登录社区云，与社区用户共同成长
邀请您加入社区
本文设计实现了一个用于物料分拣机器人的视觉检测系统。传统的需要人工完成的拣选工作由于劳动强度大、效率低、容易出现差错等因素，通过使用机器视觉技术、深度学习技术、机器人控制技术对物料进行自动识别、定位、智能分拣从而实现自动化分拣的方式已经广泛地应用到实际中。系统设计上用分层模块化架构，把系统分成硬件层、驱动层、核心层、应用层。使用yoloV8检测到的物料缺陷区域进行检测，得到深度图像后根据深度图像得
巡检机器人读表依赖“图像采集→表盘定位→结构解析→读数计算→结果校验”五步识别链，误报多源于成像质量与几何条件，而非算法缺陷。工程上通过优化拍摄角度、补光、清洁表盘，结合多帧复核、阈值判断与人工闭环，可有效控误报。指针式仪表重在角度测量，数字式则难点在字符识别。系统应与管理平台打通，实现数据闭环。现阶段AI宜定位为人工抄表的高频替代者，而非责任替代者。
实际上，一个完整的工业AI视觉检测系统，需要解决的不仅是模型问题，还包括成像、数据、算法、软件和自动化。
建筑空间分类目标检测数据 | 建筑空间识别 室内检测 智能楼宇 多目标分类9023期
选型的核心原则是场景驱动，不是厂商驱动。先想清楚你的业务场景（离线还是在线、设备端还是移动端、人脸库多大、有没有信创要求），再拿场景去匹配厂商的能力，而不是反过来"我先选了百度，再看看百度能做什么"。如果你做的是离线门禁/考勤/闸机/信创项目，可以评论区交流具体的芯片型号和场景需求，我帮你判断百度SDK适不适合！
针对Bumping凸点、RDL重布线层、引线键合等工艺，可识别焊球虚焊、引线变形、凸点偏移等封装缺陷，满足先进封装的高精度检测需求，该领域也是当前AOI设备市场增长的核心动力，2024年国内封装测试用AOI市场规模已超12亿元。AOI自动光学视觉检测设备是芯片制造全流程中实现微米级缺陷拦截的核心质检装备，可覆盖晶圆制造、减薄切割、封装测试等全环节，是保障芯片良率的关键设备。依托3D激光三角测量技术
本文深入剖析了一个基于 Faiss + MongoDB + Tornado 构建的百万级人脸特征向量检索系统，涵盖特征归一化、余弦相似度近似计算、分段分数映射、HNSW 分片索引、索引持久化与增量恢复、Canopy 在线聚类归档等核心技术细节。同时从 Faiss 单机内存库的局限性出发，对比了 Milvus、Pinecone、Weaviate、Qdrant 等现代向量数据库，给出了生产环境下的选型
本文探讨了人工智能视觉与传统视觉技术在工业检测中的本质区别。传统方法依赖像素级特征分析（如灰度值、边缘检测），通过预设规则判断缺陷，虽在标准场景高效但缺乏适应性。AI视觉智能体（TVA）通过深度学习实现语义级推理，将图像映射到高维特征空间，结合大语言模型的常识推理能力，不仅能识别缺陷，还能理解其成因和背景。这种从"像素判决"到"语义推理"的跨越，使工业检测从
【数据集】【YOLO】目标检测游泳数据集 4481 张，溺水数据集，YOLO河道、海滩游泳识别算法实战训练教程，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['human']，表示“游泳者”。可用于无人机游泳识别、监控游泳识别等。检测场景为河道、海滩、室内游泳馆、水上乐园等有人员游泳的区域，可用于河道游泳安全预警、游泳监测、环保监管、饮用水安全、工业生产、环境监测。
视频分析，视频监控
PointNet++用自己的数据集跑通，并且可视化推理！
UniverSeg: Universal Medical Image Segmentation
视觉语言模型（VLMs）是支持图像、视频和文本的多模态模型，它们结合了大型语言模型和视觉变换器。基于这一能力，它们能够支持通过文本提示来查询视频和图像，从而实现与视频聊天、定义基于自然语言的警报等功能。能够快速部署VLMs，以用于视频洞察应用。VLM服务公开了REST API端点，用于配置视频流输入、设置警报并以自然语言询问关于输入视频流的问题。本教程将指导如何在上运行VLM。
智慧工地视觉监控平台是一款功能强大且简单易用的实时算法视频监控系统。它的愿景是最底层打通各大芯片厂商相互间的壁垒，省去繁琐重复的适配流程，实现芯片、算法、应用的全流程组合，从而大大减少企业级应用约95%的开发成本。用户只需在界面上进行简单的操作，就可以实现全视频的接入及布控。
OpenCV是一个开源的计算机视觉库，由英特尔公司开发并开源的一组跨平台的C++函数和少量的C函数组成，用于实时图像处理、计算机视觉和机器学习等应用领域。OpenCV可以在包括Windows、Linux、macOS等各种操作系统平台上使用，具有开放的编程接口，可用于各种应用开发。OpenCV的主要特点是易于使用，高效、学习资源和社区活跃。OpenCV可以计算相机标定、物体识别、动作跟踪、人脸识别、
MV-VS220 作为一套面向开发者的系统，不仅提供产品的功能使用说明，还提供 “双目立体视觉” 系统核心技术的说明文档，以确保用户可以真正的学到 “双目立体视觉” 知识，并提高解决实际问题的能力。双目视觉的应用几乎涵盖了各个行业，其中尤其以机器人定位、体积测量、体感游戏、空间跟踪、基于立体视觉的智能驾驶、VR设备、智能机器人、拟人化机器人等都会涉及到这方面的技术。双目立体视觉系统开放平台 MV-
液晶面板行业的崛起，带动面板质检需求的暴增。传统的缺陷检测主要由人眼辨别，这给企业把控生产质量和提高生产效率，带来巨大困难。有鉴于此，采用一种新型的面板质量检测方式来代替人工检测是亟待解决的技术问题。行业痛点产品面积大产能高，人工无法做到每张都检测，存在漏检风险液晶面板未切割前通常面积很大，以10.5代线为例，整张面板面积可达到3370mm*2940mm，人工检测难度极大、易疲劳，采用人工检测不能
朗恒科技推出的 HFO-3H HDMI光端机，采用数字无压缩光纤传输技术，通过多模单芯光纤可将HDMI信号延长至 400米，并最高支持 8K@30Hz，为超高清远距离传输提供了可靠方案。尤其在需要 8K@30Hz 超高清远距离传输 的场合，例如医疗影像、展览展示、大屏拼接和指挥中心，HFO-3H 可以发挥光纤传输抗干扰、远距离、无压缩的优势。安装时注意散热、防潮，避免光纤过度弯折。标签： HDMI
本文分享用于具身智能、自动驾驶及车内监控等场景的视频数据集，涵盖驾驶员疲劳、分心、吸烟等行为，适用于人类行为识别、视频理解与多模态模型训练。部分数据已公开，可通过Hugging Face下载，支持定制化数据生成，欢迎联系chan@vwu.ai获取更多需求支持。
摘要：同轴光、背光和环形光是三种常用的工业检测光源，各有特点。同轴光沿镜头光轴照射，适合消除反光、呈现光滑表面细节；背光从物体后方照射，能产生锐利轮廓，适用于尺寸测量；环形光提供均匀的正面照明，通用性强。选择光源需根据检测需求：同轴光用于表面缺陷检测，背光用于轮廓测量，环形光则适合通用外观检查。实际应用中常组合使用不同光源以满足复杂需求。
在计算机视觉领域的学习与探索旅程中，数据标注是必不可少的关键环节。而 Labelme 作为一个功能强大、灵活度高的标注工具，为我们的图像标注工作提供了极大的便利。无论是进行目标检测、语义分割还是实例分割等任务，Labelme 都能助你一臂之力。
适用版本：Halcon23.11、 Halcon24.05、 Halcon24.11、 Halcon25.05、 Dlt23.11、 Dlt24.05、 Dlt24.12、 Dlt25.04。适用版本：Halcon24.05、 Halcon24.11、 Halcon25.05、 Halcon25.11、 Dlt24.05、 Dlt24.12、 Dlt25.04。适用版本：Halcon24.05、
工业视觉落地面临真实缺陷数据采集成本高、长尾场景稀缺且破坏性强的“三重困境”，传统虚实迁移成功率不足30%。Real2Sim2Real闭环方法论通过仿真生成海量带标注合成数据，结合域随机化训练鲁棒模型，再以少量真实数据纠偏，形成“仿真→训练→真机→反馈”的持续迭代链路。3D点云增强与基础模型为技术支撑，大幅降低长尾覆盖成本与设备风险，将虚实迁移成功率提升至商用水平。该范式正从视觉检测向机器人操作、
本次实践所使用的数据集是要是对船舶进行分类，其中包括有5775张船舶图片，其中5486张图片被划分为训练集，289张被划分为测试集。这些船舶中包含有engineer ship、cargo、Passenger ship、warship、fishing ship、unknown这些类别。
隐藏工具面板和所有面板：Ctrl+Shift+~将当前面板还原为默认大小：Ctrl+Alt+0。删除所选图层所有效果：Ctrl+Shift+E。创建空的合成尺寸：Ctrl+Shift+G。取消选择所有图层：Ctrl+Shift+A。新建文字图层：Ctrl+Shift+T。预览全屏：Ctrl+Shift+空格。新建调整图层：Ctrl+Alt+Y。新建合成：Ctrl+Alt+N。裁剪：Ctrl+Shi
统计滤波算法原理及源码详解
通过具体步骤的演示，我们将展示从环境配置到数据交互的完整流程，帮助读者轻松实现工业数据的采集与管理。无论是对于初涉工业物联网领域的工程师，还是希望进一步提升系统集成能力的技术人员，本文都将提供一份详实的操作指南。Node-Red作为一种可视化编程工具，以其直观的操作界面和强大的数据处理能力，成为连接各种设备与系统的理想选择。可能是数据库不区分大小写的原因，我在nodered里面创建的名称是Data
我们之前用随机森林算法做了一个简单的案例，判断天气是否适合出去玩，今天我们使用最经典的手写数字数据集来做一个数字识别预测。
XFeat (Accelerated Features)重新审视了卷积神经网络中用于检测、提取和匹配局部特征的基本设计选择。该模型满足了对适用于资源有限设备的快速和鲁棒算法的迫切需求。由于准确的图像匹配需要足够大的图像分辨率，算法在限制网络中通道数量的同时保持尽可能大的分辨率。该模型提供稀疏或半密集级别的匹配选择，每种匹配可能更适合不同的下游应用，例如视觉导航和增强现实。
此方法实现比较呆，只可以实现 3*3size的滤波，先进行了边缘填充，选择靠近的像素值进行填充，然后循环整个图像，在扩充图像上进行计算，得到每一个位置的滤波像素值。3.针对每一个像素，又循环处理该像素每一个滤波核的位置，分别计算距离和像素值权重（在扩充图进行计算），得到权重，直接计算该位置权重后的值，并进行叠加。在滤波算法中，均值、高斯、双边都是常用的算法，知道他们用途的同时，再了解它们的底层原理
本文将详细介绍DeepLabv3+这一图像分割模型的基本原理、关键公式，并给出了PyTorch的实现代码
halcon 常用快捷键
根据这三个矩形对角线的夹角求值。
深度学习、毕设项目、医学影像、检测系统
halcon常用快捷键笔记
目标检测算法的分类两步走先找出候选区域再对候选区域进行调整、分类代表：R-CNN一步走（端对端采用一个网络一步到位yolo目标检测不仅需要输出分类结果还要输出物体的位置信息。主要评估指标——IOU目标定位的简单实现思路增加一个全连接层，即FC1和FC2。FC1用于类别的输出，FC2用于位置信息(x, y, w, h)的输出。...
配置环境：RTX3090PyTorch 1.9.0CUDA 11.3cudnn 8.2.0mmcv 0.5.9(旧版本)opencv 3.4.4.19（旧版本）DOTA数据集下载：https://captain-whu.github.io/DOTA/dataset.htmlR3Det训练好的checkpoints（用于test测试，u8bj）：https://pan.baidu.com/share
设备：zed2系统：ubuntu18.04目标：在Agv上实现目标检测与跟踪，即需要知道相机坐标系下目标的三维坐标位置，为实现该功能，拟使用zed-yolo先完成目标检测，与Ros发布的消息结合，用于agv控制所需的目标点1.安装Cuda和cudnn花了一上午时间解决cuda和cudnn的版本问题因为从zed-yolo的read me 中似乎对版本没有要求，笔记本系统本来装的是cuda11.0的版
今天介绍一种图像特征提取算法：HOG（Histogram of Gradient）方向梯度直方图HOG+SVM广泛运用与行人检测，在CVPR2005这篇文章中，实施HOG算法一共有5个步骤。1. 伽马/颜色标准化（Gamma/Colour Normalization）第一步应对图像进行伽马矫正和颜色空间标准化的预处理，此步的目的是为了减少光照的影响。颜色空间标准化中，Dalal等人的论文中分别使用
是一款开源的 AI 辅助数据标注工具，集成了 Segment Anything、YOLO 系列等先进模型，支持目标检测、图像分割、姿态估计等多种任务，兼容 Windows / Linux / macOS 平台。
视觉检测
——视觉检测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
AtomGit开源社区
乐奇 Rokid 开放社区
