本数据集包含9200张中药材图像，覆盖100种常见品类，已标注并划分为训练集与验证集，支持YOLO等深度学习模型。适用于中药分类、目标检测、AI辅助识别及教学应用，助力中医药智能化发展。

本系统采用“端-边-云”协同架构，涵盖感知层、计算层和决策层。感知层包括视觉感知单元（800万像素摄像头、UWB定位）和环境传感单元（毫米波雷达、TOF传感器）。边缘侧使用NVIDIA Jetson AGX Orin模组处理多路视频流，云端基于微服务架构实现智能调度与预测。核心算法涵盖人员行为分析、环境质量评估及路径优化，采用DeepSORT改进版、HRNet-W48等技术，实现高精度识别与优化。关键技术突破包括跨摄像头协同跟踪、小样本迁移学习及实时推理优化。实测数据显示，在18万㎡商业体中，垃圾溢流检出率达98.7%，日均处理数据量达4.2TB，显著提升效能并降低运营成本。

AI“捕风捉影”：深度学习如何让网络事件检测更智能？

害虫识别系统，本系统使用Python作为主要开发语言，基于TensorFlow搭建卷积神经网络算法，并收集了12种常见的害虫种类数据集【"蚂蚁（ants）", "蜜蜂（bees）", "甲虫（beetle）", "毛虫（catterpillar）", "蚯蚓（earthworms）", "蜚蠊（earwig）", "蚱蜢（grasshopper）", "飞蛾（moth）", "鼻涕虫（slug）", "蜗牛（snail）", "黄蜂（wasp）", "象鼻虫（weevil）"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型，然后保存为为本地h5格式文件。最后使用Djan

蘑菇识别系统，本系统使用Python作为主要开发语言，基于TensorFlow搭建卷积神经网络算法，并收集了9种常见的蘑菇种类数据集【"香菇（Agaricus）", "毒鹅膏菌（Amanita）", "牛肝菌（Boletus）", "网状菌（Cortinarius）", "毒镰孢（Entoloma）", "湿孢菌（Hygrocybe）", "乳菇（Lactarius）", "红菇（Russula）", "松茸（Suillus）"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型，然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面，

利用深度学习进行系统健康监控：智能运维的新纪元

深度学习在数据备份与恢复中的新视角：智能化与效率提升

深度学习的原理与应用：开启智能时代的大门

使用Python实现智能食品消费偏好预测的深度学习模型