- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
80820编辑于 2021-12-07 AbMole详解： DNP-BSA--免疫学研究与检测的得力助手
AbMole的DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）作为一种重要的免疫学工具，在很多领域中都有着重要的作用。 这些抗体可以用于后续的免疫学实验，例如检测抗原抗体反应、研究抗体的特异性和亲和力等。 四、免疫检测和免疫层析免疫层析技术是一种基于抗原抗体特异性反应的膜检测方法。它以硝酸纤维素膜为固定相，该膜上固定有检测线（包被抗体或抗原）。 在流动相的作用下，待测物首先与荧光标记的抗体或抗原结合，随后在到达检测线时与包被的抗体或抗原结合，形成荧光或胶体金条带，从而实现检测目的。 DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）可满足免疫层析中的胶体金检测或免疫荧光检测，目前是很多免疫层析产品（抗原检测、病毒检测）中重要的质控系统。图2.
13910编辑于 2025-11-19- 来自专栏用户2442861的专栏
openCV—Python(11)—— 图像边缘检测
box-sizing: border-box; padding: 0px 5px;">10
- 11 box-sizing: border-box; padding: 0px 5px;">10
- 11 laplacian边缘检测结果： ? X方向边缘检测结果： ? Y方向边缘检测结果： ? XY方向结合边缘检测结果： ? Canny边缘检测结果： ?
2K11发布于 2018-09-19 - 来自专栏DrugOne
Immunology | 群体免疫学：在人类免疫学中利用区块链技术和人工智能
人类免疫学可能很快就会从人工智能和区块链技术的使用中受益。在这里，作者讨论了群体学习如何通过分享见解而非数据，来促进全球免疫学合作研究，充分尊重当地数据隐私法规。 几十年来，免疫学研究得益于高度标准化的动物模型。然而，随着知识的增加，从模型系统到人类疾病的转换问题越来越难，而且失败率较高。 一个协调一致的系统免疫学计划可以轻松地在全球范围内收集人类样本，并创建大型人类群体，为研究人类疾病的分子机制提供足够的数据。 此外，这种SL支持的国际活动将极大地受益于人类免疫学数据标准化的改进。开发能够方便访问SL项目的平台将促进该领域的发展。 尽管如此，人类免疫学研究真正一体化时代即将开始。 参考资料 Schultze, J.L., Büttner, M. & Becker, M.
40820编辑于 2022-11-28 - 来自专栏贾志刚-OpenCV学堂
YOLO11+OpenVINO 实现药片检测
数据集下载地址： https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip、 数据标签文件配置： YOLO11 模型训练 训练命令行 yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640 PR曲线 部署与量化推理演示 PTQ的量化代码如下： 运行结果如下： 基于OpenVINO2025 C++ SDK部署INT8量化后模型，推理效果如下： OpenVINO + YOLO11药片检测的推理代码如下： std::string > detector(new YOLO11Detector()); detector->initConfig(xmlpath, labelpath, 0.2, 640, 640); cv::Mat image = cv::imread("D:/pills.jpg"); detector->detect(image); cv::imshow("YOLO11药片检测+OpenVINO2025", image);
13010编辑于 2026-04-02 【免疫学笔记】血球凝集和血型分型
抗免疫球蛋白抗体由RobinCoombs 首次开发，因此这种疾病检测方案称为库姆斯试验（Coombs test）。 因此，抗人免疫球蛋白抗体未被开发出来之前，检测抗Rh 抗体很困难。库姆斯试验能直接检测与胎儿红细胞表面结合的抗体。 具体方法是在去除胎儿血清中存在的未结合免疫球蛋白后，直接添加抗人免疫球蛋白抗体以检测与母体抗体结合的胎儿红细胞（图2）。 抗Rh抗体不凝集红细胞，但它们在胎儿红细胞表面存在，可以通过洗去未结合的免疫球蛋白，然后加入对人免疫球蛋白的抗体来检测。 通过这种检测，医生可以及时发现并干预，保护胎儿健康。
22610编辑于 2025-12-29- 来自专栏流式抗体推文
从基础到临床！Elabscience AF/LE纯化抗小鼠IL-4抗体[11B11]，赋能多维度免疫研究
内容概要Elabscience 推出的 AF/LE 纯化抗小鼠 IL-4 抗体 [11B11]是一款专为免疫学研究打造的单克隆抗体。 IL-4 相关研究一直是免疫学领域的热点，其功能异常与自身免疫性疾病、过敏反应、肿瘤免疫等多种疾病的发生发展密切相关，因此特异性检测和研究 IL-4 的工具抗体具有重要的科研价值。 例如在胞内因子检测中，经固定破膜处理后，抗体可穿透细胞膜与胞内 IL-4 结合，再通过荧光信号（若使用偶联荧光素的衍生产品）或其他检测信号放大系统，清晰反映 IL-4 在细胞内的表达水平和分布情况。 应用领域Elabscience AF/LE纯化抗小鼠IL-4抗体[11B11]聚焦免疫学研究领域，核心应用场景包括：ICFCM（胞内流式细胞术）：用于检测细胞内 IL-4 的表达，分析免疫细胞活化状态； 总结Elabscience 的 AF/LE纯化抗小鼠IL-4抗体[11B11]凭借高特异性、多应用场景、稳定性能和高性价比，成为免疫学研究中检测小鼠 IL-4 的优质选择。
12710编辑于 2025-12-31 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model bus.jpg 它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹） 训练结果： 可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的 你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？ 从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？
75110编辑于 2025-12-24- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.6K10编辑于 2024-10-10 【免疫学实验】单克隆抗体技术
原因： 即使是针对单一抗原决定簇（如半抗原）产生的抗体，其结构也存在差异（异质性）。这可以通过等电聚焦实验验证：识别相同抗原的抗体在电泳后会显示出不同的等电点，证明其分子结构的不均一性。
19910编辑于 2025-12-29- 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing 检测的效果还不错，比上次150张图片训练的准确率要高出不少，天空和树林背景的检测准确率已经很高，不过白色的楼做背景的话，白色的无人机要就检测出来确实比较难。看后面会不会有什么别的好办法。 IOU来看的话还是能看出来一个趋势的，IOU最后基本会稳定在0.8--1的一个水平，从视频上来看，检测框的准确性确实比较一般，不知道还有么有比较好的方法去进一步提高这个精确度，这都再说了，现在就是希望感冒赶紧好起来
2.4K30发布于 2018-12-19 【免疫学实验】“Western Blot”的前世今生:免疫印迹技术简述
它不需要对细胞进行放射性标记，而是通过“分离-转移-检测”三部曲来锁定目标蛋白。 检测： 这一步与免疫荧光或ELISA类似。利用特异性抗体去寻找膜上的目标蛋白，再通过酶标记的二抗来放大信号，最终呈现出我们能看到的条带。 ❓ 二、 为什么叫“Western”？ 你可能会好奇，为什么这项检测蛋白质的技术会被命名为“Western”（西方）？ 临床诊断： 常用于检测血清中的特定蛋白质或抗体。 典型案例： 在 HIV（艾滋病病毒） 的确诊检测中，Western Blot 是一种经典的确认试验。 它能够检测患者血清中是否存在针对 HIV 不同成分（如衣壳蛋白、酶等）的特异性抗体，从而提供确凿的诊断依据。
40510编辑于 2025-12-29- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
12.6K21编辑于 2025-01-13 - 来自专栏量子位
最早11月进行人体试验 | Nature免疫学
目前，这个方法已经登上了《自然-免疫学》（Nature Immunology），尽管还处在研究的初期阶段，但已经让科学家们非常兴奋了。 如果新疗法能通过进一步的实验室安全性测试，那么最早在2020年11月，就可以开始在癌症患者身上进行人体试验了。 T细胞历险记 新疗法的关键，在于T细胞。
39920发布于 2020-02-21 - 来自专栏云深之无迹
工信部2016379号-11 微弱信号的检测方法
1718篇原创内容 公众号 这是一份来自工信部的文件，《工信部2016379号-11 微弱信号的检测方法》，发布单位：国家无线电监测中心、国家无线电频谱管理中心。 核心术语 术语 定义 信号检测 在噪声干扰中识别目标信号存在性的技术过程 微弱信号 信噪比低于0 dB、埋藏于噪声中的信号 微弱信号检测 通过特定处理方法提升信噪比，以识别有用信号的技术 微弱信号检测的三种主要方法 方法 原理 优点 适用场景 自相关检测 利用信号自身相关性 不需参考信号 自发信号监测 互相关检测 利用参考信号与目标信号相关性 抑制干扰能力强 卫星信号提取 锁定放大法 频谱搬移+低通滤波 抗窄带噪声能力强 微弱调制信号 取样积分法 采样+积分平均 实现简单，适合周期信号 工频干扰抑制场景 相关检测法 自相关检测 利用信号本身的时间相关性与噪声的非相关性进行积分识别。 低通滤波器可显著抑制非同步噪声，提高信号可识别度 https://www.srrc.org.cn/srrc/pdf/%E5%B7%A5%E4%BF%A1%E9%83%A8%E6%97%A02016379%E5%8F%B7-11%
57100编辑于 2025-07-13 - 来自专栏深度学习和计算机视觉
基于yolov11的手语检测 | 附数据集+代码
重磅干货，第一时间送达 YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代，它重新定义了尖端精度、速度和效率的可能性。 主要特点 增强特征提取：YOLO11采用了改进的骨干和颈部架构，增强了特征提取能力，实现了更精确的目标检测和复杂任务的性能。 支持任务范围广泛：无论是目标检测、实例分割、图像分类、姿态估计还是定向目标检测（OBB），YOLO11都旨在应对多样化的计算机视觉挑战。 训练过程 YOLO11模型在此ASL数据集上进行了微调，专门用于手语目标检测。这个训练过程包括： 数据集增强：使用Roboflow通过转换来增强数据集。 结果显示了在实时检测不同ASL标志方面的有希望的结果，证明了YOLO11架构在处理复杂、基于手势的任务方面的有效性。 设置和初始化 访问GPU 我们可以使用nvidia-smi命令来做到这一点。
2K11编辑于 2024-12-09 使用纯opencv部署yolov11旋转框目标检测
【官方框架地址】 GitHub - ultralytics/ultralytics: Ultralytics YOLO11 【算法介绍】 YOLOv11是一种先进的对象检测算法，它通过单个神经网络实现了快速的物体检测 其中，旋转框检测是YOLOv11的一项重要特性，它可以有效地检测出不同方向和角度的物体。 旋转框检测的原理是通过预测物体的边界框和旋转角度来实现的。 在YOLOv11中，神经网络不仅预测了物体的边界框位置，还预测了物体的旋转角度。这意味着YOLOv11可以检测出不同方向和角度的物体，而不仅仅是正面的物体。 通过旋转框检测，YOLOv11在处理具有挑战性的物体检测任务时具有更大的灵活性。例如，在处理包含不同方向和角度的物体的图像时，旋转框检测可以提供更准确的检测结果。 此外，由于旋转框检测涉及到多个参数的预测，因此需要更强大的神经网络架构来处理这些参数。 总的来说，YOLOv11的旋转框检测是一种强大的技术，它可以提高物体检测的准确性和灵活性。
29910编辑于 2025-07-22使用纯opencv部署yolov11目标检测onnx模型
yolov11官方框架：https://github.com/ultralytics/ultralytics 【算法介绍】 在C++中使用纯OpenCV部署YOLOv11进行目标检测是一项具有挑战性的任务 将预处理后的图像输入到模型中，并获取检测结果。 对检测结果进行后处理，包括解析输出、应用非极大值抑制（NMS）和绘制边界框。 编译和运行： 使用C++编译器（如g++）编译你的代码。 运行编译后的程序，输入图像或视频，并观察目标检测结果。 /yolo11n.onnx"; Yolov11 detector; video_demo(detector, detect_model_path); } 【视频演示】 C++使用纯opencv部署yolov11 winform最快检测速度，将yolov5-6.2封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，使用C#的winform部署yolov8的onnx
1.5K11编辑于 2025-07-22- 来自专栏流式抗体推文
流式实验必备！Elabscience APC 标记抗人 CD45RA 抗体[HI100]精准助力免疫细胞分型
该抗体可特异性识别人类 CD45RA 抗原，适用于原始 T 细胞、B 细胞等免疫细胞的精准检测，凭借稳定的性能、清晰的信号输出和完善的应用支持，成为免疫学分型、基础科研及相关疾病机制研究的优质工具。 关键特性：单克隆抗体特异性强，与人类 CD45RA 抗原高亲和力结合，配套推荐 APC Mouse IgG2b, κ 同型对照（MPC-11），可有效排除非特异性结合干扰，保障实验准确性。 细胞、B 细胞及单核细胞鉴定； 免疫应答机制研究：探究 T/B 细胞活化信号传导、细胞因子对 CD45RA 表达的调控； 疾病相关研究：如白血病、自身免疫性疾病等中免疫细胞群体的异常变化分析； 基础免疫学实验 ：免疫细胞发育、分化及功能评估相关的流式检测。 无论是基础免疫学研究中的细胞亚群分型，还是疾病机制探索中的免疫细胞功能分析，该抗体都能提供可靠的实验数据支撑。多种规格选择兼顾科研成本与实验需求，搭配专业的技术服务，助力科研人员高效推进研究工作。
26810编辑于 2025-11-21 AbMole小讲堂丨BAY 11-7082：经典NF-κB抑制剂，在肿瘤、免疫学和代谢研究中的应用
BAY 11-7082（BAY 11-7821，M2040，AbMole）是一种常用的NF-κB抑制剂，广泛应用于研究炎症反应、癌症及免疫调节等生物学过程。 其分子机制包括：BAY 11-7082对PI3K-AKT信号通路的抑制、激活细胞凋亡途径、下调多种促生存基因的表达[1]。BAY 11-7082在肝纤维化的研究中，可用于抑制活化的肝星状细胞[2]。 BAY 11-7082（NF-κB inhibitor 13）还在神经系统疾病的动物模型中展现出多重保护作用，例如BAY 11-7082可抑制TNF-α诱导的星形胶质细胞去分化，该过程通过NF-κB-Nanog-CD44 /Musashi-1信号轴实现[3]；BAY 11-7082（BAY 11-7821）还可减轻糖尿病小鼠模型的神经病变，并改善线粒体功能[4]；BAY 11-7082在发育期大鼠模型中，抑制七氟醚反复暴露诱导的海马区细胞焦亡和神经炎症 由AbMole提供的BAY 11-7082（M2040，BAY 11-7821）在上述论文中作为NF-κB 的抑制剂，用于验证细胞是否能对 NF-κB 抑制剂产生响应。
26210编辑于 2025-11-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号