我具备扎实的全栈开发与人工智能融合应用的综合技术能力。在后端领域,精通Java生态体系,熟练掌握Spring Boot、Spring Cloud微服务架构,具备分布式系统设计经验,能够独立完成高并发服务端架构搭建与业务逻辑编码;同时掌握Python,擅长开发自动化运维脚本与数据处理工具。在前端方面,熟悉React、Vue及TypeScript,能够基于Tailwind等框架实现现代化响应式界面开发。
在AI与数据科学领域,我深入掌握机器学习与深度学习原理,熟悉PyTorch框架,了解Transformer架构及大模型微调、知识蒸馏等技术,具备YOLO模型部署与AI API集成经验。此外,拥有丰富的物联网与跨平台开发经验,熟悉Android原生开发、MQTT通信协议及OpenCV图像处理,能够实现边端一体化的软硬件协同方案。我注重代码规范与版本管理,善于通过技术手段解决实际业务痛点,具备从底层算法到上层应用的全链路技术落地能力。
智能工业质检与预测性维护平台
该项目面向制造业产线,目标是替代人工目检并实现设备故障预警。负责核心算法工程化与后端架构设计。
在技术实现上,基于YOLOv8构建缺陷检测模型,针对小样本问题采用Mosaic-9数据增强与迁移学习策略,将识别准确率提升至99.2%。为解决产线实时性要求,使用TensorRT对模型进行量化加速,并通过ONNX格式完成跨平台部署,使单图推理耗时降至35ms以内。
后端采用Spring Boot + Netty构建高并发数据采集服务,接入Modbus与MQTT协议的传感器数据。利用Flink处理实时数据流,结合时序数据库存储设备振动与温度特征。设计了异常检测模块,在故障发生前48小时发出预警。整个系统采用Docker容器化部署,通过Prometheus实现服务监控,目前已稳定运行于多条产线,显著降低误检率并减少非计划停机时间。