善于学习，勤于思考，对解决挑战性问题充满热情，始终相信勤能补拙。
热爱生活，不怕困难，积极乐观，脚踏实地，对未来充满信心。

2019-01至2019-12——公司:苏州亦目智能科技有限公司(少于50人)
行业:计算机软件
性质:民营公司
部门:  计算机视觉部门
职位: 图像算法工程师

工作描述：项目名称：基于MobileNet V1飞机零件识别系统 (沈飞公司飞机零件检测)
● 负责零件识别系统的项目方案
● 参与零件识别系统的界面设置
● 负责零件识别系统的算法设计
● 跟踪整个项目的进展情况
● 负责项目的落地
项目名称：基于YOLO3零件角度检测项目(某公司零件角度检测项目)
● 负责整个项目的方案设计
● 负责项目的图像标注
● 负责项目的算法改写
● 负责项目的落地

2016-09至2018-09——公司:新疆特战旅(10000人以上)
行业:政府/公共事业
性质:国企
部门:  信息科
职位: 战士

工作描述：反恐作战

2016-03至2016-09——公司:上海建工集团股份有限公司
行业:建筑/建材/工程
性质:国企
部门:  项目部
职位: 建筑安装施工员

工作描述：负责工地的施工管理，工程造价和项目进度。

2019-09至2019-12——基于MobileNet V1飞机零件识别系统
所属公司：苏州亦目智能科技有限公司
项目描述：项目名称：基于MobileNet V1飞机零件识别系统 (沈飞公司飞机零件检测)                           项目背景：
零件识别系统主要是针对工业上的相似零件的难以区分而开发的，其系统的开发任务主要 包括零件识别深度学习算法（MobileNet V1）的设计、应用程序的开发等两个方面。对于前者要求识别算法设计的模型要达到一定的准确性（95%）、快速性，如放入一个零件必须快速准确的识别出该零件的编号，而对于后者要求程序界面友好、功能完备等特点。
技术难点：
1.两个比较大的零件的相似度极大（现在的摄像头是满足比较大的零件的检测），但是这两个零件的相似度比较小，具有差异性的面积占整个零件面积的1/600-1/1000之一，这就要求不得不改变网络的结构，更改损失函数;   
2.有些品种零件有5-6个相似零件，要么是孔直径不超过1cm,要么是正面拍照完全一样（侧面底座的凹槽一个是左边，一个是右边），如果不仔细观察，压根就无法发现零件的差异性。如果利用侧面相机，但是侧面相机代码出现问题，无法对图片进行预处理;
3.网络检测要求图片预测的时间不能超过2s;
4.现场的零件多的超过我们的想象，零件的相似度极大，我们需要采集大量的图片，一种A和a类零件，我们采集了2000张图片（这相机的高度太大也起一些干扰作用），这对设备的要求比较高，考虑到这些零件品种比较多，显卡采用的是1660的显卡；
检测网络：检测网络主要由MobileNet V1网络组成，而MobileNet V1网络主要采用深度卷积和空间  卷积。这个网络比vgg的参数量和训练时间减少1/9，在预测时间和空间gpu的占用率上         得到极大的减少。MobileNet V1网络中保存的h5模型转变成pb模型，在c#中调用模型  进行预测，时间可以控制在1s以内。网络在训练的时候，对于准确率无法得到提升，损  失函数一直居高不下（这主要由于图片的差异性特别小，卷积太多造成差异性消失），尝   试着调整网络结构由之前的224*224*3转变成320*320*3，准确率由之前的60%左右上升  到90%左右。
项目名称：基于MobileNet V1飞机零件识别系统 (沈飞公司飞机零件检测)
● 负责零件识别系统的项目方案
● 参与零件识别系统的界面设置
● 负责零件识别系统的算法设计
● 跟踪整个项目的进展情况
● 负责项目的落地

2019-05至2019-09——基于YOLO3零件角度检测项目(某公司零件角度检测项目)
所属公司：苏州亦目智能科技有限公司
项目描述：基于YOLO3零件角度检测项目(某公司零件角度检测项目)
某公司为了完成对工业零件的检测，对零件进行分类和角度的检测满足流水线上的要求
Darknet53：Darknet53主要是将特征图进行特征提取，提高模型的收敛，和满足后期YOLO3网络的多尺寸输入。Darknet53接受openCV导入并resize的样本图（图片尺寸最小为320*320且为32的倍数），分别获取第26层、43层、52层卷积层的输出。以输入图片尺寸416*416为例，则输出层尺寸分别为：52*52*256、26*26*512、13*13*1024。这三层将作为下个网络YOLO3的输入。YOLO3：加入针对Darknet53网络3种不同比例的feature map的block网路层。该网络层旨在对每一个feature map单个像素点进行3个不同尺寸的anchor框选取。这样处理的目的是为了便于检测不同大小的物体。基于Darknet53网络的第52层输出，将其经过多层卷积结构使其变为包含3个anchor，每个anchor框拥有4个边框值，4个点的坐标值，一个置信度，一个分类值（由于此次项目只针对车辆检测，所以类别只有一种）的数据形式，类型形如：13*13*3*6。另外取浅层第52层输出作为下一尺寸即26*26的残差计算，即将其做多层的卷积并进行上采样最后与Darknet53第43层输出进行concat，即保存浅层信息（ResNet思想）。然后将其输入block网络层进行多框选择，这里与13*13尺寸处理一样，最后再对Darknet的第26层输出做类似处理，最终的到的13*13*3*10、26*26*3*10、52*52*3*10的特征图即包含三种尺寸，9类anchor框。且其中包括边框数据，置信度，所属类别的概率值。最后再对获得的所有bounding box进行置信度阈值筛选和iou非极大值抑制筛选，获得最终的bounding box框，两个点的坐标。然后再根据获得的bounding box，两个点的坐标以及所属类别进行可视化处理。
模型训练损失函数采用误差的平方和整合预测框定位误差与有无目标的IOU误差以及分类误差的方式计算。其主要分为三大部分，坐标损失，置信度损失及分类损失，坐标系数在该cell存在物体时为1，其他cell为0，且均采用SSE计算，最终Loss采用和的形式而不是平均Loss，主要原因为预测的特殊机制，造成正负样本比巨大，尤其是置信度损失部分，以一片包含一个目标为例, 置信度部分的正负样本比可以高达1:10646，如果采用平均损失，会使损失趋近于0，网络预测变为全零, 失去预测能力。本次项目中训练集10000张图片，共训练150个epoch，batch_size设为10。初始时准确率为0.75经过调优后模型准确率能达到0.95，角度的精度在3度。
技术难点：
1.零件的图片数量有限，需要用到数据的增强
2.零件图片的标注有非常大的问题，点的标注要求非常精确
3.Yolo3的网络结构层的修改，激活函数（由之前的sigmoid函数变成指数函数）的修改以及损失函数的修改
● 负责整个项目的方案设计
● 负责项目的图像标注
● 负责项目的算法改写
● 负责项目的落地

2011-09至2015-06——南京工程学院
土木工程 本科