1、 熟悉C/C++,python,matlab编程等
2、 熟悉深度学习训练框架,如Tensorflow、Pytorch、Caffe等
3、掌握常见的深度学习或图像算法基础知识,熟悉神经网络原理,具备扎实的图像处理算法知识基础,掌握深度学习的训练与测试流程
4、能够跟进相关领域最前沿的研究方向,并在实际项目中整合、改进及落地
5、熟悉常用的单片机(如STM32系列,GD32系列单片机)架构,了解其基本外设UART、SPI、ADC、TIMER的驱动开发
6、具备基本的嵌入式知识,了解嵌入式软件开发流程,熟练掌握C或C++等编程语言
证书图像篡改检测项目 (2020.07)
在证书图像篡改检测项目中,带领团队设计并实现了一种高效的图像篡改检测算法。该项目的主要目标是检测出图像中被PS篡改的区域。为了实现这一目标,我们采用了RRU-Net环形残差Unet作为baseline,并通过多个关键改进提升了检测性能。
首先,我们引入了新的中心差分卷积算子(CDC_conv),替换了RRU-Net中的常规卷积算子。具体来说,我们使用较大的卷积核减去1x1的卷积核,即减去每个大卷积核的中心。这样一来,图像篡改的最佳辨别方式是通过与周围进行对比,将大卷积核提取的特征减去1x1卷积核提取的中心特征,可以更好地发现当前位置与周围的差异,从而提高篡改检测的准确性。
经过一系列的优化和测试,我们的算法在准确性和效率上均取得了显著提升,最终在项目评估中表现优异,达到了预期目标。
小麦计数检测项目 (2021.10)
在小麦计数检测项目中,我作为项目负责人,负责设计和实现一种自动检测并框出小麦图片中所有小麦头部的算法,以准确估计小麦的数量和大小。我们选择了Yolov3网络作为检测网络,并通过多种方法进一步提升了检测性能。
首先,我们在数据处理阶段引入了数据扩增和测试增强技术,以增加模型的鲁棒性。此外,我们还采用了模型融合和阈值搜索的方法,以提高平均精度均值(mAP)。特别值得一提的是,我们引入了半监督学习方法,在提升mAP方面取得了显著效果。
通过以上改进措施,我们的检测算法在准确性和效率上均达到了较高水平,成功实现了项目目标。最终,我们的算法在多个评估指标上表现出色,获得了行业专家的高度评价。
蓝牙定位项目 (2022.09)
在蓝牙定位项目中,我们采用了Nordic的nRF52833蓝牙芯片,并基于Root Music算法解算角度,旨在实现蓝牙AOA(Angle of Arrival)测角的定位系统。该芯片具有较好的蓝牙通信功能和处理能力,非常适用于开发各种蓝牙应用。
通过使用蓝牙AOA测量算法,我们可以准确计算蓝牙信号的到达角度,并据此实现室内定位功能。系统架构包括Tag目标设备、接收目标位置信号的天线阵列板、Nordic开发板和Android设备。Tag在蓝牙支持的范围内移动,持续发送信号给天线阵列板。每个天线板连接到Nordic开发板,通过安卓设备发起蓝牙连接并采集Tag发送的广播数据。Nordic开发板根据阵列信号的协方差矩阵进行特征分解,解算出特征向量,并通过蓝牙将特征向量上传至Android应用进行角度解算。
Android应用根据多个Array Board数据解算的角度来定位Tag的位置。我们设计了蓝牙测角系统,实现了高精度和稳定的角度测量和定位,满足室内定位的需求。通过该项目,我们成功提供了一种准确、可靠的基于蓝牙的室内定位解决方案,为用户提供更精准的位置信息,促进了室内导航、定位服务和智能化应用的发展。
音频故障检测项目 在音频故障检测项目中,我参与设计并实现了一套基于声音信号的机械异常判断系统。该系统旨在通过音频数据的采集和分析,实现对机械设备的异常检测和判断。以下是该系统的整体框架设计及其工作流程: 工作流程 音频数据采集: 通过万能自记设备进行音频数据的
音频故障检测项目 在音频故障检测项目中,我作为项目负责人参与设计并实现了一套基于声音信号的机械异常判断系统。该系统旨在通过音频数据的采集和分析,实现对机械设备的异常检测和判断。以下是该系统的整体框架设计及其工作流程: 系统框架设计 系统框架如下图所示: 图1:系统
音频故障检测项目 在音频故障检测项目中,我作为项目负责人参与设计并实现了一套基于声音信号的机械异常判断系统。该系统旨在通过音频数据的采集和分析,实现对机械设备的异常检测和判断。以下是该系统的整体框架设计及其工作流程: 系统框架设计 系统框架如下图所示: 图1:系统