USB攝像頭的視頻流，按指定間隔截取視頻幀，存儲(chǔ)圖片集
2.將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度并運(yùn)用高斯濾波對(duì)圖像進(jìn)行
去燥處理；
3.使用Knn算法進(jìn)行聚類(lèi)算法實(shí)現(xiàn)人臉識(shí)別，
4.調(diào)整超參數(shù)，用正則化，數(shù)據(jù)擴(kuò)增方法解決訓(xùn)練集過(guò)擬合問(wèn)題；
5.采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性；

車(chē)牌識(shí)別模塊

項(xiàng)目簡(jiǎn)介：車(chē)牌識(shí)別模塊，可以根據(jù)車(chē)輛圖片進(jìn)行識(shí)別近而實(shí)現(xiàn)對(duì)公司特種車(chē)輛進(jìn)行有效的管理
個(gè)人職責(zé)：對(duì)不同種類(lèi)的車(chē)牌圖像進(jìn)行分類(lèi)預(yù)處理，然后使用Keras工具搭建一個(gè)五層的ＣＮＮ
神經(jīng)網(wǎng)絡(luò)用于識(shí)別對(duì)應(yīng)的車(chē)牌字符，對(duì)測(cè)試準(zhǔn)確率達(dá)到預(yù)定要求的分類(lèi)器和分類(lèi)的車(chē)牌數(shù)據(jù)進(jìn)行
分類(lèi)存儲(chǔ)進(jìn)數(shù)據(jù)庫(kù)，對(duì)沒(méi)有達(dá)到預(yù)定準(zhǔn)確率要求的分類(lèi)器進(jìn)行測(cè)試調(diào)優(yōu)等工作。
所用技術(shù)：

對(duì)采集到的圖片用高斯濾波器進(jìn)行平滑濾波和降噪處理。

使用Canny算法進(jìn)行邊緣檢測(cè)，Radon變換得到旋轉(zhuǎn)角度對(duì)圖片進(jìn)行旋轉(zhuǎn)校正。

使用OTSU閾值分割法計(jì)算閾值將圖像分割。并resize將單個(gè)字符圖片分辨率統(tǒng)一
4.使用Keras搭建五層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，包括三個(gè)卷積層、一個(gè)全連接層和最終輸出層
5.根據(jù)訓(xùn)練集訓(xùn)練字符識(shí)別模型，對(duì)車(chē)牌的首字符等進(jìn)行識(shí)別，并統(tǒng)計(jì)識(shí)別準(zhǔn)確率。

RFID 人臉驗(yàn)證系統(tǒng)

此項(xiàng)目在傳統(tǒng)的RFID 門(mén)禁系統(tǒng)基礎(chǔ)上添加了智能識(shí)別，利用監(jiān)控?cái)z像頭，通過(guò)抓
取的人臉圖片與數(shù)據(jù)庫(kù)中圖片進(jìn)行相似度評(píng)分,對(duì)當(dāng)前過(guò)卡人員進(jìn)行人臉識(shí)別驗(yàn)證.
個(gè)人職責(zé):
圖像處理與模型訓(xùn)練

責(zé)任描述：
1.OpenCV 獲取圖像,對(duì)圖像進(jìn)行裁剪,灰度處理;
2.基于哈爾級(jí)聯(lián)定位器對(duì)人臉進(jìn)行定位,獲取臉部圖像,提取特征;
3.通過(guò)PCA 主成分分析,獲取臉部信息特征,建立訓(xùn)練模型
4.測(cè)試驗(yàn)證模型,提高模型的穩(wěn)定性與可靠度
使用技術(shù)：Python3+numpy+OpenCV+sklearn

產(chǎn)品缺陷檢測(cè)

此項(xiàng)目通過(guò) LED 光源的均勻照射載物臺(tái),通過(guò)攝像機(jī)獲取產(chǎn)品的圖像，將采集到的圖像傳
送至計(jì)算機(jī)進(jìn)行圖像處理，并提取特征，實(shí)現(xiàn)對(duì)缺陷產(chǎn)品的識(shí)別和分類(lèi).
責(zé)任描述
1.圖像預(yù)處理：使用中值濾波進(jìn)行圖像噪聲處理，使用直方圖均衡化進(jìn)行圖像增強(qiáng)處理；
2.缺陷檢測(cè)：閾值分割法進(jìn)行圖像分割，再進(jìn)行形態(tài)學(xué)運(yùn)算去除雜點(diǎn)，對(duì)圖像Canny 算子進(jìn)
行邊緣檢測(cè)；
3.特征提取與選擇：提取缺陷的幾何特征和紋理特征，通過(guò)PCA 算法對(duì)提取的特征參數(shù)進(jìn)行降
維處理，并建立特征參數(shù)庫(kù)；
4.缺陷識(shí)別與分類(lèi)：將特征參數(shù)作為輸入，使用CNN 訓(xùn)練，將不同的缺陷類(lèi)別進(jìn)行訓(xùn)練,
使用技術(shù)：
Python3+OpenCV+Numpy+TensorFlow

項(xiàng)目1 土地變更內(nèi)業(yè)核查的違法建筑圖像識(shí)別系統(tǒng)

項(xiàng)目描述：
在土地變更的省級(jí)內(nèi)業(yè)核查階段面對(duì)外業(yè)調(diào)查拍攝的大量照片，此前一直使用人工的方式來(lái)判讀違法建筑類(lèi)型，任務(wù)量巨大。在本項(xiàng)目中采用CNN模型對(duì)違法建筑類(lèi)型進(jìn)行自動(dòng)化識(shí)別，然后將分類(lèi)的結(jié)果與外業(yè)調(diào)查的類(lèi)別進(jìn)行比較，若比對(duì)結(jié)果一致則通過(guò)，若不一致則交由人工判別。
項(xiàng)目職責(zé)：
數(shù)據(jù)的收集，收集往年各類(lèi)型的違法建筑圖斑的照片和類(lèi)別標(biāo)簽，盡量使每種類(lèi)別的樣本數(shù)近似，保證樣本的均衡化；
數(shù)據(jù)預(yù)處理，建立統(tǒng)一像素的數(shù)據(jù)集，使用標(biāo)簽編碼器將類(lèi)別標(biāo)簽轉(zhuǎn)換為數(shù)值；
模型的建立，使用Tensorflow框架搭建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型；
參數(shù)調(diào)優(yōu)，使用動(dòng)量梯度下降的方法尋找最佳參數(shù)，用正則化，數(shù)據(jù)擴(kuò)增方法解決訓(xùn)練集過(guò)擬合問(wèn)題。
項(xiàng)目效果：
通過(guò)該模型的建立，在違法建筑類(lèi)型的識(shí)別中獲得了較高的準(zhǔn)確率，同時(shí)大大提升了判讀的時(shí)間效率，為以后的內(nèi)業(yè)核查工作節(jié)省了的大量的人力物力成本。

項(xiàng)目2 土地變更國(guó)家級(jí)抽檢外業(yè)的實(shí)時(shí)視頻監(jiān)督

項(xiàng)目描述：
在土地變更的國(guó)家級(jí)抽檢階段，以往都是采取實(shí)地調(diào)查的方式，人為因素干擾較大，為了保證土地執(zhí)法調(diào)查的客觀公正性，本項(xiàng)目中采用視頻實(shí)時(shí)監(jiān)控的方式進(jìn)行，通過(guò)GPS實(shí)時(shí)定位動(dòng)態(tài)獲取違法建筑的圖像，并使用支持向量機(jī)模型進(jìn)行類(lèi)別的判讀和記錄。
項(xiàng)目職責(zé)：
使用OpenCV獲取USB 攝像頭視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)行去燥處理；
模型的構(gòu)建，使用PCA對(duì)圖像進(jìn)行降維，通過(guò)其還原率來(lái)選擇最優(yōu)超參數(shù)，使用SVM模型對(duì)降維后樣本進(jìn)行分類(lèi)，并通過(guò)網(wǎng)格搜索確定核函數(shù)和其他參數(shù)；
模型的驗(yàn)證，采用混淆矩陣驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性
項(xiàng)目效果：
通過(guò)該項(xiàng)目的應(yīng)用不僅在國(guó)家抽檢的過(guò)程中取得了較好的識(shí)別精度，節(jié)省了調(diào)查成本，而且大大減少了執(zhí)法的阻力和徇私舞弊現(xiàn)象，確保了調(diào)查的客觀公正。

商標(biāo)圖片搜索推薦

?項(xiàng)目描述： 在 Keras 搭建深度 CNN，具體過(guò)程分為數(shù)據(jù)讀取、模型構(gòu)造、模型訓(xùn)練、測(cè)試模型
個(gè)人職責(zé)：1. 數(shù)據(jù)集來(lái)自國(guó)家商標(biāo)官網(wǎng)和各種平臺(tái)數(shù)據(jù)，首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，使用 Keras 將不同種類(lèi)的圖片分在不同的文件夾中。
2.進(jìn)行模型構(gòu)建，這里采用了卷積層，池化層，全連接層，采用激活函數(shù)為relu，并采用了Dropout防止結(jié)果過(guò)擬合，這里采用的隨機(jī)梯度下降SGD的優(yōu)化函數(shù)進(jìn)行參數(shù)優(yōu)化，
3.進(jìn)行模型訓(xùn)練，采用fit_generator(相比較于fit節(jié)省內(nèi)存)進(jìn)行訓(xùn)練，執(zhí)行fit_generator時(shí)，通過(guò)設(shè)置一些超參數(shù)進(jìn)行模型優(yōu)化，直至模型訓(xùn)練結(jié)束.
4.最終進(jìn)行調(diào)取模型并進(jìn)行測(cè)試模型

東華檔案數(shù)字化系統(tǒng) | 圖像文字識(shí)別

項(xiàng)目簡(jiǎn)介：將歷史檔案及新產(chǎn)生的紙質(zhì)、照片等傳統(tǒng)介質(zhì)信息通過(guò)軟件轉(zhuǎn)換為數(shù)字化信息。
所用技術(shù)：Python +numpy+OpenCV+Tesseract-OCR
個(gè)人職責(zé)：圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，圖像的文字識(shí)別。
1．基于OpenCV運(yùn)用高斯濾波對(duì)圖像進(jìn)行去噪處理,灰度處理；

基于OpenCV對(duì)圖像進(jìn)行壓縮、剪裁；

利用Tesseract-OCR進(jìn)行圖像文字識(shí)別；

通過(guò)jtessboxeditor訓(xùn)練提高Tesseract庫(kù)的手寫(xiě)中文識(shí)別率；

官文識(shí)別自動(dòng)流轉(zhuǎn)

? 項(xiàng)目描述 項(xiàng)目主要包括在自動(dòng)定位商標(biāo)信息位置并實(shí)現(xiàn)對(duì)商標(biāo)信息文本的識(shí)別。對(duì)商標(biāo)文本信息
的分割，對(duì)漢字的特征提取 圖片同理 。
? 項(xiàng)目職責(zé) 1 使用 OpenCV 和 Python 使用模板匹配來(lái)執(zhí)行光學(xué)字符識(shí)別（ OCR ），通過(guò)各種圖像
處理技術(shù)檢測(cè)商標(biāo)官文的發(fā)文日期，和圖片基本信息，包括閾值，計(jì)算梯度幅度表示，形態(tài)運(yùn)算和
輪廓提取技術(shù)。
2 . 從四個(gè)分組中提取每個(gè)單個(gè)數(shù)字，導(dǎo)致需要分類(lèi)的 8 位數(shù)字
3 通過(guò)將模板匹配與 OCR A 字體進(jìn)行比較，獲得我們的數(shù)字分類(lèi)將模板匹配應(yīng)用于每個(gè)數(shù)
字。
4 檢查發(fā)文 號(hào)碼的第一位，以確定所屬人信息 。

東華軟件銀行影像管理及事后監(jiān)督、風(fēng)險(xiǎn)預(yù)警系統(tǒng) | 圖像處理數(shù)字識(shí)別

項(xiàng)目簡(jiǎn)介：將產(chǎn)生的紙質(zhì)或其他各類(lèi)檔案以及各種電子資料等數(shù)據(jù)進(jìn)行電子化處理和管理。
所用技術(shù)：Python + OpenCV + TensorFlow
個(gè)人職責(zé)：圖像降噪處理，直方圖均衡化處理，圖像的數(shù)字識(shí)別。
1．基于OpenCV,對(duì)圖像進(jìn)行二值化,雙邊濾波對(duì)圖像去噪；

圖片切割，尺寸歸一化，圖像的特征提取；

利用TensorFlow深度學(xué)習(xí)框架訓(xùn)練圖像數(shù)字識(shí)別模型
4．訓(xùn)練建立模型、測(cè)試模型、驗(yàn)證精度，提升模型可靠性

沃科合眾IT資產(chǎn)管理軟件 | 人臉識(shí)別

項(xiàng)目簡(jiǎn)介：管理跟蹤整個(gè)IT資產(chǎn)生命周期的狀態(tài)。通過(guò)運(yùn)維人員的人臉識(shí)別提高機(jī)房資產(chǎn)的安全性。
所用技術(shù)：：Python +numpy+OpenCV+sklearn
個(gè)人職責(zé)：數(shù)據(jù)中心機(jī)房機(jī)柜的對(duì)機(jī)房管理人員的智能識(shí)別

基于OpenCV進(jìn)行圖像獲取，剪裁，灰度處理；

基于PCA主成分分析，得到人臉特征信息；

訓(xùn)練建立模型、測(cè)試模型、檢驗(yàn)?zāi)Ｐ?#xff0c;提升可靠性；

通過(guò)人員RFID芯片返回?cái)?shù)據(jù)，確定人員信息；

字符噴碼的識(shí)別系統(tǒng)

項(xiàng)目介紹：通過(guò)采集電路板上的字符噴碼， 經(jīng)過(guò)圖像預(yù)處理，最后使用卷積神經(jīng)網(wǎng)絡(luò)CNN得到字符編碼信息，用來(lái)追蹤產(chǎn)品信息。
負(fù)責(zé)部分：圖像處理部分，CNN神經(jīng)網(wǎng)絡(luò)的搭建

所用技術(shù)：1.開(kāi)發(fā)環(huán)境：Python3，OpenCV，Tensorflow
2.圖像預(yù)處理：圖像采集，采用中值濾波器對(duì)采集到的圖像進(jìn)行平滑濾波，去除噪聲和畸變，突出圖像的有用信息，使用OTSU閾值分割法二值化圖像，作為CNN的輸入；
3.通過(guò)對(duì)比分析，確定更為合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用CNN和Bagging的結(jié)合來(lái)訓(xùn)練數(shù)據(jù)，以提升分類(lèi)器的泛化能力，減少訓(xùn)練數(shù)據(jù)中隨機(jī)誤差的干擾；
3.采用離線訓(xùn)練和在線訓(xùn)練相結(jié)合的斱式，縮短收斂時(shí)間，生成最終的CNN集成模型；
4.使用生成的模型應(yīng)用于噴碼字符識(shí)別，得到產(chǎn)品信息。

齒輪表面缺陷檢測(cè)系統(tǒng)

項(xiàng)目介紹：零件置于載物臺(tái)上，通過(guò)LED光源的均勻照射，通過(guò)CCD攝像機(jī)獲取零件的圖像，將采集到的圖像傳送至計(jì)算機(jī)進(jìn)行圖像處理，幵提取特征參數(shù)，實(shí)現(xiàn)對(duì)缺陷零件的識(shí)別和分類(lèi)，最終完成系統(tǒng)的檢測(cè)仸務(wù)。
負(fù)責(zé)部分：圖像處理模塊和自動(dòng)檢測(cè)結(jié)果模塊
所用技術(shù)：1.開(kāi)發(fā)環(huán)境：Python3，Opencv，TensorFlow深度學(xué)習(xí)框架；
2.圖像預(yù)處理：使用中值濾波進(jìn)行圖像噪聲處理，使用直斱圖均衡化進(jìn)行圖像增強(qiáng)處理；
3.缺陷檢測(cè)：使用基于小波變換的一維OTSU閾值分割法進(jìn)行缺陷圖像分割，再進(jìn)行開(kāi)運(yùn)
算，閉運(yùn)算以去除雜點(diǎn)，對(duì)缺陷圖像使用Haar小波與Canny算子進(jìn)行邊緣檢測(cè)；
4.特征提取與選擇：提取缺陷的幾何特征和紋理特征，通過(guò)主成分分析的斱法對(duì)提取的特
征參數(shù)進(jìn)行降維處理，幵建立特征參數(shù)庫(kù)；
5.缺陷識(shí)別與分類(lèi)：將特征參數(shù)作為輸入，使用三層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將不同的缺陷進(jìn)
行訓(xùn)練，滿足工業(yè)零件檢測(cè)的需求；

項(xiàng)目名稱(chēng)：公司人臉識(shí)別系統(tǒng)

**項(xiàng)目描述：**對(duì)公司里的員工實(shí)現(xiàn)人臉識(shí)別檢測(cè)，更好的服務(wù)于上班打卡、開(kāi)會(huì)等公司內(nèi)部工作。本項(xiàng)目對(duì)人臉特征進(jìn)行研究，可以簡(jiǎn)單的根據(jù)“刷臉”完成靜態(tài)識(shí)別和動(dòng)態(tài)識(shí)別兩種功能。

職責(zé)描述: 1、基于OpenCV獲取USB攝像頭的視頻流，運(yùn)用高斯濾波對(duì)圖像進(jìn)

? 行去噪處理。

? 2、將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度。

3、利用TensorFlow和keras深度學(xué)習(xí)框架訓(xùn)練人臉識(shí)別模型。

4、采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性。

項(xiàng)目一：交通事件智能檢測(cè)系統(tǒng)

**項(xiàng)目描述：**對(duì)來(lái)自道路監(jiān)控?cái)z像機(jī)的視頻圖像，對(duì)道路交通事件以及過(guò)程進(jìn)行實(shí)時(shí)檢測(cè)、報(bào)警、記錄、傳輸、統(tǒng)計(jì)

**所用技術(shù)：**Python + numpy + OpenCV+ keras

**個(gè)人職責(zé)：**1. 使用OpenCV抓取視頻圖像，進(jìn)行降噪、亮度提升；

\2. 構(gòu)建訓(xùn)練集測(cè)試集以及數(shù)據(jù)預(yù)處理；

\3. 搭建cnn神經(jīng)網(wǎng)絡(luò)，訓(xùn)練模型；

\4. 評(píng)估模型，迭代優(yōu)化模型，提高模型的可用性；

項(xiàng)目二：光學(xué)字符識(shí)別-車(chē)牌識(shí)別、證件文字識(shí)別

**項(xiàng)目描述：**對(duì)于違法車(chē)輛或需要識(shí)別車(chē)牌的圖像進(jìn)行車(chē)牌號(hào)識(shí)別。

**所用技術(shù)：**Python + numpy + OpenCV + Tesseract-OCR

**個(gè)人職責(zé)：**圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，圖像的文字識(shí)別。

1.基于OpenCV運(yùn)用高斯濾波對(duì)圖像進(jìn)行去噪處理,灰度處理；

2.基于OpenCV對(duì)圖像進(jìn)行壓縮、剪裁；

3.利用Tesseract-OCR進(jìn)行圖像文字識(shí)別；

\4. 通過(guò)jtessboxeditor訓(xùn)練提高Tesseract庫(kù)的中文識(shí)別率；

**項(xiàng)目三：**智能客流統(tǒng)計(jì)系統(tǒng)

**項(xiàng)目描述：**針對(duì)視頻監(jiān)控區(qū)域內(nèi)的往返行人，采用行人頭肩特征檢測(cè)和目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)往返雙向行人計(jì)數(shù)。

**所用技術(shù)：**Python +numpy+OpenCV+TensorFlow

**個(gè)人職責(zé)：**圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，人物數(shù)量識(shí)別。

1.基于OpenCV運(yùn)用高斯濾波對(duì)圖像進(jìn)行去噪處理,灰度處理；

2.基于OpenCV對(duì)圖像進(jìn)行壓縮、剪裁；

3.使用TensorFlow搭建yolo卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別圖像中人數(shù)；

\4. 評(píng)估模型、超參數(shù)調(diào)整，優(yōu)化神經(jīng)網(wǎng)絡(luò)；

盾構(gòu)機(jī)刀具選型

**項(xiàng)目介紹：**盾構(gòu)掘進(jìn)中不同地層需要選取不同類(lèi)型的刀具，而盾構(gòu)機(jī)中途更換刀具有很大的風(fēng)險(xiǎn)，故需要

對(duì)刀具使用情況進(jìn)行分析；

? **個(gè)人職責(zé)：**圖像壓縮、剪裁，圖像降噪處理，直方圖均衡化處理，創(chuàng)建圖像識(shí)別器；
? **所用技術(shù)：**1. 對(duì)各完工項(xiàng)目刀具進(jìn)行偏磨與否，以及磨損量等參數(shù)采集；

? \2. 將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用色譜直方圖均衡化調(diào)節(jié)圖像亮度

\3. star 和 sift 進(jìn)行特征值提取

4 .創(chuàng)建隱馬爾科夫模型,根據(jù) score 值比較，得出報(bào)告

車(chē)牌檢測(cè)與識(shí)別

項(xiàng)目描述：智能交通系統(tǒng)作為平安城市，智慧城市的重要組成部分，正在各大城市興起并加速發(fā)展，車(chē)牌識(shí)別系統(tǒng)是現(xiàn)代智能交通系統(tǒng)的重要組成部分，是指在汽車(chē)不作任何改動(dòng)的情況下，實(shí)現(xiàn)汽車(chē)身份的自動(dòng)登記及驗(yàn)證。

項(xiàng)目職責(zé)：使用圖片邊緣檢測(cè)和圖片顏色定位車(chē)牌，先對(duì)圖片進(jìn)行高斯模糊，灰度化再二值化進(jìn)行圖片處理，

? 在使用閉操作，再根據(jù)定好的閾值進(jìn)行篩選，統(tǒng)一尺寸等操作，用訓(xùn)練好的SVM模型進(jìn)行判斷是否是車(chē)牌。

圖片處理與圖片分類(lèi)項(xiàng)目：檢測(cè)不符合要求的產(chǎn)品

項(xiàng)目描述：在 Keras 搭建深度 CNN，具體過(guò)程分為數(shù)據(jù)讀取、模型構(gòu)造、模型訓(xùn)練、測(cè)試模型

項(xiàng)目職責(zé)：1.數(shù)據(jù)集來(lái)自實(shí)時(shí)監(jiān)控中視頻流中的幀數(shù)據(jù)，首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，使用 Keras ImageDataGenerator 將不同種類(lèi)的圖片分在不同的文件夾中。

? 2.進(jìn)行模型構(gòu)建，這里采用了卷積層，池化層，全連接層，采用激活函數(shù)為relu，并采用了Dropout防止結(jié)果過(guò)擬合

項(xiàng)目名稱(chēng)：云app人臉識(shí)別登錄系統(tǒng)

項(xiàng)目介紹：公司開(kāi)發(fā)的云app是服務(wù)廣大企業(yè)家的，為了提高對(duì)賬號(hào)安全的保護(hù)，開(kāi)發(fā)人臉識(shí)

別登錄系統(tǒng)，不光可以防盜，還可以提供便捷的登錄方式。

項(xiàng)目職責(zé)：主要負(fù)責(zé)人臉識(shí)別匹配模塊；搭建卷積神經(jīng)網(wǎng)絡(luò)框架，創(chuàng)建人臉識(shí)別庫(kù)，運(yùn)用OpenCV

模塊采集圖像進(jìn)行匹配。

所用技術(shù)：1.使用Tensorflow框架搭建卷積層神經(jīng)網(wǎng)絡(luò)，對(duì)人臉數(shù)據(jù)創(chuàng)建模型，訓(xùn)練并保存；

2.采用交叉驗(yàn)證模塊，驗(yàn)證精度，提升模型的可靠性和穩(wěn)定性；

3.使用OpenCV截取視頻流，對(duì)截取到的圖像進(jìn)行剪裁，使用色譜直方圖均衡化調(diào)

節(jié)圖像亮度，進(jìn)行匹配；

基于OpenCV的智能機(jī)械手臂的研究與設(shè)計(jì)

**項(xiàng)目介紹：**目前大部分的機(jī)械臂都是采用示教控制，當(dāng)運(yùn)動(dòng)環(huán)境變化時(shí)，機(jī)械臂還是按照之前預(yù)設(shè)的路徑運(yùn)動(dòng)，缺乏運(yùn)動(dòng)自主性。為了動(dòng)態(tài)調(diào)整機(jī)械臂的運(yùn)動(dòng)路徑，采用OpenCV作為視覺(jué)庫(kù)，根據(jù)OpenCV返回的物體位置，直接匹配運(yùn)動(dòng)控制庫(kù)，實(shí)現(xiàn)根據(jù)物體在坐標(biāo)系中的位置規(guī)劃?rùn)C(jī)械手臂運(yùn)動(dòng)精確抓取物體的目的。

**個(gè)人職責(zé)：**圖片格式轉(zhuǎn)換，圖像降噪處理，直方圖均衡化處理，極值處理，創(chuàng)建圖像識(shí)別器，識(shí)別物體分布區(qū)域，從而決定機(jī)械臂的運(yùn)動(dòng)。

**所用技術(shù)：**1.通過(guò)V4L2驅(qū)動(dòng)抓取一幀圖像并處理成RGB圖像數(shù)據(jù)。

? 2.將圖片顏色進(jìn)行空間轉(zhuǎn)換后，使用(色譜直方圖均衡化)調(diào)節(jié)圖像亮度。

? 3.將圖片進(jìn)行極值處理，抓取物體的輪廓，并利用cvDilate函數(shù)膨脹輪廓。

4.基于物體輪廓，判斷所屬區(qū)域及位置，通過(guò)計(jì)算偏移距離和角度，確定匹配的動(dòng)作組和控制轉(zhuǎn)向，實(shí)現(xiàn)精確抓取物體的目的。

項(xiàng)目一：人臉識(shí)別門(mén)禁系統(tǒng)

開(kāi)發(fā)技術(shù)：Pycharm+numpy+OpenCV+sklearn

**項(xiàng)目描述：**與門(mén)禁系統(tǒng)對(duì)接，預(yù)留刷臉開(kāi)口，人臉考勤等功能，方便辦公區(qū)、手術(shù)室、藥品庫(kù)、住院部、消毒供應(yīng)中心、實(shí)驗(yàn)室等區(qū)域的出入管理

**責(zé)任描述：**1.基于OpenCV對(duì)圖像尺寸轉(zhuǎn)換，裁剪，對(duì)圖像進(jìn)行去噪處理

\2. 創(chuàng)建級(jí)聯(lián)分類(lèi)器，進(jìn)行多尺度人臉檢測(cè)

\3. 創(chuàng)建局部二值模式直方圖（LBPH）模型或SVM支持向量機(jī)人臉識(shí)別模型，對(duì)模型進(jìn)行訓(xùn)練，預(yù)測(cè)

\4. 基于SVM的人臉識(shí)別模型中用到PCA主成分分析方法對(duì)特征進(jìn)行降維，并檢測(cè)最佳降維力度，保證模型的最優(yōu)

項(xiàng)目二：手勢(shì)識(shí)別與控制

開(kāi)發(fā)技術(shù)：pycharm+OpenCV+YCrCb+OTSU

**項(xiàng)目描述：**采用OpenCV庫(kù)實(shí)現(xiàn)手勢(shì)識(shí)別。通過(guò)攝像頭采集手勢(shì)信息，對(duì)圖像進(jìn)行處理并通過(guò)凹凸點(diǎn)檢測(cè)以及

? 計(jì)算得到手勢(shì)，從而實(shí)現(xiàn)對(duì)網(wǎng)頁(yè)控制

**責(zé)任描述：**1.對(duì)采集到的視頻數(shù)據(jù)使用cv.BackgroundSubtratorMOG2背景減除

\2. 使用YCrCb之Cr量，OTSU二值化和高斯濾波實(shí)現(xiàn)人體皮膚檢測(cè)

\3. 檢測(cè)圖像的凹陷點(diǎn)cv.convexityDefects(),根據(jù)凹陷點(diǎn)的開(kāi)始點(diǎn)，結(jié)束點(diǎn)，遠(yuǎn)點(diǎn)的坐標(biāo)利用余弦定理計(jì)算兩根手指之間的夾角，根據(jù)銳角的個(gè)數(shù)判別手勢(shì)

\4. 根據(jù)識(shí)別出來(lái)的手勢(shì)實(shí)現(xiàn)對(duì)網(wǎng)頁(yè)的控制

二 、 電影推薦

項(xiàng)目描述
在信息爆炸的今天，獲取信息的途徑和方式多種多樣，人們花費(fèi)時(shí)間最多的不再是去哪獲取
信息，而是要在眾多的信息中尋找自己感興趣的 為了解決這個(gè)問(wèn)題，推薦系統(tǒng)應(yīng)運(yùn)而生 。
個(gè)人職責(zé)
數(shù)據(jù)處理，創(chuàng)建 模型 ，調(diào)試參數(shù)。
所用技術(shù)
1.
整理 用戶 對(duì) 電影 的評(píng)分矩 陣
2.
整理 電影 對(duì) 電影 的相似度矩陣
3.
每部電影最相似的 topN 電 影
4.
使用用戶對(duì)電影的評(píng)分作為權(quán)重，為召回的電影列表進(jìn)行排 序

項(xiàng)目二: 教育在線平臺(tái)開(kāi)發(fā)（視屏推薦模塊）

項(xiàng)目描述：根據(jù)學(xué)生的特征信息，比如是喜歡刷題、知識(shí)點(diǎn)講解，來(lái)向?qū)W生推薦合適的教學(xué)
視屏
個(gè)人職責(zé)：1、數(shù)據(jù)預(yù)處理，pandas生成一個(gè)多維空數(shù)組，用于存儲(chǔ)學(xué)與每個(gè)視屏標(biāo)簽的對(duì)
應(yīng)矩陣
2、通過(guò)pandas、loc方法取數(shù)據(jù)填寫(xiě)矩陣
3、使用sklearn、cosine_similarity余弦相似度得到用戶相似度矩陣
4、把普通推薦模型，封裝成一個(gè)類(lèi)，根據(jù)學(xué)生登入的id，推薦合適的教學(xué)視屏

標(biāo)準(zhǔn)智庫(kù)服務(wù)系統(tǒng)

項(xiàng)目介紹：由于標(biāo)準(zhǔn)知識(shí)、標(biāo)準(zhǔn)體系比較冷門(mén)，很多企業(yè)在購(gòu)買(mǎi)標(biāo)準(zhǔn)時(shí)經(jīng)常出現(xiàn)漏買(mǎi)、錯(cuò)買(mǎi)等問(wèn)題。
提出標(biāo)準(zhǔn)智庫(kù)服務(wù)系統(tǒng)，目的是能讓人們更好的了解、學(xué)習(xí)標(biāo)準(zhǔn)知識(shí)，能夠順利購(gòu)買(mǎi)標(biāo)準(zhǔn)。
個(gè)人職責(zé)：用戶行為分析、智能推薦
所用技術(shù)：使用推薦引擎算法；
按用戶行業(yè)類(lèi)別(一級(jí)分類(lèi))進(jìn)行邏輯分類(lèi)，按用戶買(mǎi)過(guò)的二級(jí)分類(lèi)數(shù)量生成正相關(guān)分?jǐn)?shù)；

根據(jù)用戶二級(jí)分類(lèi)及其分?jǐn)?shù)生成特征向量矩陣；
根據(jù)樣本得出皮爾遜相關(guān)系數(shù)矩陣(corrcoef)；
按照相似度逆序排列，并找出皮爾遜相關(guān)系數(shù)為正的用戶，生成推薦清單；
通過(guò)手機(jī)、郵箱推薦相關(guān)標(biāo)準(zhǔn)類(lèi)別。

三、項(xiàng)目名稱(chēng)：電影推薦系統(tǒng)

項(xiàng)目介紹：推薦每一部相似用戶看過(guò)而被推薦用戶沒(méi)看過(guò)的電影
個(gè)人職責(zé)：對(duì)數(shù)據(jù)進(jìn)行分析并建立模型達(dá)到智能推薦目的
所用技術(shù)：
1.根據(jù)歐式距離和皮爾遜距離分?jǐn)?shù)獲取所有用戶的相似分?jǐn)?shù)，構(gòu)建相似度矩陣
2…使用所有相似用戶的評(píng)分做關(guān)于相似度的加權(quán)平均數(shù)作為推薦依據(jù)
3.對(duì)功能模塊進(jìn)行測(cè)試并編寫(xiě)測(cè)試文檔

項(xiàng)目二： 智課優(yōu)選(推薦系統(tǒng))

項(xiàng)目描述：隨著公考熱度逐年上升，報(bào)名人員急速上漲，為了更方便、更直接的匹配學(xué)員報(bào)班需求，需要研發(fā)一
款智能推薦課程的系統(tǒng)，以達(dá)到減少人力，科學(xué)推薦的目的；
職責(zé)描述：收集數(shù)據(jù)并進(jìn)行清洗，尋找并建立模型，大量訓(xùn)練，完成預(yù)測(cè)及性能調(diào)優(yōu)，并持續(xù)用新數(shù)據(jù)重新訓(xùn)
練，更新模型；

所用技術(shù)：1、使用Pandas，Matplotlib 等工具處理數(shù)據(jù)，包括標(biāo)簽編碼，缺失值處理等；
2、計(jì)算歐氏距離分?jǐn)?shù)并以此構(gòu)建相似度矩陣；
3、使用相似用戶的反饋計(jì)算關(guān)于相似度的加權(quán)平均數(shù)并作為推薦依據(jù)，智能推薦；
4、使用多元分類(lèi)的方法進(jìn)行二次學(xué)習(xí)，并用Model_selection 模塊進(jìn)行數(shù)據(jù)集劃分；
5、使用交叉驗(yàn)證得出F1 得分，用混淆矩陣得出ROC 曲線AUC 值，對(duì)模型進(jìn)行評(píng)價(jià)；

編程開(kāi)發(fā)

項(xiàng)目一 : 每日購(gòu)放心

開(kāi)發(fā)環(huán)境 : Linux + Python + Django + Pycharm + MySQL

項(xiàng)目描述 : 隨著生活質(zhì)量的提高，社會(huì)發(fā)展，網(wǎng)絡(luò)服務(wù)的需求日益增多，該系統(tǒng)實(shí)現(xiàn)了客戶可以在線

查看瀏覽各種服飾的展示，并可以在系統(tǒng)完成下單和支付，然后會(huì)安排人員送貨上門(mén)。

責(zé)任描述 : 1、負(fù)責(zé)Django搭建后臺(tái)框架

2、負(fù)責(zé)客戶個(gè)人信息模塊的開(kāi)發(fā)

3、對(duì)售罄的產(chǎn)品及時(shí)下架

4、負(fù)責(zé)對(duì)項(xiàng)目的測(cè)試和修改

項(xiàng)目二 : 極速購(gòu)

開(kāi)發(fā)環(huán)境 : Linux + MySQL + Python + Django

項(xiàng)目描述 : 隨著網(wǎng)絡(luò)時(shí)代的急劇發(fā)展，電子產(chǎn)品的更新?lián)Q代也越來(lái)越快，該系統(tǒng)支持用戶在線瀏覽各

種電腦機(jī)器配置參數(shù)，并方便用戶的購(gòu)買(mǎi)，節(jié)約用戶的時(shí)間。

責(zé)任描述 : 1、負(fù)責(zé)對(duì)產(chǎn)品的上架管理功能

2、對(duì)產(chǎn)品的質(zhì)量進(jìn)行審核

3、產(chǎn)品的詳情展示

4、參與了電腦分類(lèi)表結(jié)構(gòu)設(shè)計(jì)

項(xiàng)目管理系統(tǒng)

開(kāi)發(fā)方案：php+apache+mysql+linux+禪道框架+shell

負(fù)責(zé)模塊：個(gè)人開(kāi)發(fā)

項(xiàng)目描述：在禪道源碼框架基礎(chǔ)上二次開(kāi)發(fā)，融入公司的工作流程并固話下來(lái)。

? 1）加入工作中的模板，規(guī)范工作內(nèi)容，例如產(chǎn)品創(chuàng)建，計(jì)劃創(chuàng)建，項(xiàng)目創(chuàng)建，任務(wù)創(chuàng)建

? 2）需求提交模塊進(jìn)行深度定制，把標(biāo)題分成多個(gè)關(guān)鍵字段，對(duì)需求進(jìn)行分類(lèi)保存

? 3）增加配置單和訂單生產(chǎn)兩個(gè)獨(dú)立模塊

? 4）統(tǒng)計(jì)模塊加入對(duì)產(chǎn)品信息，開(kāi)模情況，項(xiàng)目進(jìn)展?fàn)顟B(tài)，任務(wù)執(zhí)行情況，主流配置統(tǒng)計(jì)，訂單量

? 等多維度的信息統(tǒng)計(jì)

? 5）數(shù)據(jù)庫(kù)表結(jié)構(gòu)進(jìn)行優(yōu)化，優(yōu)化查詢(xún)效率

? 6）使用shell腳本定時(shí)運(yùn)行提醒模塊，以郵件的方式提醒今天需完成的需求和任務(wù)

項(xiàng)目4：購(gòu)物商城

項(xiàng)目簡(jiǎn)介：線上購(gòu)物平臺(tái)的搭建，更便捷的購(gòu)物體驗(yàn)

個(gè)人職責(zé)：1. 負(fù)責(zé)網(wǎng)站個(gè)人信息模塊的實(shí)現(xiàn)，包括登錄驗(yàn)證、注冊(cè)數(shù)據(jù)驗(yàn)證、權(quán)限控制等；

\2. 負(fù)責(zé)網(wǎng)站頁(yè)面數(shù)據(jù)的展示，為前端提供數(shù)據(jù)；

\3. 負(fù)責(zé)網(wǎng)站訂單管理

項(xiàng)目5：2016.09 – 2017.03 演藝裝備業(yè)科技服務(wù)平臺(tái)信息服務(wù)系統(tǒng)

**項(xiàng)目描述：**該項(xiàng)目主要是實(shí)現(xiàn)演藝裝備科技服務(wù)平臺(tái)信息服務(wù)系統(tǒng)，構(gòu)建演藝裝備業(yè)科技服

務(wù)系統(tǒng)化集成解決方案，打造設(shè)計(jì)全新科技服務(wù)支撐平臺(tái)，探索演藝業(yè)科技服務(wù)新模式，并通過(guò)應(yīng)用示范，聚合國(guó)內(nèi)外演藝裝備業(yè)服務(wù)資源，促進(jìn)國(guó)內(nèi)演藝裝備企業(yè)服務(wù)轉(zhuǎn)型升級(jí)，推動(dòng)演藝專(zhuān)業(yè)網(wǎng)絡(luò)化、集約化和專(zhuān)業(yè)化方向發(fā)展。主要模塊：信息服務(wù)，撮合交易，論壇交流，知識(shí)產(chǎn)權(quán)檢測(cè)認(rèn)證等。

**個(gè)人職責(zé)：**需求分析，信息服務(wù)，設(shè)計(jì)數(shù)據(jù)庫(kù)，推薦。

**所用技術(shù)：**1.調(diào)研現(xiàn)有演藝裝備業(yè)科技服務(wù)的用戶需求，撰寫(xiě)項(xiàng)目需求；

2.使用xampp、mysql搭建項(xiàng)目運(yùn)行環(huán)境、設(shè)計(jì)數(shù)據(jù)庫(kù)；

3.使用Python、web前端技術(shù)開(kāi)發(fā)系統(tǒng)，實(shí)現(xiàn)增加、修改、刪除、搜索信息的功能模塊；

4.基于協(xié)同過(guò)濾算法實(shí)現(xiàn)內(nèi)容推薦功能模塊。

項(xiàng)目4：公務(wù)用車(chē)車(chē)輛綜合管理服務(wù)平臺(tái)

項(xiàng)目簡(jiǎn)介: 實(shí)現(xiàn)管理數(shù)字化、工作規(guī)范化，提高工作效率、加快事務(wù)處理速度, 功能主要包括車(chē)輛調(diào) 度管理系統(tǒng)、辦公自動(dòng)化系統(tǒng)

個(gè)人職責(zé): 主要負(fù)責(zé)辦公自動(dòng)化系統(tǒng)后端模塊的開(kāi)發(fā)，如請(qǐng)假管理，通知公告，采購(gòu)，周食譜等模塊，同時(shí)負(fù)責(zé)BUG的修改，

應(yīng)用技術(shù): SSM框架，Session，Cookie，Mevan，MySql，Ajax,Jquery等技術(shù)

項(xiàng)目(一)： 火星惠直播平臺(tái)

開(kāi)發(fā)周期：持續(xù)開(kāi)發(fā) 開(kāi)發(fā)人數(shù): 6人
使用技術(shù)：Django+Scrapy+Xpath+Surprise+Numpy技術(shù)
項(xiàng)目描述：利利?用B/S結(jié)構(gòu),基于Django框架,針對(duì)在線購(gòu)物搭建的直播平臺(tái).不不僅可以直播、
在線互動(dòng)，?而且為了了增加?用戶對(duì)平臺(tái)的使?用粘性，還增加了了每?日新聞熱搜榜并且根據(jù)?用戶
喜好推薦相關(guān)商品等。
功能描述：會(huì)員管理理；視頻直播時(shí)可以通過(guò)在線互動(dòng)、發(fā)送彈幕來(lái)及時(shí)解決客戶問(wèn)題；通
過(guò)爬取每?日知乎的熱搜榜單來(lái)更更新本平臺(tái)的新聞熱搜榜；通過(guò)?用戶在平臺(tái)點(diǎn)擊內(nèi)容的標(biāo)簽進(jìn)?行行相關(guān)商品推薦。
責(zé)任描述：參與項(xiàng)?目需求的分析、每?日熱搜新聞的爬取、推薦算法的流程。

項(xiàng)目(二)： 火星兔子超市購(gòu)物系統(tǒng)

開(kāi)發(fā)周期：3個(gè)?月 開(kāi)發(fā)人數(shù): 4?人
使用技術(shù)：Django+JavaScript+Ajax+ORM技術(shù)
項(xiàng)目描述：本系統(tǒng)主要是提供商品的?網(wǎng)上銷(xiāo)售。顧客通過(guò)?網(wǎng)上瀏覽、搜索產(chǎn)品、購(gòu)物等；
公司?工員可以發(fā)布產(chǎn)品、維護(hù)產(chǎn)品信息、維護(hù)?用戶信息、訂單處理理、系統(tǒng)維護(hù)、權(quán)限維護(hù)
主要功能：訂單模塊、購(gòu)物?車(chē)模塊、產(chǎn)品模塊、?用戶模塊、基本資料料模塊。
責(zé)任描述：在本項(xiàng)?目中主要負(fù)責(zé)訂單和?用戶模塊。

項(xiàng)目(三)： 火星兔子供應(yīng)管理理系統(tǒng)

開(kāi)發(fā)周期：持續(xù)開(kāi)發(fā) 開(kāi)發(fā)人數(shù): 6人
使用技術(shù)：Django+Ajax+Numpy+Matplotlib技術(shù)
項(xiàng)目描述： 本系統(tǒng)專(zhuān)?用于超市商品供應(yīng)管理理，通過(guò)業(yè)務(wù)分析為銷(xiāo)售決策提供依據(jù)的功能。
功能描述：
1.基礎(chǔ)數(shù)據(jù)管理理：設(shè)置與管理理系統(tǒng)相關(guān)基礎(chǔ)數(shù)據(jù)設(shè)置與管理理，如供應(yīng)商、品牌等。
2.供應(yīng)商業(yè)務(wù)：商品與供應(yīng)商的關(guān)系及進(jìn)貨?入庫(kù)、返利利統(tǒng)計(jì)與計(jì)算、帳?目管理理等。
3.庫(kù)存業(yè)務(wù)：商品庫(kù)存的查詢(xún)統(tǒng)計(jì)、成本管理理、商品過(guò)期處理理等。
4.帳務(wù)管理理：查詢(xún)、轉(zhuǎn)帳、存取、收?支等管理理。
5.報(bào)表管理理：庫(kù)存、帳務(wù)、?日銷(xiāo)售、?月總結(jié)等相關(guān)報(bào)表?生成、導(dǎo)出等。
責(zé)任描述: 參與整個(gè)項(xiàng)?目的需求分析，主要負(fù)責(zé)賬務(wù)和報(bào)表管理理。其中報(bào)表管理理中主要對(duì)
超市?日、?月、季銷(xiāo)售做分析和統(tǒng)計(jì)，做出餅圖和柱狀圖綜合分析銷(xiāo)售指標(biāo)情況, 為銷(xiāo)售決
策提供依據(jù)。

視頻社交網(wǎng)站、APP

項(xiàng)目描述：SOSO視頻社交網(wǎng)站是一個(gè)集小視頻發(fā)布、播放，視頻墻、隱藏視頻社交、粉絲互動(dòng)等為一體，解
決視頻社交痛點(diǎn)的社交軟件，有效的進(jìn)行碎片化社交、輕壓力社交、娛樂(lè)社交的用戶高粘度山西本土社交網(wǎng)站
及APP。 主要業(yè)務(wù)：1.故事墻。 2.個(gè)人私有視頻樹(shù)洞。 3.小視頻的拍攝和發(fā)布。4.粉絲群聊互動(dòng)。5.秀出視頻
故事。6.碎片化社交。7.隱匿式社交。8.輕松式社交
主要模塊：1.Msysql存儲(chǔ)模塊。 2.圖像識(shí)別登錄模塊。 3.視頻直播模塊。4.隱藏式圖像識(shí)別模塊。5.小視頻上
傳播放模塊。6.個(gè)人主頁(yè)模塊。7.粉絲群模塊
項(xiàng)目職責(zé)：1.參與項(xiàng)目分析。 2.編寫(xiě)項(xiàng)目需求文檔。 3.編寫(xiě)圖像識(shí)別登錄和隱藏式圖像識(shí)別模塊及算法 優(yōu)
化。

項(xiàng)目1：基于ROS 系統(tǒng)數(shù)控機(jī)床機(jī)械臂上下料設(shè)計(jì)

項(xiàng)目簡(jiǎn)介：為了提高工作效率，降低成本，將生產(chǎn)線發(fā)展成靈敏的操作系統(tǒng)，適應(yīng)現(xiàn)代機(jī)械工業(yè)自動(dòng)
化生產(chǎn)的要求，有必要根據(jù)詳細(xì)的生產(chǎn)工藝設(shè)計(jì)獨(dú)自的上下料，結(jié)合機(jī)床的實(shí)際結(jié)構(gòu)，
采用現(xiàn)代機(jī)械手技術(shù)。
個(gè)人職責(zé)：上位機(jī)部分（包含joint_state 串口連接）、運(yùn)動(dòng)規(guī)劃與算法部分（包含moveit 及配置）
所用技術(shù)：

基于ROS 系統(tǒng)OpenMainpulator 建模和仿真

創(chuàng)建MoveIt！功能包，為pyhton 提供move_commander

構(gòu)建RViz 與move_group 節(jié)點(diǎn)建立通信服務(wù)

運(yùn)動(dòng)規(guī)劃設(shè)計(jì)，計(jì)算機(jī)械臂位姿，利用python 編寫(xiě)運(yùn)動(dòng)算法

項(xiàng)目2：基于ROS 系統(tǒng)移動(dòng)機(jī)器人平臺(tái)SLAM 和導(dǎo)航設(shè)計(jì)

項(xiàng)目簡(jiǎn)介：本移動(dòng)機(jī)器人平臺(tái)是上下料機(jī)械臂的底座，方便機(jī)械臂對(duì)相應(yīng)機(jī)床進(jìn)行操控，達(dá)到自動(dòng)定
位、導(dǎo)航、避障等功能。
個(gè)人職責(zé)： 測(cè)量和估計(jì)移動(dòng)機(jī)器人平臺(tái)位姿、運(yùn)動(dòng)規(guī)劃設(shè)計(jì)、dwa_local_plammer 調(diào)參等
所用技術(shù)：
1.建立移動(dòng)平臺(tái)坐標(biāo)關(guān)系tf
2.設(shè)置Rviz，包含進(jìn)行2D 位姿估計(jì)，實(shí)現(xiàn)2D 導(dǎo)航目標(biāo)等
3.Gazebo 創(chuàng)建里程數(shù)據(jù)
4.map_server 保存、加載地圖

中國(guó)標(biāo)準(zhǔn)在線服務(wù)網(wǎng)

項(xiàng)目介紹：以國(guó)家標(biāo)準(zhǔn)、行業(yè)標(biāo)準(zhǔn)、企業(yè)標(biāo)準(zhǔn)文本的銷(xiāo)售網(wǎng)站
個(gè)人職責(zé)：會(huì)員模塊、支付模塊以及部分后臺(tái)管理系統(tǒng)業(yè)務(wù)邏輯開(kāi)發(fā)
所用技術(shù)：項(xiàng)目使用SSH 框架，后期接入mybatis 進(jìn)行數(shù)據(jù)庫(kù)優(yōu)化。
支付邏輯模塊使用Java 編寫(xiě)，與支付寶微信等第三方支付平臺(tái)合作。

數(shù)據(jù)分析

市場(chǎng)數(shù)據(jù)與指數(shù)變動(dòng)的相關(guān)性研究

項(xiàng)目簡(jiǎn)介： 研究個(gè)股的價(jià)格變動(dòng)與市場(chǎng)數(shù)據(jù)的相關(guān)性，進(jìn)行分析，并得到最終結(jié)論。

**所用技術(shù)：**numpy + sklearn + Pycharm

**項(xiàng)目職責(zé)：**1. 分析經(jīng)濟(jì)指標(biāo)(GDP增長(zhǎng)率和M1)、成交量和融資余額等市場(chǎng)數(shù)據(jù)與上證指數(shù)變動(dòng)的相關(guān)性；

\2. 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

\3. 使用numpy、sklearn模塊進(jìn)行線性回歸，驗(yàn)證模型可行性。

纏論模型的簡(jiǎn)單量化

**項(xiàng)目簡(jiǎn)介：**繪制傳統(tǒng)的股票k線圖，并通過(guò)數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析，對(duì)纏論理論中的操作點(diǎn)位進(jìn)行簡(jiǎn)單量化。

**所用技術(shù)：**numpy + matplotlib + sklearn + csv + Pycharm

**項(xiàng)目職責(zé)：**1.讀取存儲(chǔ)在csv中的相關(guān)數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

2.完成k線圖、5日均線、布林線以及OBV的繪制；

3.對(duì)數(shù)據(jù)進(jìn)行多項(xiàng)式擬合，嘗試量化纏論模型的操作點(diǎn)位。

六軸雕銑機(jī)智能控制系統(tǒng)

**項(xiàng)目簡(jiǎn)介：**目前國(guó)內(nèi)外的雕銑機(jī)大都基于CAD/CAM系統(tǒng)，對(duì)工作人員具有較高的要求。為了 提高 雕銑機(jī)控制系統(tǒng)的開(kāi)放性和智能化，采用面向?qū)ο蟮木幊趟枷?#xff0c;根據(jù)加工模型中不同 類(lèi)別的加工 點(diǎn)特征，自適應(yīng)的選擇不同的加工方法，從而實(shí)現(xiàn)對(duì)雕銑機(jī)的六軸協(xié)調(diào)連續(xù)控制。

**個(gè)人職責(zé)：**提取加工點(diǎn)特征并分類(lèi)，存儲(chǔ)加工模型信息，研究加工軸的算法，并進(jìn)行WPF應(yīng) 用程序界面的開(kāi)發(fā)。

**所用技術(shù)：**1.利用統(tǒng)一建模語(yǔ)言UML進(jìn)行系統(tǒng)建模。

2.利用XmlDocument類(lèi)提供的方法將加工點(diǎn)信息存儲(chǔ)到XML加工文件中，并實(shí)現(xiàn) XML加工文件到加工點(diǎn)列表的雙向轉(zhuǎn)換。

3.利用TreeView控件實(shí)現(xiàn)數(shù)據(jù)的分層化顯示。

4.基于PCI-DMC-B01提供的API接口，設(shè)計(jì)加工軸控制邏輯。

5.對(duì)加工速度，加減速時(shí)間等參數(shù)進(jìn)行調(diào)整。

基于機(jī)器學(xué)習(xí)的芯片異常監(jiān)測(cè)系統(tǒng)

**項(xiàng)目簡(jiǎn)介：**芯片在出廠前會(huì)經(jīng)過(guò)包括HTOL在內(nèi)的一系列測(cè)試。為了及時(shí)獲取各實(shí)驗(yàn)板的正常 工作時(shí)間，搭建了實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。一旦試驗(yàn)期間出現(xiàn)任何異常，監(jiān)測(cè)系統(tǒng)會(huì)將異常信息及前 1h的所有信息進(jìn)行存儲(chǔ)，供實(shí)驗(yàn)人員進(jìn)行排查。

**個(gè)人職責(zé)：**分析實(shí)驗(yàn)數(shù)據(jù)，提取工作電流、工作電壓、芯片結(jié)溫等樣本特征，并對(duì)這些特征 進(jìn)行數(shù)值化處理。選擇最佳的預(yù)測(cè)模型，訓(xùn)練數(shù)據(jù)，并通過(guò)大量測(cè)試，實(shí)現(xiàn)對(duì)異常樣本的及 時(shí)監(jiān)測(cè)。

**所用技術(shù):**1.選取多元高斯分布模型進(jìn)行異常監(jiān)測(cè)。

2.利用極大似然估計(jì)法對(duì)模型參數(shù)進(jìn)行估計(jì)。

\3. 采用取對(duì)數(shù)、取冪次等方法調(diào)整不滿足高斯分布的特征值。

4.通過(guò)交叉驗(yàn)證集，選取最佳的閾值。并根據(jù)查準(zhǔn)率和召回率對(duì)模

模型效果進(jìn)行評(píng)估。

項(xiàng)目名稱(chēng)：金融數(shù)據(jù)量化分析–基金分析

項(xiàng)目介紹：公司跟外部基金公司合作后開(kāi)展的一個(gè)自動(dòng)化分析項(xiàng)目。根據(jù)現(xiàn)階段的收益預(yù)估年

度收益，按照年度收益排榜，推送給用戶。

項(xiàng)目職責(zé)：分析基金產(chǎn)品的收益率，通過(guò)量化分析，對(duì)預(yù)估收益進(jìn)行可視化操作。此外，通過(guò)

數(shù)學(xué)回歸擬合對(duì)接下來(lái)的一周做出預(yù)測(cè)，提供操作指導(dǎo)。

所用技術(shù)：1.運(yùn)用numpy模塊進(jìn)行數(shù)據(jù)清洗，篩選出我們需要的幾個(gè)指標(biāo)；

2.通過(guò)matplotlib和numpy模塊繪制出相應(yīng)的趨勢(shì)線，主要包括5日線，10日線，

布林帶等；

3.對(duì)數(shù)據(jù)進(jìn)行分月度、季度、年度做回歸擬合，對(duì)接下來(lái)的某一天或某幾天的股價(jià)

進(jìn)行預(yù)測(cè)；

4.調(diào)整參數(shù)，根據(jù)近期的數(shù)據(jù)檢測(cè)模型，找到最合適的模型；

青島銀行信用卡營(yíng)銷(xiāo)分析

? 2018年青島銀行卡中心獲得信用卡牌照以來(lái)，通過(guò)對(duì)原青島銀行的用戶進(jìn)行數(shù)據(jù)分析，分離出用戶類(lèi)型。對(duì)潛在客戶進(jìn)行定點(diǎn)精確營(yíng)銷(xiāo)，信用卡產(chǎn)品僅用66天達(dá)成累計(jì)發(fā)卡10萬(wàn)張，是國(guó)內(nèi)城商行發(fā)行首張信用卡最快實(shí)現(xiàn)10萬(wàn)張的發(fā)卡機(jī)構(gòu)。

責(zé)任描述：

特征工程：根據(jù)業(yè)務(wù)需求分析分類(lèi)用戶所用特征，并完成數(shù)據(jù)清洗；

選擇模型：使用多種模型對(duì)業(yè)務(wù)分析判斷，找出模型；

調(diào)參：對(duì)超參數(shù)進(jìn)行變換評(píng)估，找出適用模型的超參數(shù)。

使用技術(shù)：

Mysql + Python +Pandas+ K-均值算法 + Excel

青島銀行信用卡營(yíng)銷(xiāo)分析

? 青島銀行信用卡中心為了快速實(shí)現(xiàn)盈利，要求對(duì)信用卡用戶的消費(fèi)習(xí)慣，提煉出高附加值用戶，實(shí)現(xiàn)二八原則，篩選出優(yōu)質(zhì)的循環(huán)卡用戶，通過(guò)定點(diǎn)制定營(yíng)銷(xiāo)策略提高信用卡的使用頻率。

責(zé)任描述：

特征工程：根據(jù)業(yè)務(wù)需求分析分類(lèi)用戶所用特征，并完成數(shù)據(jù)清洗；

選擇模型：使用多種模型對(duì)業(yè)務(wù)分析判斷，找出模型；

調(diào)參：對(duì)超參數(shù)進(jìn)行變換評(píng)估，找出適用模型的超參數(shù)。

模型融合：對(duì)訓(xùn)練的多個(gè)模型進(jìn)行評(píng)估融合，找出最優(yōu)的模型組合。

可視化：使用matplotlib繪制分類(lèi)結(jié)果的直方圖，餅狀圖對(duì)用戶分類(lèi)實(shí)現(xiàn)結(jié)果可視化

使用技術(shù)：

Mysql + Python +Numpy+Pandas + Matplotlib

泥水盾構(gòu)泥漿比重、粘度預(yù)測(cè)

**項(xiàng)目簡(jiǎn)介：**利用泥水盾構(gòu)泥漿制同步砂漿可以很好地解決廢棄泥漿難以處理的難題，并可以使泥水?dāng)嚢枵?/p>

? 配制砂漿得到更好的效果。

**個(gè)人職責(zé)：**采集泥水盾構(gòu)進(jìn)排泥泥漿參數(shù)。

**所用技術(shù)：**1.對(duì)采集數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗,去除異常值；

2.對(duì)分析特征間的相關(guān)關(guān)系,并對(duì)特征與標(biāo)注進(jìn)行 matplotlib 可視化；

3.構(gòu)建訓(xùn)練模型，對(duì)各項(xiàng)目泥漿配比參數(shù)進(jìn)行分析，并給出預(yù)測(cè)值；

泥水盾構(gòu)過(guò)不同地層參數(shù)分析**

**項(xiàng)目介紹：**通過(guò)對(duì)多個(gè)項(xiàng)目區(qū)間盾構(gòu)在不同地層的掘進(jìn)參數(shù)分析，預(yù)測(cè)相應(yīng)的盾構(gòu)掘進(jìn)參數(shù)，以供盾構(gòu)司

? 機(jī)參考

? **個(gè)人職責(zé)：**采集各項(xiàng)目掘進(jìn)參數(shù)并進(jìn)行有效參數(shù)的提取，分析；
? **所用技術(shù)：**1. 采用缺失值、異常值處理，均值移除，范圍縮放，編碼轉(zhuǎn)換等方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

\2. 線性回歸，嶺回歸等機(jī)器學(xué)習(xí)模型預(yù)測(cè)參數(shù)值；

\3. 使用matplotlib模塊對(duì)預(yù)測(cè)結(jié)果進(jìn)行圖像可視化；

項(xiàng)目名稱(chēng)：圖書(shū)館書(shū)籍定位系統(tǒng)

項(xiàng)目描述：
利用圖書(shū)館平面圖以及數(shù)據(jù)庫(kù)，對(duì)書(shū)籍進(jìn)行重新分區(qū)和定位，以便于管理和同學(xué)找書(shū)借書(shū)。
職責(zé)描述：
? 從數(shù)據(jù)庫(kù)提取書(shū)籍信息，對(duì)書(shū)籍進(jìn)行分類(lèi)
? 從數(shù)據(jù)庫(kù)提取讀者借閱信息，利用numpy,pandas 等分析讀者借閱情況
? 利用Matplotlib 進(jìn)行圖像繪制

項(xiàng)目一：雙重股權(quán)結(jié)構(gòu)的上市公司分析

項(xiàng)目描述：在 A 股市場(chǎng)中，是不允許雙重股權(quán)公司的存在，然而在國(guó)外市場(chǎng)卻是廣泛存在。雙重股權(quán)就 是把股票分為兩種，一種股票可以獲得高投票權(quán)，低股息，而另一種股票是獲得低投票權(quán)，高股息。本項(xiàng) 目旨在分析這種股權(quán)結(jié)構(gòu)公司與該公司的股價(jià)是否有一定的關(guān)系,雙重股權(quán)結(jié)構(gòu)公司是否具有投資價(jià)值。
技術(shù)描述：phantomjs–numpy–matplotlib
責(zé)任描述：
1、 利用 phantomjs 獲得網(wǎng)頁(yè)源代碼，爬取相關(guān)信息；
2、 運(yùn)用numpy進(jìn)行數(shù)據(jù)處理，處理特征，去除空值數(shù)據(jù)，將特征數(shù)值化
3 、 通過(guò) matplotlib模塊繪制擬合圖線，得出結(jié)論

項(xiàng)目二：外匯行情趨勢(shì)分析

項(xiàng)目描述：外匯相比于股票是更加靈活的一種投資方式，不僅是可以雙向交易，而且T+0的交易模式需要投資者對(duì)市場(chǎng)有著敏銳的洞察力以及進(jìn)場(chǎng)時(shí)機(jī)，所以用程序來(lái)操作是一種比較容易且高效的交易方式。本項(xiàng)目旨在分析當(dāng)前外匯價(jià)格以及預(yù)測(cè)未來(lái)的外匯走勢(shì)，并在合適的位置買(mǎi)入賣(mài)出。
技術(shù)描述：numpy–tushare----pandas–sklearn—matplotlib
責(zé)任描述：
1、利用 tushare 接口獲取數(shù)據(jù)，保存，篩選特征轉(zhuǎn)換數(shù)據(jù)格式
2、使用 sklearn 提供的 Linear Regression 函數(shù)進(jìn)行建模，使用測(cè)試集進(jìn)行測(cè)試，計(jì)算相應(yīng)的精確度分析數(shù)據(jù)
3、繪制外匯價(jià)格走勢(shì)圖，利用公司提供的交易接口來(lái)實(shí)現(xiàn)自動(dòng)交易

項(xiàng)目名稱(chēng)：訂單拆單與箱型推薦

2 開(kāi)發(fā)環(huán)境：python+pycharm+pandas+Tersorflow+windows

2 項(xiàng)目描述： 天貓訂單訂單拆單分揀包裝箱型推薦，從而降低包裝成本

2 項(xiàng)目職責(zé)：數(shù)據(jù)預(yù)測(cè)，數(shù)據(jù)推薦

\1. 將所有商品基礎(chǔ)信息（長(zhǎng)寬高重量）進(jìn)行數(shù)據(jù)錄入。

\2. 將多件商品長(zhǎng)寬高作為樣本數(shù)據(jù)，對(duì)應(yīng)箱型作為輸出數(shù)據(jù)劃分樣本集

\3. 將樣本數(shù)據(jù)進(jìn)行范圍縮放，缺失值異常值處理

\4. 學(xué)習(xí)曲線找出最優(yōu)訓(xùn)練集與測(cè)試集，將數(shù)據(jù)拆分

\5. 利用決策樹(shù)建立分類(lèi)模型，通過(guò)網(wǎng)格搜索選擇最優(yōu)參數(shù)

\6. 訓(xùn)練并通過(guò)分類(lèi)報(bào)告得分得到模型得分

訓(xùn)練后模型測(cè)試并不斷調(diào)試優(yōu)化，得出對(duì)應(yīng)箱型后再次拆單，利用batch再次預(yù)測(cè)得出預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果組合給到訂單推薦顯示提供分揀人員

項(xiàng)目2 ： 二手車(chē)成交預(yù)測(cè)系統(tǒng)

開(kāi)發(fā)工具： pandas + + numpy + python + matplotlib　+ sklearn 項(xiàng)目描述：

二手車(chē)成交通常通過(guò)評(píng)估師和銷(xiāo)售人員憑借經(jīng)驗(yàn)判斷，帶有一定的主觀因素和個(gè)人情緒會(huì)影響預(yù)測(cè) 結(jié)果。 我們依次來(lái)建立課題，通過(guò)收集上架一周已經(jīng)成交的車(chē)源和上架二周還沒(méi)有成交車(chē)源進(jìn)行數(shù)據(jù)整理，轉(zhuǎn)化為數(shù)學(xué)問(wèn)題，建立機(jī)器學(xué)習(xí)模型，讓機(jī)器訓(xùn)練這些數(shù)據(jù)的規(guī)律，用學(xué)到的規(guī)律來(lái)預(yù)測(cè)二手車(chē)是否好賣(mài)。

項(xiàng)目職責(zé)：
數(shù)據(jù)收集，收集歷史成交和未成交的車(chē)源做為數(shù)據(jù)，把數(shù)據(jù)分成好賣(mài)樣本(一周內(nèi)的成交的車(chē)源), 不 好賣(mài)的樣本(二周內(nèi)仍在銷(xiāo)售的車(chē)源)，特征選擇我們盡量降低特征維度和舍棄效果增益小的特征，我 們這里對(duì)二手車(chē)從價(jià)格，車(chē)源，車(chē)型等方面進(jìn)行考慮；

數(shù)據(jù)預(yù)處理， 處理異常值和缺失值，對(duì)數(shù)值變量進(jìn)行歸一化處理，利用One-Hot 編碼將非數(shù)值型數(shù)據(jù)編碼為模型可以識(shí)別處理的數(shù)值；構(gòu)建模型，我們采取比隨機(jī)森林和正向激勵(lì)的集成算法模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，用隨機(jī)搜索的方法對(duì)超參數(shù)進(jìn)行優(yōu)化。并通過(guò)訓(xùn)練好的模型對(duì)未成交的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

項(xiàng)目效果：

通過(guò)構(gòu)建如此的預(yù)測(cè)模型，我們用在評(píng)估前和評(píng)估時(shí)，通過(guò)打印模型的分類(lèi)報(bào)告能夠很好判斷車(chē) 源是否好賣(mài)，從而制定相對(duì)應(yīng)的策略，例如好車(chē)進(jìn)行先評(píng)估等；同時(shí)我們將模型認(rèn)為好賣(mài)的車(chē)型 與估價(jià)師進(jìn)行對(duì)比會(huì)發(fā)現(xiàn)，好賣(mài)車(chē)型占比非常少的時(shí)候，例如5%比例，模型相對(duì)于估價(jià)師提升了 30%的轉(zhuǎn)化率，隨著比例的增加，轉(zhuǎn)化率有所減少，總體來(lái)說(shuō)，還是優(yōu)于估價(jià)師。

項(xiàng)目1 : ＡFA１-9000漏包率的分析和改善方案

軟件環(huán)境: Linux + Python + Numpy + Pandas + Matplotlib　+ Sklearn 項(xiàng)目描述:
每年進(jìn)入第四季度240枕包漏標(biāo)率投訴急劇增加，對(duì)企業(yè)的形象及集團(tuán)的年度排名有較大

影響為解決該問(wèn)題，成立專(zhuān)項(xiàng)小組，通過(guò)對(duì)３年內(nèi)的數(shù)據(jù)集的數(shù)據(jù)預(yù)處理，可視化數(shù)據(jù)，關(guān)鍵

特征值提取等操作，發(fā)現(xiàn)問(wèn)題，分析問(wèn)題，總結(jié)整改，并制定改善方案，并執(zhí)行。同時(shí)做出風(fēng)

險(xiǎn)預(yù)測(cè)。

項(xiàng)目職責(zé)：
數(shù)據(jù)采集，通過(guò)對(duì)Mysql數(shù)據(jù)庫(kù)的調(diào)用，獲取近3年的數(shù)據(jù)，總結(jié)數(shù)據(jù)樣本的特征，組織各

部門(mén)負(fù)責(zé)人通過(guò)人機(jī)料法環(huán)的方式對(duì)不同部門(mén)的針對(duì)漏包的影響的主要因素進(jìn)行提取特征，通

過(guò)Pandas對(duì)讀取的數(shù)據(jù)進(jìn)行清洗降噪，填補(bǔ)缺失值。數(shù)據(jù)的集成等操作獲取損包數(shù)據(jù)，然后

通過(guò)Sklearn的均值移除的，歸一化，范圍縮放，獨(dú)熱編碼方法，針對(duì)不同數(shù)據(jù)類(lèi)型，不同需

求進(jìn)行分類(lèi)和回歸的計(jì)算，將不同特征與漏報(bào)率通過(guò)Matplotlib進(jìn)行數(shù)據(jù)可視化分析不同特

征值對(duì)數(shù)據(jù)的影響

項(xiàng)目效果：
項(xiàng)目最終通過(guò)數(shù)據(jù)分析制定保證生產(chǎn)線人員技能在2年以上至少４人，后段設(shè)備夾爪機(jī)保養(yǎng)

周期縮短至一周，原輔料庫(kù)改造提升保暖性。儲(chǔ)運(yùn)與正規(guī)裝卸隊(duì)進(jìn)行合同制等一些列措施，最終將漏報(bào)率降低，連續(xù)６個(gè)月取得漏包率最低成績(jī)。并推廣事業(yè)部作為優(yōu)秀案例。

項(xiàng)目2 ： A3灌裝機(jī)切刀夾紙故障課題

軟件環(huán)境 : Linux + Python + Numpy + Pandas + Matplotlib　+ Sklearn 項(xiàng)目描述 ：

? 為解決間歇性切刀夾紙故障造成的設(shè)備停機(jī)而引起的成本損失和效率損失，開(kāi)展課題，

通過(guò)其他工廠同設(shè)備故障數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，發(fā)現(xiàn)問(wèn)題，解決整改，并制定標(biāo)準(zhǔn)化方案。

項(xiàng)目職責(zé)：
將Mysql庫(kù)中的數(shù)據(jù)和Excel表中數(shù)據(jù)進(jìn)行采集，提取及清洗，通過(guò)Pandas對(duì)數(shù)據(jù)進(jìn)行

提取，并進(jìn)行數(shù)據(jù)預(yù)處理，通過(guò)歸一化，獨(dú)熱編碼等操作對(duì)分類(lèi)和回歸問(wèn)題進(jìn)行處理，通過(guò)應(yīng)

用Matplotlib不同工廠的不同特征值的數(shù)據(jù)可視化進(jìn)行分析組織設(shè)備部生產(chǎn)部對(duì)分析結(jié)果進(jìn)行

評(píng)估，并制定解決方案

項(xiàng)目效果：
通過(guò)各工廠間數(shù)據(jù)分析，最終發(fā)現(xiàn)因設(shè)備設(shè)備大修后由與維修工安裝切刀安裝順序不同

造成切刀磨損，后將維修安裝切刀操作標(biāo)準(zhǔn)化，生成安裝手冊(cè)標(biāo)準(zhǔn)文檔。

地震屬性數(shù)據(jù)挖掘 在 薩葡油層儲(chǔ)層預(yù)測(cè) 應(yīng)用研究

軟件環(huán)境 : Linux + Python + Numpy + Pandas + Matplotlib + Sklearn Pycharm
項(xiàng)目描述
儲(chǔ)層砂體的識(shí)別主要來(lái)源于地質(zhì)專(zhuān)家對(duì)測(cè)井?dāng)?shù)據(jù)的手工解釋，而密集采樣的三維地震數(shù)據(jù)卻
只是作為佐證被使用，在油田開(kāi)發(fā)前期測(cè)井?dāng)?shù)據(jù)少的情況下，這樣的儲(chǔ)層識(shí)別模式一籌莫展。本
項(xiàng)目的主要目標(biāo)是對(duì)三維地震數(shù)據(jù)建模，完成對(duì)儲(chǔ)層的預(yù)測(cè)。
項(xiàng)目數(shù)據(jù)的特點(diǎn)是： 已知的儲(chǔ)層平
面
圖和三維地震屬性圖數(shù)量級(jí)不匹配。井點(diǎn)數(shù)據(jù)和屬性坐標(biāo)數(shù)據(jù)點(diǎn)數(shù)量級(jí)不匹配。
項(xiàng)目職責(zé)：
1 完成前期地震屬性數(shù)據(jù)的清洗 、 解釋文本數(shù)據(jù)的編碼 以及 對(duì) 二維相圖的矢量化。
2
完成地震數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)的統(tǒng)計(jì)性分析。把二維數(shù)據(jù)按坐標(biāo)拉平到一維，嘗試不同的分
類(lèi)模型，確定開(kāi)發(fā)集，測(cè)試集
和 訓(xùn)練集， 再通過(guò)偏差和方差的分析，確定模型的改進(jìn)方案。
3
，數(shù)據(jù)特征工程研究和模型的創(chuàng)新。 由于目標(biāo)數(shù)據(jù)不同類(lèi)別的距離特征和統(tǒng)計(jì)分布特征不
明顯，
探索 不同目標(biāo)在頻率域和時(shí)間域的差異，提出基于數(shù)據(jù)維度變換的分類(lèi) 器 。

數(shù)據(jù)特征工程和機(jī)器學(xué)習(xí)在煤層氣預(yù)測(cè)領(lǐng)域的應(yīng)用研究

軟件環(huán)境： Linux + Python + Pycharm + SKlearn+ Numpy + Pandas +Matplotlib
項(xiàng)目描述：
煤層氣評(píng)價(jià)現(xiàn)狀是利用測(cè)井?dāng)?shù)據(jù)表現(xiàn)出的‘三高三低’的特征進(jìn)行人工的解釋，所以存在解釋
效率低，引入的人為誤差大的問(wèn)題。項(xiàng)目的主要目標(biāo)是利用機(jī)器學(xué)習(xí)的方法，完成對(duì)測(cè)井?dāng)?shù)據(jù)的
清洗，數(shù)據(jù)主要特征的提取，最后完成測(cè)井?dāng)?shù)據(jù)煤層氣評(píng)價(jià)模型的建立，以代替人工解釋。

項(xiàng)目職責(zé)：
1 利用 pandas 完成前期測(cè)井?dāng)?shù)據(jù)和已有煤層解釋數(shù)據(jù)的清洗和 （巖性 編碼。
2
，利用主成分分析 巖心實(shí)驗(yàn)數(shù)據(jù) 定義提取的主成分物理含義， 建立煤層氣評(píng)價(jià)的物理模型 。
3
，分析 物理模型中所 需要的物理參數(shù) 完成 測(cè)井?dāng)?shù)據(jù)的主要特征提取。利用 SKlearn 對(duì) 提取
的
測(cè)井?dāng)?shù)據(jù)主要特征進(jìn)行所需物理參數(shù)的擬合 ，再 利用煤層氣解釋數(shù)據(jù)完成整體 模型的訓(xùn)練，最后
完成模型的的理論解釋
及模型評(píng)估報(bào)告 。

項(xiàng)目3 江寧經(jīng)濟(jì)開(kāi)發(fā)區(qū)房?jī)r(jià)分析與預(yù)測(cè)

項(xiàng)目環(huán)境: Python + requests + Sklearn + Matplotlib + Win
項(xiàng)目描述: 為二手房店家提供定價(jià)模型，滿足定價(jià)合理性。
主要工作: 獲取數(shù)據(jù)，采用Python語(yǔ)言，以requests模塊為基礎(chǔ)，結(jié)合正則表達(dá)式，代理IP等方法通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)爬取房
產(chǎn)信息。數(shù)據(jù)清洗降噪，去除重復(fù)樣本。特征編碼，對(duì)數(shù)據(jù)進(jìn)行隨機(jī)排序，然后拆分?jǐn)?shù)據(jù)集。建立模型，利用網(wǎng)格搜索確定超
參數(shù)，訓(xùn)練與評(píng)估模型，最后直觀顯示出樣本中各特征重要性。

項(xiàng)目名稱(chēng)：上海魔鏡項(xiàng)目

開(kāi)發(fā)環(huán)境：Ubuntu+C+gcc
項(xiàng)目描述： 為了讓金融機(jī)構(gòu)風(fēng)險(xiǎn)管理人員能夠在審核和評(píng)估信貸業(yè)務(wù)時(shí)，從海量、
多維的客戶資料中快速篩查、定位和提煉出風(fēng)險(xiǎn)信息，創(chuàng)建一個(gè)基于業(yè)
務(wù)規(guī)則和數(shù)據(jù)分析的綜合風(fēng)險(xiǎn)模型，預(yù)測(cè)風(fēng)險(xiǎn)得分和風(fēng)險(xiǎn)等級(jí)，供業(yè)務(wù)
管理人員參考。
責(zé)任描述：(1). 設(shè)計(jì)綜合風(fēng)險(xiǎn)預(yù)測(cè)模型參數(shù)評(píng)價(jià)指標(biāo)。
(2). 基于監(jiān)督學(xué)習(xí)網(wǎng)格搜索算法和行方提供的企業(yè)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，

根據(jù)參數(shù)評(píng)價(jià)指標(biāo)值尋找到模型的最優(yōu)參數(shù)，作為最終部署的模型進(jìn)
行預(yù)測(cè)時(shí)所用的參數(shù)。

商場(chǎng)人流量及性別統(tǒng)計(jì)

項(xiàng)目
描述
統(tǒng)計(jì)商場(chǎng)每天的人流量及性別比例，方便商場(chǎng)根據(jù)客戶性別提供合適的商品，因此設(shè)計(jì)了
人流及性別統(tǒng)計(jì)系統(tǒng)。 通過(guò)大量訓(xùn)練圖像庫(kù)中的男女圖像，生成能分辨性別的模型。
所用技術(shù)：
Lniux + Python + OpenCV N umpy + sklearn + MySQL + OS
實(shí)現(xiàn)
方式 選擇 使用 OpenCV 的局部二值模式做人臉識(shí)別模型
完成 基礎(chǔ)代碼， 處理訓(xùn)練集圖片得到訓(xùn)練的輸入和輸出
對(duì)訓(xùn)練集進(jìn)行訓(xùn)練并將得到的模型保存
每次獲取多張圖片根據(jù)眾數(shù)確定結(jié)果并保存至數(shù)據(jù)庫(kù)

地源熱泵智能化

項(xiàng)目
描述
通過(guò)采集地下，室外和室內(nèi)溫度，測(cè)試在不同的溫度下地 源熱泵的 最佳功率 。 通過(guò)機(jī)器學(xué)
習(xí)得到訓(xùn)練模型， 不僅簡(jiǎn)化了 PLC 控制系統(tǒng)的復(fù)雜程度，還加快了系統(tǒng)的運(yùn)行速度，同時(shí)能夠節(jié)約能源，節(jié)省電費(fèi)開(kāi)支。
所用技術(shù)：
Lniux + Python + 決策樹(shù) + Numpy + sklearn + MySQL
實(shí)現(xiàn)
方式 獲取已經(jīng)裝配好的地源熱泵傳感器和儀表的數(shù)據(jù)
通過(guò)決策樹(shù)訓(xùn)練數(shù)據(jù)得到訓(xùn)練模型并保存
將模型應(yīng)用到新系統(tǒng)中，通過(guò)實(shí)驗(yàn)測(cè)試結(jié)果

項(xiàng)目名稱(chēng)：基于新能源行業(yè)的專(zhuān)利數(shù)據(jù)分析算法

項(xiàng)目描述：從專(zhuān)利信息分析的四個(gè)方面：趨勢(shì)分析、聚類(lèi)分析、關(guān)聯(lián)分析和引文
分析具體的進(jìn)行專(zhuān)利數(shù)據(jù)的需求分析，并以鋰電池新能源技術(shù)領(lǐng)域的
專(zhuān)利信息技術(shù)為數(shù)據(jù)源，根據(jù)分析結(jié)果對(duì)新能源當(dāng)前的發(fā)展進(jìn)行更深
的了解，并且對(duì)未來(lái)的發(fā)展?jié)摿M(jìn)行了更深的挖掘，為企業(yè)下一步計(jì)
劃的制訂提供了可靠的理論依據(jù)。
個(gè)人職責(zé)：專(zhuān)利數(shù)據(jù)聚類(lèi)分析（包括文本預(yù)處理、特征選擇、聚類(lèi)算法選擇）。
所用技術(shù)：

采用K-means 聚類(lèi)算法對(duì)專(zhuān)利文本進(jìn)行挖掘；

采用Apriori 關(guān)聯(lián)算法對(duì)IPC 分類(lèi)號(hào)進(jìn)行挖掘；

在此基礎(chǔ)上，將專(zhuān)利數(shù)據(jù)分析過(guò)程打包發(fā)布，方便快捷的實(shí)現(xiàn)數(shù)據(jù)分
析功能，提高分析效率。

項(xiàng)目1 ：會(huì)員流失率的分析和改善方案

軟件環(huán)境：Linux + Python + Numpy + Pandas + Matplotlib + Sklearn
項(xiàng)目描述：
由于公司經(jīng)營(yíng)業(yè)態(tài)的優(yōu)化和轉(zhuǎn)型升級(jí)等，會(huì)員流失率很大，對(duì)企業(yè)的形象及效益有較大的影響為解決
該問(wèn)題，公司成立專(zhuān)項(xiàng)數(shù)據(jù)調(diào)研小組，通過(guò)對(duì)2 年內(nèi)的會(huì)員卡數(shù)據(jù)集的數(shù)據(jù)預(yù)處理，可視化數(shù)據(jù)，關(guān)鍵特
征值提取等操作，發(fā)現(xiàn)問(wèn)題，分析問(wèn)題，總結(jié)整改，并制定改善方案，并執(zhí)行；同時(shí)做出風(fēng)險(xiǎn)預(yù)測(cè)。
項(xiàng)目職責(zé)：
數(shù)據(jù)采集，通過(guò)對(duì)Mysql 數(shù)據(jù)庫(kù)的調(diào)用，獲取近2 年的數(shù)據(jù)，總結(jié)數(shù)據(jù)樣本的特征，組織各區(qū)域負(fù)
責(zé)人通過(guò)對(duì)門(mén)店日經(jīng)營(yíng)報(bào)表各個(gè)指標(biāo)所反映的問(wèn)題，對(duì)主要因素進(jìn)行提取特征，通過(guò)Pandas 對(duì)讀取的數(shù)
據(jù)進(jìn)行清洗降噪，填補(bǔ)缺失值。數(shù)據(jù)的聚合、分組等數(shù)據(jù)預(yù)處理操作獲取有效的會(huì)員流失數(shù)據(jù)及特征值，
然后通過(guò)Sklearn 的均值移除的，歸一化，范圍縮放，獨(dú)熱編碼方法，針對(duì)不同數(shù)據(jù)類(lèi)型，不同需求進(jìn)行
分類(lèi)和回歸的計(jì)算，將不同特征與流失率通過(guò)Matplotlib 進(jìn)行數(shù)據(jù)可視化分析不同特征值對(duì)數(shù)據(jù)的影響。
項(xiàng)目效果：
項(xiàng)目最終通過(guò)數(shù)據(jù)挖掘，數(shù)據(jù)分析制定出適應(yīng)新業(yè)態(tài)的會(huì)員等級(jí)和會(huì)員福利，制定出符合當(dāng)前市場(chǎng)環(huán)
境的會(huì)員消費(fèi)模式，有效的遏止了會(huì)員大量流失的現(xiàn)狀，同時(shí)還拓展了增加了新會(huì)員的模式，對(duì)公司客戶
管理的優(yōu)化帶來(lái)了很好的效果。

項(xiàng)目2 ：門(mén)店美團(tuán)評(píng)論的輿情分析

軟件環(huán)境：Linux + Python + Numpy + Pandas + Matplotlib + Sklearn
項(xiàng)目描述：
項(xiàng)目主要通過(guò)對(duì)門(mén)店美團(tuán)消費(fèi)評(píng)論數(shù)據(jù)的爬取，獲取客戶對(duì)門(mén)店消費(fèi)體驗(yàn)的口碑?dāng)?shù)據(jù)，剔除無(wú)效評(píng)論，
反饋給店面真實(shí)美團(tuán)評(píng)論數(shù)據(jù)，同時(shí)要求門(mén)店根據(jù)問(wèn)題整改；升級(jí)店面客服語(yǔ)音功能，提升用戶操作體驗(yàn)，
并通過(guò)人工智能后臺(tái)，實(shí)現(xiàn)客服問(wèn)題的有效幫助問(wèn)答的一體化客服服務(wù)系統(tǒng)。
項(xiàng)目職責(zé)：
應(yīng)用requests,lxml 等模塊爬取美團(tuán)上各個(gè)門(mén)店的相關(guān)消費(fèi)體驗(yàn)評(píng)論數(shù)據(jù)，存儲(chǔ)MangoDB 通過(guò)Pandas
對(duì)影評(píng)數(shù)據(jù)進(jìn)行清晰，預(yù)處理獲取數(shù)據(jù)，然后對(duì)通過(guò)Jieba 分詞器分詞后對(duì)建立詞袋，通過(guò)詞頻逆文檔頻
率，通過(guò)樸素貝葉斯算法分類(lèi)，應(yīng)用F1 對(duì)算法進(jìn)行評(píng)估和優(yōu)化，最終輸出每條評(píng)論的好壞；然后進(jìn)一步利
用Pandas 對(duì)處理過(guò)的數(shù)據(jù)進(jìn)行基本的數(shù)據(jù)分析，用Sklearn 的數(shù)據(jù)預(yù)處理，聚合，分組，歸一聚類(lèi)等方法
提取主要的關(guān)鍵詞，找到主要的差評(píng)關(guān)鍵詞和好評(píng)關(guān)鍵詞，找到提升品質(zhì)的思路和發(fā)現(xiàn)市場(chǎng)趨勢(shì)和商業(yè)機(jī)
會(huì)。
項(xiàng)目效果：
形成了輿情分析報(bào)告，了解到公司在線上銷(xiāo)售的整體的口碑，指發(fā)現(xiàn)門(mén)店普遍存在的對(duì)用戶體驗(yàn)不利
的相關(guān)因素并及時(shí)進(jìn)行了整改；找到了有效提升經(jīng)營(yíng)品質(zhì)的思路，發(fā)現(xiàn)了市場(chǎng)趨勢(shì)對(duì)公司業(yè)績(jī)和效益提高
有巨大的指導(dǎo)作用。

項(xiàng)目3 : 禮品公仔訂貨智能預(yù)估系統(tǒng)

開(kāi)發(fā)環(huán)境: Linux + Python + Numpy + Pandas + Matplotlib + Sklearn
項(xiàng)目描述:
為解決公司庫(kù)存和銷(xiāo)售不匹配以及缺貨滯銷(xiāo)等問(wèn)題，同時(shí)申購(gòu)浪費(fèi)巨大的人力財(cái)力等問(wèn)題，公司通過(guò)
對(duì)歷年銷(xiāo)售以及申購(gòu)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，發(fā)現(xiàn)問(wèn)題，解決問(wèn)題，并制定標(biāo)準(zhǔn)化方案，形成一個(gè)禮品公仔的
智能預(yù)估系統(tǒng)，幫助門(mén)店正確合理的訂貨提供參考和依據(jù)。
項(xiàng)目職責(zé)：
將Mysql 庫(kù)中的數(shù)據(jù)和Excel 表中數(shù)據(jù)進(jìn)行采集，提取及清洗，通過(guò)Pandas 對(duì)數(shù)據(jù)進(jìn)行
提取，并進(jìn)行數(shù)據(jù)預(yù)處理，通過(guò)歸一化，獨(dú)熱編碼均值化等操作對(duì)分類(lèi)和回歸問(wèn)題進(jìn)行處理，通過(guò)應(yīng)
用Matplotlib 對(duì)不同區(qū)域的門(mén)店的訂貨類(lèi)別以及地區(qū)季節(jié)和節(jié)假日銷(xiāo)售情況的不同特征值的數(shù)據(jù)可視化
進(jìn)行分析聯(lián)合營(yíng)運(yùn)部，集采部，品質(zhì)部對(duì)于訂貨計(jì)算方案綜合評(píng)估，并制定解決方案，形成一個(gè)初步的訂
貨模型。
項(xiàng)目效果：
通過(guò)各部門(mén)提供的相關(guān)數(shù)據(jù)，對(duì)數(shù)據(jù)的挖掘，處理，分析及結(jié)合物流，季節(jié)，節(jié)假日，地區(qū)等具體的
因素，和相關(guān)部門(mén)聯(lián)合并結(jié)合公司具體的政策，最終搭建出了預(yù)估訂貨模型，并系統(tǒng)化標(biāo)準(zhǔn)化，形成了禮
品這公仔訂貨智能系統(tǒng)，減少了申購(gòu)成本和禮品結(jié)構(gòu)的優(yōu)化，減少了滯銷(xiāo)，節(jié)約了成本。

項(xiàng)目一: 教育在線平臺(tái)開(kāi)發(fā)（成績(jī)預(yù)測(cè)模塊）

項(xiàng)目描述:通過(guò)機(jī)器挖掘算法和中學(xué)真實(shí)的學(xué)生數(shù)據(jù)，揭秘影響中學(xué)生學(xué)業(yè)的關(guān)鍵因素有哪
些。通過(guò)邏輯回歸算法生成模型和學(xué)業(yè)指標(biāo)評(píng)估報(bào)告，并且可以對(duì)學(xué)生的期末成績(jī)進(jìn)行預(yù)測(cè)
個(gè)人職責(zé)：1、python、numpy掩碼對(duì)其中一些特征列，父親是否從事教師職業(yè)、家庭是否
聯(lián)網(wǎng)等進(jìn)行0-1數(shù)值化處理
2、python、sklearn歸一化對(duì)數(shù)值列特征列,課余時(shí)間量、跟朋友出去玩次數(shù)等進(jìn)
行0,1 之間處理，去除字段之間大小不均衡帶來(lái)的影響
3、將數(shù)據(jù)集按照8:2拆分，百分之八十用來(lái)訓(xùn)練模型，剩下的用來(lái)預(yù)測(cè)
4、調(diào)整特征的權(quán)重，找到合適的特征權(quán)重值使模型效果的更好
5、利用LogisticRegression邏輯回歸算法訓(xùn)練生成離線模型
6、通過(guò)confusion_matrix混淆矩陣查看模型預(yù)測(cè)的準(zhǔn)確率

項(xiàng)目一：煙氣檢測(cè)分析儀環(huán)境誤差分析

軟件環(huán)境: Linux + Python + Numpy + Pandas + Matplotlib + Sklearn +
Pycharm
項(xiàng)目描述:
煙氣檢測(cè)分析儀器在用了一定的時(shí)間后，會(huì)出現(xiàn)較大的誤差，氣體的成分不
同對(duì)分析儀器的影響也不同，主要有，SO2,NO,N2O,H2S,HF,O2,CO,烷烴類(lèi)等
氣體。利用機(jī)器學(xué)習(xí)來(lái)實(shí)現(xiàn)建立環(huán)境分析模型，減少分析儀實(shí)際誤差
項(xiàng)目職責(zé)：
1，完成前期氣體檢測(cè)數(shù)據(jù)數(shù)據(jù)的清洗、解釋文本數(shù)據(jù)的編碼以及對(duì)二維相圖的矢量
化。
2，完成氣體檢測(cè)數(shù)據(jù)的統(tǒng)計(jì)性分析。把二維數(shù)據(jù)按坐標(biāo)拉平到一維，嘗試不同的分類(lèi)模型，確定開(kāi)發(fā)集，測(cè)試集和訓(xùn)練集，再通過(guò)偏差和方差的分析，確定模型的改
進(jìn)方案。
3，由于目標(biāo)數(shù)據(jù)不同類(lèi)別的距離特征和統(tǒng)計(jì)分布特征不明顯，探索不同目標(biāo)在頻率
域和時(shí)間域的差異，提出基于數(shù)據(jù)維度變換的分類(lèi)器。

項(xiàng)目二: 空氣環(huán)境質(zhì)量檢測(cè)識(shí)別

軟件環(huán)境： Linux + Python + Pycharm +SKlearn + Numpy +Pandas
項(xiàng)目描述：
城市交通道路空氣污染是待解決的環(huán)境問(wèn)題之一市面上的分析儀器價(jià)格較高，體
積較大，受限于工作人員的知識(shí)儲(chǔ)備，及工作經(jīng)驗(yàn)。項(xiàng)目的目標(biāo)是通過(guò)由顯微攝像
頭，以及應(yīng)用OpenCV 圖像處理來(lái)分析和確定其在空氣中檢測(cè)污染物（PM2.5，
PM10，花粉等）的尺度和濃度。提供操作更簡(jiǎn)單效率更高的儀器
項(xiàng)目職責(zé)：
1，利用pandas 完成前期空氣數(shù)據(jù)和已有數(shù)據(jù)的清洗編碼。
2，分析物理模型中所需要的物理參數(shù)，完成數(shù)據(jù)的主要特征提取。利用精密儀器獲
取空氣檢測(cè)數(shù)據(jù)，利用SKlearn 對(duì)提取的環(huán)靜空氣污染顆粒數(shù)據(jù)主要特征進(jìn)行所需物理
參數(shù)的擬合及分析，完成整體模型的訓(xùn)練
3，最后完成模型的的理論解釋及模型評(píng)估

項(xiàng)目一： 公職人員數(shù)據(jù)分析平臺(tái)(回歸模型)

項(xiàng)目描述：隨著大數(shù)據(jù)時(shí)代與人工智能的結(jié)合， 發(fā)掘出來(lái)越來(lái)越多有價(jià)值的數(shù)據(jù)，這些數(shù)據(jù)與相關(guān)項(xiàng)目的發(fā)展
密切相關(guān)；因此需要研發(fā)一個(gè)公務(wù)員的大數(shù)據(jù)平臺(tái)，科學(xué)的指引公考項(xiàng)目方向，以提高整體業(yè)績(jī)；
職責(zé)描述：收集公務(wù)員相關(guān)數(shù)據(jù)，預(yù)處理數(shù)據(jù)，采用數(shù)據(jù)建模的方式對(duì)公考業(yè)績(jī)影響因素進(jìn)行分析，依此推出
更合適的課程；
所用技術(shù)：1、使用Numpy，Matplotlib 等工具處理數(shù)據(jù)，包括均值移除，范圍縮放，缺失值處理等；
2、使用多項(xiàng)式回歸模型及梯度下降算法進(jìn)行擬合，用驗(yàn)證曲線進(jìn)行超參數(shù)調(diào)優(yōu)，并用R2 得分權(quán)
衡模型的合理性；
3、循環(huán)改變每個(gè)特征值的數(shù)值區(qū)間，繪圖并分析出特征重要性，得出影響結(jié)果的大權(quán)重因素；

項(xiàng)目名稱(chēng)：直流絕緣在線監(jiān)控

開(kāi)發(fā)技術(shù)：
Numpy+Matep
項(xiàng)目描述：
由于地鐵環(huán)境惡略，且采用直流供電，對(duì)老舊電纜的腐蝕老化會(huì)產(chǎn)生絕緣下降問(wèn)題，以便對(duì) 產(chǎn)生
絕緣老化的電纜進(jìn)行更換。通過(guò)采集實(shí)驗(yàn)?zāi)Ｐ偷碾娏?數(shù)據(jù)進(jìn)行傅里葉變換分析，使用線性回歸模 型對(duì)電氣系
統(tǒng)空載運(yùn)行時(shí)的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。
職責(zé)描述：
1
、使用 numpy matplotlib 讀取和分析 故障 電流 模型 波形數(shù)據(jù)；
2
、使用快速傅里葉變換進(jìn)行音頻濾波，將信號(hào)映射到頻域
3
、 采集 正常 電流波形，并與故障波形進(jìn)行模型訓(xùn)練；
4
、 上線采取空載數(shù)據(jù)
5
、創(chuàng)建隱馬爾科夫模型用該模型的 score 值 比較，進(jìn)行故障識(shí)別。

AI系統(tǒng)數(shù)據(jù)分析

項(xiàng)目簡(jiǎn)介：由于藍(lán)領(lǐng)的離職率和周轉(zhuǎn)率相當(dāng)高，導(dǎo)致其綜合招聘成本和管理成本也遠(yuǎn)遠(yuǎn)超過(guò)一般
的白領(lǐng)而且服務(wù)行業(yè)的人員流動(dòng)性大幅度增加，對(duì)云存儲(chǔ)的客戶公司考勤信息進(jìn)行分析和管理變得
更加重要。
個(gè)人職責(zé)： 對(duì)根據(jù)項(xiàng)目需要對(duì)公司的客戶數(shù)據(jù)進(jìn)行特征分析，從中提取重要特征信息從而根據(jù)
客戶價(jià)值進(jìn)行分類(lèi)，將分類(lèi)結(jié)果與公司業(yè)務(wù)層面的邏輯進(jìn)行對(duì)照，從中篩選重要的分類(lèi)特征信息
參與生成項(xiàng)目的數(shù)據(jù)分析報(bào)告。
所用技術(shù)：

對(duì)提取的數(shù)據(jù)進(jìn)行清洗和預(yù)處理，包括對(duì)大數(shù)據(jù)分塊存儲(chǔ)提取，分批讀取并疊加去重等操作

清除空值、異常數(shù)據(jù)等無(wú)效信息，數(shù)據(jù)處理過(guò)程中實(shí)時(shí)查看內(nèi)存占用等情況并進(jìn)行優(yōu)化

根據(jù)公司的業(yè)務(wù)邏輯選取對(duì)應(yīng)的字段并對(duì)字段進(jìn)行計(jì)算和標(biāo)準(zhǔn)化處理，生成出勤率等信息

DBSCAN算法對(duì)客戶公司進(jìn)行聚類(lèi)分析（使用sklearn/numpy/pandas等數(shù)據(jù)分析工具）
5.將最終生成聚類(lèi)結(jié)果進(jìn)行分析并用matplotlib生成可視化圖表。

爬蟲(chóng)

項(xiàng)目三：爬取“美團(tuán)外賣(mài)”信息，推薦合理搭配的健康飲食

項(xiàng)目描述：當(dāng)代社會(huì)，尤其是80,90后，生活習(xí)慣及其紊亂，再加上不健康的飲食習(xí)慣，會(huì)大大增加年輕人的得病概率，所以為了讓新一代年輕人有良好的身體狀態(tài)，給他們推薦較為健康合理的飲食菜單。本項(xiàng)目通過(guò)爬取“美團(tuán)外賣(mài)”獲取商家信息并存入數(shù)據(jù)庫(kù)，并記錄每一道菜品的熱量，用戶每點(diǎn)一道菜都會(huì)記錄其所攝入的熱量，由于每3天平均攝入熱量存在一個(gè)平衡值（根據(jù)每個(gè)人不同的身體狀況）,所以每次推薦的菜單會(huì)有所不同，每3天會(huì)對(duì)用戶的記錄有一個(gè)更新。
技術(shù)描述：爬蟲(chóng)–socket–MySQL
責(zé)任描述：
1、通過(guò)爬蟲(chóng)程序爬取所需要的外賣(mài)信息
2、利用socket模塊搭建后臺(tái)服務(wù)器
3、設(shè)計(jì)推薦算法，通過(guò)對(duì)影響因素的加權(quán)計(jì)算得到的系數(shù)來(lái)作為推薦依據(jù)，盡可能給用戶提供最優(yōu)質(zhì)的推薦菜單

股票數(shù)據(jù)爬取

**項(xiàng)目介紹：**該項(xiàng)目主要是爬取股票的相關(guān)數(shù)據(jù)，例如價(jià)格、交易量等信息。將這些信息存入mongodb數(shù)據(jù)庫(kù)中，以便后續(xù)對(duì)數(shù)據(jù)進(jìn)行分析、處理。
**所用技術(shù)：**requests + json + re + mongodb +Pycharm
**項(xiàng)目職責(zé)：**1. 使用requests向指定頁(yè)面發(fā)起請(qǐng)求，獲取頁(yè)面內(nèi)容；
\2. 編寫(xiě)正則表達(dá)式，利用findall等方法獲取需要獲取的內(nèi)容；
\3. 調(diào)用MongoDB數(shù)據(jù)庫(kù)接口，并將爬取的數(shù)據(jù)存放到數(shù)據(jù)庫(kù)，完成持久化存儲(chǔ)。

總結(jié)

以上是生活随笔為你收集整理的机器学习项目简历收集册-----机器学习（仅供参考）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。