登录社区云，与社区用户共同成长
邀请您加入社区
高反光漆面检测难题源于传统成像在镜面反射下信息失真。斯睿特智能提出“测量思维”替代“摄影思维”：通过投射可编程条纹，拍摄多组相位图像，利用相位解算重建三维形貌。该方法自动消除环境光干扰，反光越强信号越清晰，突破单图过曝瓶颈。结合多频编码与机器人扫描，实现哑光/亮光共用硬件、缺陷特征物理可解释，显著提升检测精度与泛化能力，真正实现从“看不清”到“测得准”的范式跃迁。
本文讲解视觉伺服（Visual Servoing）核心原理，聚焦“如何让机械臂通过摄像头实时调整动作”。关键在于理解三维点如何投影到二维图像（透视投影公式），并通过图像特征（如质心、边缘）估计物体位姿。对比两种闭环控制策略：PBVS（基于模型）以期望图像与当前图像的误差驱动控制；IBVS（基于图像）直接用图像特征变化率调节。核心工具包括相机标定、PnP位姿估计、交互矩阵（图像雅可比），实现“边看边
大模型技术演进始于1943年M-P神经元模型，历经感知机、多层网络与反向传播突破，解决线性不可分问题。1980年代CNN与RNN分别应对图像与序列任务，但受限于梯度消失/爆炸。LSTM通过门控机制缓解长程依赖难题。2017年Transformer以自注意力机制实现并行计算，彻底打破序列依赖瓶颈，奠定大模型基础。2018年GPT（生成式）与BERT（理解式）双星崛起，开启大规模预训练时代。后续架构持
工厂评估视觉系统时，仅算相机与人工成本易漏算三大隐性支出：漏检导致的客户索赔、返工与复检占用产能、质检标准不一带来的管理成本。智能相机通过四层嵌入式架构实现确定性低时延检测，支持100%全检、标准统一与可追溯，显著降低漏检率与运营成本。德诚视觉主打“开箱即用”，适合中小厂；海康机器人则提供平台化方案，适用于大型产线。选型需避坑：忽视算力时延、缺乏硬触发、算法封闭。最终，视觉投入应以“漏一件赔多少”
AI大模型的爆发催生了数据中心对高算力网络的海量需求，推动光模块从100G向800G、1.6T升级。速率提升使光器件（如FAU、MPO）精度要求达微米级，人工质检因分辨率、一致性与速度瓶颈彻底失效。为保障可靠性，机器视觉全检成为光通信工厂的必然选择——一场看似“质检革命”的背后，实则是前端AI需求沿产业链传导的必然结果。
在多相机协同的MPO端面检测中，毫秒级触发延迟会导致1mm位移误差，引发图像拼接失效。软件触发受操作系统调度与协议栈影响，同步精度仅达毫秒级且抖动不可控。必须采用硬件触发：通过PLC统一发出等长触发信号，实现1～10μs同步精度。对于跨工位系统，需结合IEEE 1588 PTP协议，利用硬件时间戳与透明时钟技术，实现亚微秒级网络时间对齐，确保全局图像时间基准一致，最终保障三维重建与芯位检测的高重复
TM AI Cobot 自带视觉可满足多数应用。飞拍、特殊取像或精密定位时，可外接 EIH 2D 相机。相机随臂移动，须先完成内参与手眼校正：拍摄 15 张校正板影像，完成 Landmark 2.0 并建立 HandCamera2。过程由软件自动执行，需为机器人预留移动空间。
极验叠字点选验证码的对抗本质，使用YOLO系列检测，数学优化方法，结果等。控制在150字内，需精炼。本文聚焦极验叠字点选验证码对抗，采用YOLO系列检测汉字位置，结合数学方法解决叠字与语义干扰。通过合成数据训练，以匈牙利算法匹配提示词与检测框，并用阈值分割和尺寸惩罚优化精度。实验表明标注准确率超90%，排序准确率70-80%。工程实践中提出过拟合与训练慢的调优策略。
将输出的X\Y\A，拼接成字符串赋值给到res方法一：在GroupRun方法的模块运行最后，添加输出的赋值脚本方法二：不从输出中获取，而是从模板匹配的工具里面获取数据再拼接a.添加库模板匹配的dll库b.获取工具里面名称为CogPMAlignTool1的工具对象，并将对象转换为CpgPMAlignTool实例。然后对pm实例进行取值，然后拼接到输出的res中。3.2.2 定义标签集合和字体
yolov5的环境搭建、数据标注，以及CUDA、cuDNN、torch、torchversion 的安装，这些弄完之后你就可以很基础的开始赛博炼丹了
本文针对老龄化社会中的老年人安全问题，提出了一种基于YOLOv8深度学习模型的异常行为实时检测系统。研究通过自制数据集构建了包含正常与异常行为的两类标注数据，采用传统增强与Mosaic策略提升数据多样性。改进后的YOLOv8模型在自建数据集上达到92.3%的mAP@50和45FPS的推理速度。系统采用PyQt框架开发，实现了89.7%的检测准确率和低于25ms的单帧处理耗时。实验表明，该系统有效解
本文是基于c++并根据yolov11模型编写的基于非极大抑制的操作。不同的模型输出还得根据实际情况修改代码。
摘要：本文分享了一个基于YOLOv8和Qt开发的实时人脸检测系统界面设计。文章介绍了界面布局的四个功能模块（原始画面、检测结果、日志显示和操作按键），展示了系统启动和图片上传的演示效果，并提供了实现步骤和优化建议。作者强调先模仿再优化的开发思路，分享了关键代码片段（包括界面布局、按钮样式等），并预告下期将推出YOLO算法训练教程。该项目体现了算法与界面审美的结合，适合需要快速实现目标检测界面的开发
在pycharm终端使用如下命令即可方法一：直接指定版本安装（如：8.0.0）下载成功后再用如下代码升级版本方法二：如果还是无法安装，可以先升级 pip 工具，再尝试。
c#联合halcon实现图像的平移、缩放和显示像素坐标及灰度值等操作。
使用开源数据集 遇到的问题，
首先需要有对应的窗体来支撑，如上图所示，其中识别矩形的参数我这里都是通过winform提供的属性表控件来操作的，显示结果控件也是winform自带的数据表格控件，定义好窗体后进行下一步。如上图中可以自定义设置识别参数，识别方向和优先级等，这些参数还是很重要的，比如由黑到白识别，又或者是由内到外，这些参数决定了识别的结果。3、创建测量模型，开始测量并提供参数，最后设置一些识别参数，然后开始识别，最后
使用UR5机械臂搭载realsense d435i相机识别物体并进行抓取，涉及到的技术路线包括：1.相机识别部分：安装realsense SDK,realsense_ros包，手眼标定相关包，识别aruco码，以及标定后各个坐标系之间的变换2.UR5机械臂部分：配置UR5机械臂运行环境，机械臂轨迹运动3.抓取部分：TCP末端夹爪抓取物体。
opencv 感兴趣区域ROI和logo添加技术
本文使用opencv和级联分类器简单实现人脸检测代码
opencv resize图片为正方形尺寸
yolov8n.yaml可以换成其他模型的yaml，如yolov8s.yaml、yolov8l.yaml、yolov8m.yaml、yolov8x.yaml。repeats：表示当前模块的理论重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，该参数影响整体网络模型的深度。网络的输入为一幅图像，输出为多个不同层数级的特征图(feature maps)，将输出的特征图传递给
智慧工地视频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。
C#opencvsharp实现十字中心定位
我们可以再设置参数时给它一个初始值并且在上文中讲述了参数控件是winform自带的属性表，我们可以设置对应参数的说明文档。这里我就不说怎么把Halcon转c#了，本篇文章主要讲述标题里面的内容，不过大家有相关的需求都可以评论下来，后续我会更新。3：匹配多个模型的话，我们只需要如上图所示循环即可，循环匹配循环输出对应的参数。1：在匹配时最好加上异常捕获机制，否则匹配失败程序直接挂了，影响体验。2：需
在实际项目中经常会遇到需要绘制ROI的情况，之前一直是用darw_circle,darw_Rectangle1等系列的算子。虽然很简单，一行代码就能搞定，但是在交互体验上非常差。用这种算子绘制完ROI之后如果想修改roi只能重新绘制非常不方便。直到发现了HDrawingObject这个类。
在视觉抓取中，许多常见标准物体需要被视觉定位，确定该物体在二维平面内的位置和角度。本次主要使用轮廓识别的方式完成矩形物体的视觉定位。
yolov9 加载中文标签显示乱码解决办法-CSDN博客参考如上博客。同时，需要留意几点内容。修改完这部分代码以后，需要重新训练才能看到效果，且matrix混淆矩阵等，需要完全训练完毕才能看见。
运行环境：Windows10 I7-13700k RTX4080 Cuda11.3 ,在mmdetection框架下运行Efficientformer模型，Transformer和CNN在CV领域广泛使用，CNN和Transformer已经对战多年, 在目标检测中通常是CNN比较常用，因为transfomer参数量大且训练时间长.最近的一篇论文提出了EfficientFormer是改进的VIT（v
调用yolov5模型基于opencv实现检测指定种类的物体是否在固定区域内，本方法适用于yolov5的预训练模型和自己训练的pt模型，既可检测图片视频，也可实现实时检测摄像头的功能。
我们不难看出两个大概是一样的，但是不一样的在于以下几点：1、ros需要定义节点，发送话题还有接收话题以ros寻线这个为例子，如：rospy.init_node(‘color_detection_node’)这个是定义节点这是将Twist类型的消息发布到了/cmd vel主题上这个是接收turtlebot上面摄像头传给主机的话题2、两个的获取视频流的代码不一样，windows的获取视频流的代码是ro
本文主要以yolov7的公版检测模型为例展开，对Openvino在windows平台的开发环境配置、代码开发和vs2019生成的“.exe”文件在其它电脑或windows平台部署时依赖环境的配置等做介绍，避免读者后期踩坑。其中，示例代码的“.exe”文件下载便可直接在windows环境中运行。
本篇文章只是记录我最近解决的问题，涉及到一些c#知识点以及visionPro工具。
重新定义一个自己的坐标系，重新定义原点等的定位工具。工具，界面如下：首先，需要了解，最开始的图像的原始原点是左上角，也是最开始的坐标系空间，如下图所示：一般来说，使用模板匹配工具时就会用到工具。并且一般，将的结果中心原点赋给当作新的坐标系原点。下图没有使用线链接起来，是因为使用代码实现了。链接以后，的中心原点就是下图新的坐标系原点。这时候，后面使用的工具就可以使用新的空间坐标系了，比如这里面使用了
最近在搞双目视觉矫正，采用的是张征友标定法。主要步骤包括：获取相机1和相机2的标定图片，对标定图片进行预处理 （裁剪、分辨率匹配）、然后利用opencv的函数库对图像进行矫正
Clion+vcpkg配置opencv+zbar实现C++条码检测，踩坑实录。find_package(OpenCV REQUIRED)、CMakeLists.txt，opencv日志等级。
yolov5中使用tensorboard可视化total_loss和acc
本文记录我自学yolov7的全过程，找数据集->筛选照片并重命名->labelimg打标签->voc转txt并按比例划分数据集->github下载yolov7模型和yolov7.pt参数文件->配置模型、数据yaml文件->修改train文件运行并通过tensorboard查看
yolov5一行命令导出engine格式文件
jetson部署yolov5踩坑记录
本文内容为yolov5-yaml文件的逐行讲解，为自用学习笔记
yolov3的Gui界面（2）--美化页面+输出识别物体名称及数量
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
北京朝阳AI社区
openEuler 社区
乐奇 Rokid 开放社区
