发呆的快乐小面包
硕士研究生 · 1年经验 · 合肥工业大学
0
累计接单
0
用户评价
1
被收藏
技术能力
系统开发：参与设计与搭建激光增材制造单源及多源监测、退役电器表⾯缺陷检测系统；
软件开发：熟练使⽤QT开发激光增材制造质量监测及退役电器表⾯缺陷检测软件；
软件使用：掌握 Python、C++等编程软件编写功能脚本，以及Open-CV对图像进⾏各种处理；
熟悉基于Linux系统和Docker容器的常⽤命令，并进⾏神经⽹络量化移植部署；
模型搭建：熟练掌握Pytorch框架下不同CNN模型搭建以及语义分割、 ⽬标检测模型的各种修改，以满⾜不同的任务需求；
量化部署掌握使⽤各种量化⼯具对模型进⾏量化加速，如TensorRT、PPQ，提升部署效率。
软件开发：熟练使⽤QT开发激光增材制造质量监测及退役电器表⾯缺陷检测软件；
软件使用：掌握 Python、C++等编程软件编写功能脚本，以及Open-CV对图像进⾏各种处理；
熟悉基于Linux系统和Docker容器的常⽤命令，并进⾏神经⽹络量化移植部署；
模型搭建：熟练掌握Pytorch框架下不同CNN模型搭建以及语义分割、 ⽬标检测模型的各种修改，以满⾜不同的任务需求；
量化部署掌握使⽤各种量化⼯具对模型进⾏量化加速，如TensorRT、PPQ，提升部署效率。
项目经验
项目名：⾼性能复杂零件3D打印过程智能监测
背景： 针对激光增材制造过程的质量不稳定、监测任务多样性的问题，提出集成多任务CNN模型的监测⽅法，以实
现复杂零件在制造过程中的跨尺度质量实时原位监测，有望在实际⼯业中得到部署应⽤；
轻量化多任务模型搭建: 以VGG式的单路⽹络架构作为模型总体结构，基于Pytorch框架搭建了在训练和推理阶段统
⼀的单路轻量化多任务CNN模型， 解决了在计算能⼒较差的CPU上的实时运⾏问题；
多传感器融合模型搭建： 利⽤先进CNN模型对多传感器信号进⾏特征提取，针对不同的信号特征选择不同结构的
CNN模型，进⾏特征级或决策级融合，构建了多层混合融合CNN架构 ；
智能⼈机交互开发及部署： 设计系统⼈机交互逻辑，利⽤Qt开发⼀款质量监测软件，集成先进CNN模型，最终在
NVIDIA Jetson-nano边缘设备上进⾏实际部署。
项目2：退役电⼦电器产品表⾯缺陷检测评估
背景： 针对退役电⼦电器产品的外观缺陷检测需求，考虑其外形、结构特征改进深度学习卷积神经⽹络模型进⾏图
像特征-外观缺陷定位与识别，实现基于外观特征⽐对的产品质量状态检测与评估；
算法改进及量化： 改进基于YOLOv5的⽬标检测算法对退役电⼦电器产品表⾯缺陷进⾏检测。对YOLOv5模型进⾏
python/C++的TensorRT量化加速，提升推理速度。改进的YOLOv5模型在实际部署中可以实现缺陷实时检测，
有效提升退役电器表⾯缺陷检测效率；
⼈机交互系统软件开发： 利⽤Qt开发⼀款退役电器表⾯缺陷检测软件，编写基于YOLOv5⾯向退役电⼦产品表⾯缺
陷的⼈机交互识别系统，实现运动控制—图像采集—缺陷检测的实时显⽰；
背景： 针对激光增材制造过程的质量不稳定、监测任务多样性的问题，提出集成多任务CNN模型的监测⽅法，以实
现复杂零件在制造过程中的跨尺度质量实时原位监测，有望在实际⼯业中得到部署应⽤；
轻量化多任务模型搭建: 以VGG式的单路⽹络架构作为模型总体结构，基于Pytorch框架搭建了在训练和推理阶段统
⼀的单路轻量化多任务CNN模型， 解决了在计算能⼒较差的CPU上的实时运⾏问题；
多传感器融合模型搭建： 利⽤先进CNN模型对多传感器信号进⾏特征提取，针对不同的信号特征选择不同结构的
CNN模型，进⾏特征级或决策级融合，构建了多层混合融合CNN架构 ；
智能⼈机交互开发及部署： 设计系统⼈机交互逻辑，利⽤Qt开发⼀款质量监测软件，集成先进CNN模型，最终在
NVIDIA Jetson-nano边缘设备上进⾏实际部署。
项目2：退役电⼦电器产品表⾯缺陷检测评估
背景： 针对退役电⼦电器产品的外观缺陷检测需求，考虑其外形、结构特征改进深度学习卷积神经⽹络模型进⾏图
像特征-外观缺陷定位与识别，实现基于外观特征⽐对的产品质量状态检测与评估；
算法改进及量化： 改进基于YOLOv5的⽬标检测算法对退役电⼦电器产品表⾯缺陷进⾏检测。对YOLOv5模型进⾏
python/C++的TensorRT量化加速，提升推理速度。改进的YOLOv5模型在实际部署中可以实现缺陷实时检测，
有效提升退役电器表⾯缺陷检测效率；
⼈机交互系统软件开发： 利⽤Qt开发⼀款退役电器表⾯缺陷检测软件，编写基于YOLOv5⾯向退役电⼦产品表⾯缺
陷的⼈机交互识别系统，实现运动控制—图像采集—缺陷检测的实时显⽰；
立即沟通
