技术能力

一、语言：Python语言
二、从事工作：Python开发
三、开发环境：linux、win
个人技能：
1. 熟练掌握 pycharm、Mysql、linux 等常用软件。
2. 熟练掌握 Python 语言常用模块，熟悉异步、多进程、装饰器等语言特性。
3. 熟练掌握 sklearn 机器学习算法库，包括回归，分类，聚类基本算法训练模块；
4. 熟练掌握 OpenCV 的 cv2 模块下的图像裁剪、缩放、直方图、边缘检测、滤波等常用具；
5. 熟练掌握 CNN 卷积神经网络的 LeNet 模型、AlexNet 模型、VGG 模型；
6. 熟练掌握 TensorFlow 深度学习框架，了解 paddlepaddle 深度学习框架；
7. 了解 VGG、Fast R-CNN、Faster R-CNN。YOLOv3 目标检测技术。

项目经验

一、模型
开发工具：Linux、Python、Numpy、OpenCV、tensorflow、U-Net
项目描述：混凝土施工过程中收到各种因素，如雨水冲刷、温度变化及震荡距离等各种因素干扰，会造成混
凝土强度降低、出现裂缝等情况，存在安全生产隐患。早期发现能有效进行补救，且相对耗资较小。
项目职责：采集并整理数据集，创建裂缝识别模型及模型的评估。
技术分析：
1.样本来自亲拍摄的施工现场照片，包括横向裂缝（213 张）、纵向裂缝（146 张）、网状裂缝（117 张）、
断层裂缝（36 张），总共 512 个原始样本；
2.基于 OpenCV 对图像进行旋转、裁剪、镜像等处理，再将图像进行归一化处理成 448 * 448 像素的图像，
使样本达到 2560 张，其中 10%作为测试集，其余作为训练集；
3.搭建基于 U-Net 模型，网络共有 4 组向下卷积池化，4 组向上采样，使用了 ReLU 作为激活函数，最后使
用了 1 * 1 的卷积进行处理，输出结果；
4.进行模型训练与验证并将预测结果。
5.通过准确率、召回率、和平均交并比对模型进行评估。
二、后端
研究过商城后端开发，具有部分自己研究的后端代码，会使用postman等开发工具；
三、表格数据处理及监控
研究过对表格的一键合并及数据的监控处理，可以利用影刀等工具处理。

团队情况