本项目旨在实现甲骨文的自动化识别，采用ResNet-34卷积神经网络作为基础架构。模型训练采用分阶段的迁移学习策略：首先加载ImageNet预训练权重，冻结全部卷积层，仅训练输出分类层以适配甲骨文类别；随后解冻所有网络层，使用较小学习率进行全局参数更新，以优化特征提取与分类的协同效果。

这是一个基于OpenCV的信用卡数字自动识别系统。它先提取0-9数字的模板形状，然后通过图像处理找到信用卡上的数字区域，再将每个数字与模板进行匹配，找出最相似的数字，最后按顺序输出完整卡号并识别发卡机构类型。

这是一个文档扫描与OCR识别系统，能将拍摄倾斜的纸质文档自动矫正为正面视图，并提取其中的文字内容。项目通过边缘检测找到文档边界，利用透视变换拉直图像，最后用OCR引擎识别文字，实现从"拍照"到"可编辑文本"的一键转换。

本项目结合传统图像处理与深度学习技术，实现停车场车位的自动检测与状态识别。通过 Canny 边缘检测、霍夫直线检测提取车位区域，并利用微调的 VGG16 卷积神经网络对每个车位进行空闲/占用分类，提供从图像预处理、车位标注、模型训练到单张图片预测及视频实时检测的完整流程。

这是一个基于 OpenCV 的答题卡自动识别与阅卷系统。用户只需拍摄一张答题卡照片，程序便会自动通过边缘检测定位答题卡区域，利用透视变换将倾斜变形的图像矫正为规整视图，然后通过轮廓分析筛选出所有圆形选项，并利用掩膜技术统计每个选项的填涂像素数量，从而判断学生的作答结果，最后与标准答案比对并自动计算得分，同时在答题卡上标注出对错情况。整个流程无需人工干预，可快速、准确地完成答题卡的批阅工作。

本项目是基于 PyTorch 框架，利用 ResNet18 模型对 MedMNIST 医学影像数据集进行分类任务的实战训练和评估。项目提供了完整的数据加载、模型训练、验证、测试和结果分析流程，并输出 AUC、ACC 等指标。