熟悉web框架djaogo flask,
熟练运用 OpenCV 进行图像读取、预处理(缩放、裁剪、旋转、色彩空间转换、滤波)、特征提取(边缘检测、轮廓查找、关键点检测)和基础操作。
掌握常用机器学习算法(如 SVM, KNN, 决策树、聚类)的原理,并能使用 Scikit-learn 库解决分类、回归等任务,具备将机器学习应用于图像相关问题的能力(例如:基于传统特征的图像分类)。
了解深度学习基础概念(神经网络、CNN、损失函数、优化器)。熟悉主流深度学习框架(TensorFlow / Keras 或 PyTorch)的基本使用,能够搭建、训练和评估基础的卷积神经网络(CNN)模型(如 LeNet, VGG 简化版)完成图像分类任务。
具备参与或实现基础计算机视觉项目的能力,例如:手写数字识别(MNIST)、简单物体分类、人脸检测、图像相似度比较等。
熟练使用 Pandas/NumPy 处理结构化数据和图像数据,利用 Matplotlib/Seaborn/OpenCV 进行数据分析和结果可视化。
基于深度学习的工业零件缺陷检测系统
使用OpenCV进行图像预处理,解决工业相机拍摄的图片噪声大、亮度不均问题。
基于TensorFlow搭建轻量级CNN模型,在保证精度的同时将模型体积压缩至8MB以内,满足边缘设备部署需求。
智能停车场车牌识别与计费系统
车牌定位:用OpenCV结合形态学操作和颜色空间转换,解决雨天反光干扰问题。
字符识别:采用Scikit-learn训练SVM模型,对分割后的字符分类,准确率92%。