2,對(duì)計(jì)算機(jī)視覺分類、檢測(cè)、分割等相關(guān)深度學(xué)習(xí)算法有較深入了解,熟悉Tensorflow\Pytorch相關(guān)深度學(xué)習(xí)框架。
1,熟練掌握Python\C++\c#三種語(yǔ)言,均有過項(xiàng)目開發(fā)經(jīng)歷;也用java開發(fā)過后端處理程序。
2,對(duì)計(jì)算機(jī)視覺分類、檢測(cè)、分割等相關(guān)深度學(xué)習(xí)算法有較深入了解,熟悉Tensorflow\Pytorch相關(guān)深度學(xué)習(xí)框架。
3,對(duì)基于opencv的傳統(tǒng)視覺算法也有較深入了解。
4,有著豐富的上位機(jī)軟件開發(fā)經(jīng)驗(yàn),熟悉上位機(jī)對(duì)各種外設(shè)包括工業(yè)相機(jī)、PLC等的通訊;
6,熟練使用Git版本管理工具,代碼風(fēng)格良好;
項(xiàng)目1:拼多多APP圖像拍照購(gòu)物功能中目標(biāo)檢測(cè)部分
項(xiàng)目1中主要負(fù)責(zé)內(nèi)容:
a) 圖像標(biāo)注標(biāo)準(zhǔn)的制定、標(biāo)注圖像的收集、圖像標(biāo)注流程管理跟蹤、標(biāo)注后的數(shù)據(jù)預(yù)處理入庫(kù),最終形成一個(gè)300多頁(yè)的標(biāo)注標(biāo)準(zhǔn)文檔、200多萬(wàn)張圖、1200多萬(wàn)個(gè)標(biāo)注框的數(shù)據(jù)集,包括52個(gè)二級(jí)類目、12個(gè)一級(jí)類目;
b)目標(biāo)檢測(cè)模型的訓(xùn)練,基于tensorflow訓(xùn)練faster-rcnn/ssd模型,隨著數(shù)據(jù)集標(biāo)注進(jìn)度,對(duì)參數(shù)進(jìn)行調(diào)試,迭代訓(xùn)練;
c)主體選擇模型的數(shù)據(jù)收集(通過點(diǎn)擊行為來收集)、特征的構(gòu)建(包括圖片類目預(yù)測(cè)特征、目標(biāo)檢測(cè)框相關(guān)信息等)、決策樹模型的訓(xùn)練、模型部署相關(guān)的java服務(wù)端代碼編寫。
項(xiàng)目2:多科X光機(jī)異物檢測(cè)算法開發(fā)、上位機(jī)軟件迭代更新。
項(xiàng)目2中主要負(fù)責(zé)內(nèi)容:
a) 開發(fā)基于區(qū)域生長(zhǎng)的異物檢測(cè)算法并加入梯度修正減少誤檢(c++開發(fā));
b) 實(shí)現(xiàn)TEXEMS異常檢測(cè)算法(無監(jiān)督方式,利用高斯混合模型,通過EM算法進(jìn)行訓(xùn)練,c++開發(fā)),與區(qū)域生長(zhǎng)算法一起構(gòu)成新的異物檢測(cè)算法庫(kù),大大提高了X光機(jī)異物檢測(cè)能力;
c) 通過數(shù)據(jù)生成+標(biāo)注的數(shù)據(jù)構(gòu)造方式,開發(fā)基于Yolov5+paddleseg相結(jié)合的屠宰線斷針檢測(cè)算法,yolov5來檢測(cè)斷針、paddleseg來進(jìn)行塑料筐分割,很好的解決了行業(yè)痛點(diǎn),最終有4臺(tái)的銷量(python+c#開發(fā))。
d) 重新開發(fā)x光機(jī)軟件(利用c#),界面美觀程度、操作簡(jiǎn)潔程度都得到了極大提升,并加入了自動(dòng)學(xué)習(xí)、自動(dòng)訓(xùn)管等新功能。
詳細(xì)功能: 用戶通過對(duì)想購(gòu)買的物體拍照,拼多多app自動(dòng)去商品庫(kù)中檢索與用戶拍攝圖片相同或類似的產(chǎn)品,并按照價(jià)格、匹配度等因素進(jìn)行排序,結(jié)果返回給用戶。由于用戶拍攝的照片內(nèi)可能包含多個(gè)商品,所以算法必須對(duì)一張圖片中多個(gè)商品進(jìn)行判斷,先確認(rèn)出用戶想購(gòu)買的商品目標(biāo),然后再去
作品介紹: X光機(jī)用來對(duì)食品中可能出現(xiàn)的金屬、玻璃、陶瓷等高密度的異物進(jìn)行檢測(cè)的設(shè)備;是利用X射線的對(duì)物體的穿透作用,通過X射線穿透物體時(shí)能量的衰減信息進(jìn)行成像;由于金屬陶瓷等異物密度大,其能量的衰減通常大于食品本身,根據(jù)這個(gè)能量衰減的差判斷是否有異物。X光機(jī)軟件作用為控制傳送