项目一：无人机巡田
该任务旨在利用无人机进行大田作物巡查，聚焦于“幼苗检测”和“缺苗检测”两个核心子任务。通过图像采集和YOLO目标检测技术，识别不同作物（如水稻、玉米、大豆）幼苗的分布情况，计算苗密度与苗穴数，进一步判断是否存在插秧漏行或虫害等异常情况，提升巡田效率与准确性。技术路线采用YOLO模型对田间图像进行目标识别，实现高效、自动化的作物苗情普查，为后续决策（如补种）提供数据支持。
项目二：无人机大田异常监测
该任务面向大田种植过程中的生长异常情况识别，重点监测水稻田的供水异常、缺失区、白叶枯病和虫害等。通过无人机图像采集，结合语义分割技术对田间异常区域进行精准定位与分类识别。该系统不仅能识别缺水、空白区域，还能区分病害与虫害特征，为农业管理者提供智能化预警手段。技术路线以深度学习为基础，结合语义分割与目标检测，实现对田间多种异常状态的自动感知与记录。
项目三：无人机杂草识别
本任务关注田间杂草种类识别与分布分析，服务于农业除草精准作业。通过无人机图像获取农田视图，结合YOLO实例分割模型识别莎草类、禾本科、阔叶类等杂草种类，并与目标作物（如玉米、水稻、大豆）进行分离。进一步生成杂草分布图，并提出相应的精准除草方案。技术路径融合目标检测与分类算法，提升杂草识别的准确率，为智能施药、变量喷洒提供依据，降低药物使用量，促进绿色农业发展。

基于语音识别和情感事件检测判断一段音频是否属霸凌事件

实地拍摄大田作物行图像进行图像分割模型的训练，编写后处理代码，结合液压传感系统完成作物行的识别并进行相应偏移达到除草效果。未来方向为模型的优化和压缩，提高模型的推理效果和处理速度，使之更符合嵌入式设备的应用部署。

Diachatbot（糖尿病健康管理对话机器人）项目把糖尿病健康管理对话系统定位于任务型对话系统，为了保证对话系统响应的可控和可解释，典型的任务型对话系统采用 pipeline 体系结构。因此，与本项目相关的研究包括对话理解与状态跟踪、对话策略、知识图谱及推荐、对话生成这四个方面的研究。

Diachat是为糖尿病健康管理对话系统构建的中文对话数据集，该对话系统为任务导向型对话系统，主要服务于糖尿病患者，为患者解答日常生活中糖尿病相关问题。Diachat数据来源为在线聊天平台中患者与医生的对话信息。Diachat数据集采用基于dialogue act的表示方式进行意图表示并定义了15个act label。并且，Diachat定义了6个domain涵盖语料涉及的领域，分别为：问题（Problem）、饮食（Diet）、行为（Behavior）、运动（Sport）、治疗（Treatment）、基本信息（Profile）。

Diachat标注规范下载链接
Diachat数据样例链接