- 综合排序
- 最热优先
- 最新优先
- 来自专栏小鹏的专栏
工业器件检测和识别
有问题欢迎微信交流：lp9628 工业器件标定与识别（如下图所示）： ----> ----> 代码实现： 主要流程：直方图均衡化，去除噪声，二值化，查找轮廓，选出需要轮廓。 imread(img_path) #img = cv2.resize(img, (200, 100)) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY n = img.shape[:2] b2 = cv2.resize(b, (n//4, m//4)) # 开运算和闭运算 m1 = cv2.morphologyEx(b2, cv2 _, bw = cv2.threshold(m2, 150, 200, cv2.THRESH_BINARY_INV) bw = cv2.resize(bw, (n, m)) img2, ctrs, hier = cv2.findContours( bw, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) min_area = 999999
1.2K100发布于 2018-01-09 - 来自专栏机器视觉产品资料查询平台
工业视觉检测为什么优选黑白工业相机
在工业机器视觉现场，黑白相机依然是很多检测项目的首选。 为什么越是高精度、高速度的场景，越不迷信“彩色”？这个主要还是取决于应用场景的。 看起来少了一层颜色信息，但在工业检测里，这反而是一种优势。因为少了颜色处理环节，成像链路更简单，响应速度也更快。对于高速产线、实时检测、连续抓拍等应用来说，这一点非常关键。 在工业现场，很多时候不是“拍得漂亮”最重要。而是：能不能在极短时间内稳定成像，并快速完成判断。工业检测为什么更偏爱黑白？因为工业检测的核心目标，往往不是识别颜色，而是识别结构、边缘、尺寸、形状和缺陷。 同样是检测一批产品，谁能更快给出稳定结果，谁就更适合产线。对光照更友好，低光环境也能发挥工业现场的光照环境并不总是理想。有些工位空间有限。 有些产品表面反光。 有些检测区域不适合强光照射。 很多时候，真正适合工业现场的，不是“看起来更丰富”的方案，而是“检测起来更可靠”的方案。黑白相机看似朴素，却常常是工业视觉里最务实、最高效的选择。
15010编辑于 2026-05-20 - 来自专栏我的C语言
Linux权限(2)
所以对于Linux文件的态度就是：可以使用，方便人看，也防止类似于gcc这种情况出现 2、什么是权限‘x’ x表示的是可执行，如果有x权限，就是表示一个文件能够执行。 可是又有问题了！ 所以x(可执行权限)的侧重点是权限，而不是可执行。所以可执行不等于可执行权限。 3、目录权限 3、1、cd目录 cd目录的条件是什么呢？ r？w？x？是哪一个？ 如果取消文件的r的权限。 目录r的权限：用户能否查看目录内的文件信息。 如果取消文件的w的权限。 还是能够实现cd dir。所以能够推断出x权限是不能进入文件夹。 那么此时的w权限限制的是什么呢？ 3、2、普通文件和目录默认权限不同及原因 此时的情况是在普通用户下，如果是在root的情况下的话，会有些不一样。 对于目录文件来说，默认的权限时775。 对于普通文件来说，默认的权限时664。 这里就需要介绍Linux的权限掩码：创建文件的时候，要从起始权限中，过滤掉(不是简单的减法)在umask(0 0 2= =000 000 010)中出现的权限。
30810编辑于 2024-07-25 - 来自专栏AI算法与图像处理
深度学习工业应用: 缺陷检测
应用背景 随着机器视觉，工业自动化的快速发展，工业4.0的概念已经被提上日程。传统很多需要人工来手动操作的工作，渐渐的被机器所替代。 读者不乏看看周边的朋友，我想平均每个人都至少有2部移动设备吧，一部手机，一部平板。但是使用者有没有思考过这些电子产品的构成。我们就拿屏幕和内部芯片来举个例子。 Anyway, 上面之所以说了这么多，还是想让大家清楚的知道现在工业界的一个真正的需求， 所以下面我们要讨论的话题就是如何来解救现在工厂中正在睁大眼睛，埋头检测玻璃或者其他物体表面缺陷的少女们～ 2. 当然，深度学习的方法用来检测，也有自己的很多缺点。例如：数据量要求大，工业数据收集成本高。但是随着数据增强技术，无监督学习的不断进步，在某些应用场景上，这些缺点渐渐被隐藏了。 然后你看到的无人工厂更加会无人化～ 具体的检测工业应用，作者在github上有讲的很清楚， 有感兴趣的朋友可以直接链接过去了解。
3.4K20发布于 2019-11-11 - 来自专栏YOLO大作战
《深度学习工业缺陷检测》介绍
深度学习工业缺陷检测 1）提供工业小缺陷检测性能提升方案，满足部署条件； 2）针对缺陷样品少等难点，引入无监督检测； 3）深度学习 C++、C#部署方案； 4）实战工业缺陷检测项目，学习如何选择合适的框架和模型 1.工业油污数据集介绍 三星油污缺陷类别：头发丝和小黑点，["TFS","XZW"] 数据集大小：660张，包括部分良品图像，提升背景检测能力。 Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 2/2 [00:04< ，添加一个微小物体的检测头 多头检测器 | 亲测在工业小目标缺陷涨点明显，原始mAP@0.5 0.679提升至0.702 OLOv8n_4 summary (fused): 207 layers, 工业缺陷检测全流程解决方案 2.1 工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题 2.2 工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题（二） 2.3 工业缺陷检测全流程解决方案
1.3K20编辑于 2023-11-12 工业引入AR质检系统，重塑工业质量检测新模式
在元幂境看来，随着智能化和数字化浪潮的席卷之下，工业行业传统的质量检测手段正逐渐暴露出效率低、误差高、人工依赖强等问题。 而新兴技术的兴起，正在为质量检测注入新活力，其中AR技术就是其中的代表。借助AR眼镜以可视化、智能化的方式，重新构建质检的流程和标准。推动工业进入全新的智慧决策质检时代。 2. 电子制造中的微观检测 面对主板焊点、电路连接等微小部件，传统目检效率低且易出错。AR结合高清摄像头与放大视图功能，可辅助检测人员精确识别缺陷点，并对不合格项进行语音或图像标记。 3. 三、AR质量检测的未来展望 随着5G、AI与工业物联网（IIoT）的融合，AR质量检测将进一步向智能预测、自主决策与协同作业方向演进。 在元幂境看来，AR质量检测不仅是制造业数字化转型的重要组成部分，更是未来工业智能化发展的关键节点。
42310编辑于 2025-09-19- 来自专栏工业科技1
工业检测太麻烦？人工检测不靠谱？这样解决
随着科技的发达，制造业也逐渐智能化，一个个智能产品出现在人们的视野中，工业视觉检测平台就是其中一个！ 使用工业视觉检测平台可有效克服工业生产中人工检测的弊端，它的原理是通过高清工业相机对产品外观进行取像，并基于工业机理、AI模型分析来实现对工业产品外观是否存在缺陷的快速、精确判定，面向非标自动化厂商，提供基于类平面和颜色差异的通用化视觉检测算法应用 在对铝件外观缺陷检测上，工业视觉检测平台也能取得良好的效果。 通过基于工业机理和云计算的工业产品视觉检测平台，利用3D视觉相机，结合AI算法，利用训练并测试所得的模型，简单高效的实现铝件高反场景的像素分割，从而对铝件的外观质量进行标准化的技术判定。 任何智能产品的开发都是为了解决生活中的各种问题，工业视觉检测平台让检测不再困难！
46300发布于 2021-08-06 - 来自专栏FreeBuf
技术分享：如何利用SeImpersonatePrivilege权限来检测SYSTEM权限安全
写在前面的话 在这篇文章中，我们将给大家演示如何通过SeImpersonatePrivilege权限来获取SYSTEM权限，并通过提权来判断自己系统内的SYSTEM权限安全。 2、本文所使用的技术不仅使用了CreateProcessWithTokenW来生成一个新的进程，而且我们还可以使用CreateProcessWithTokenW、CreateProcessAsUserW 如果将来发布任何新的系统身份验证触发器，此工具仍然可以用于提升权限，只不过需要使用另一个命名管道名称而已。 2、使用SpoolSample触发器调用CreateProcessAsUserW c:\temp\MultiPotato> MultiPotato.exe -t CreateProcessAsUserW -p "pwned\pipe\spoolss" -e "C:\temp\stage2.exe" 使用下列命令触发 c:\temp\MultiPotato>MS-RPRN.exe \\192.168.100.150
1.4K20编辑于 2022-02-24 - 来自专栏可持续开发
工业互联网2
在文章”工业互联网”中，我提到了工业互联网需要分内部和外部形态，优秀的企业内部形态是实现外部互联互通的前提条件，如果企业内部都非常多的信息孤岛，又怎么能做好外部的连接工作呢，所以工业互联网实现的难度要远远高于消费 C端互联网，本文就重点讲解一下工业互联网的内部形态需要解决的问题和挑战。 工业企业流程多样化的问题 C端互联网的实现是标准统一化的，一个淘宝手机端，微信手机端可以服务10亿以上的用户，但工业互联网，每个节点都是多样化的。 ? 工业互联网需要先进的智能设备 智能设备是工业互联网的鼻子，眼睛，耳朵，手和脚，ERP和MES系统是企业内部形态的大脑和躯干，流动的信息就是血液循环系统。 ? ? 工业互联网需要企业信息化升级 工业互联网是企业管理软件领域的再次升级，但这必须是建立在企业完成内部信息化的基础上面的，而且如果只有大企业完成信息也，中小企业还在数字化低端水平，也无法真正实现工业互联网。
1.3K20发布于 2019-08-26 - 来自专栏用户7873631的专栏
yii2权限curd
'class'=>\yii\rbac\DbManager::className() ] composer selfupdate composer update yiisoft/yii2- AUTO_INCREMENT `user` -- ALTER TABLE `user` MODIFY `id` int(11) NOT NULL AUTO_INCREMENT, AUTO_INCREMENT=2; $permission=$authoBbj->createPermission("创建"); //建立一个创建权限 $permission->description="这个权限的作用是创建"; //描述这个权限的作用 $authoBbj->add($permission); //注册进权限表中 效果图： 第二步： $authoBbj=Yii::$app->authManager 描述这个角色是什么 $authoBbj->add($role); //注册进权限表中.
96210编辑于 2022-03-25 - 来自专栏贾志刚-OpenCV学堂
工业异常检测视觉大模型AnomalyGPT来了
AnomalyGPT介绍 异常GPT是第一种基于视觉大模型（LVLM）的工业异常检测方法，该方法可以在不需要手动指定阈值的情况下检测工业图像中的异常。 现有的工业异常检测方法只能提供异常分数，需要手动设置阈值，而现有的视觉大模型无法检测图像中的异常。异常GPT不仅可以指示异常的存在和位置，还可以提供有关图像的信息。 异常GPT方法也可以在提供很少正常样本的情况下检测以前看不见的工业品异常缺陷。真的实现了零代码零训练的工业缺陷检测 测试效果 源、多格式一维与二维条形码图像处理库。 ，用异常GPT 工业视觉检测又变得容易落地了吗？ 零样本提示词直接检测缺陷 零样本提示词直接检测缺陷 从此让工业异常检测跟玩ChatGPT一样简单，做个提示工程师人人可以！
4K11编辑于 2024-04-30 - 来自专栏工业科技1
工业制造为什么需要机械视觉检测？
智能制造装备是具有感知、分析、决策、控制功能的制造装备，是信息化与工业化深度融合的重要体现，也是先进装备制造业的重点发展方向。智能制造装备主要包括数字机床、3D打印等等。 机器视觉检测技术是用机器视觉替人眼、人手来进行检测、测量、分析、判断和决策控制的智能测控技术，与其他检测技术相比，其优点主要包括：智能化程度高、信息收集全面、检测速率高、精度高等等。 人工检测是工业视觉对产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的工业视觉检测方法可以很大程度上克服上述弊端。 在半导体生产中，常用于SMT贴装（元件表面缺陷特征检测、字符印刷残缺检测、元件破损检测、芯片引脚封装完整性检测、端子引脚状态检测、编带机元件极性识别）、PCB（元件表面缺陷特征检测、字符印刷残缺检测）、 IC芯片（镀金表面缺陷）等；新能源方面可以用于同步电机发卡线圈表面缺陷检测；机械制造方面可以为发动机垫片和汽车外观缺陷进行检测，并可泛化汽车仪表盘缺陷检测、汽摩零部件缺陷检测、汽摩灯具塑料件缺陷检测等。
76010发布于 2021-09-16 - 来自专栏Aidlux人工智能
基于Aidlux平台的工业视觉缺陷检测
工业视觉缺陷检测是一种利用计算机视觉技术，对工业制品进行自动化检测，以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节，可以大大提高生产效率，降低产品缺陷率，提高产品质量。 通过对样本进行分析，注射器摆放的位置略有差异，采用目标检测来检测各个部件是否存在比较合适，最后综合判断每个注射器的最终结果，如果检测某个注射器出现歪嘴或者缺件的直接输出对应的NG信号，方便剔除不合格产品 相机:工业高清黑白相机600w光源:红外平板光源，背面补光镜头:工业高清FA镜头35mm算法:yolov8部署:工控机显卡RTX206012G界面及通信:WPF或者C#或者OT (这里不做讨论)下图是yolov8 安装包大小为1.2g打开AidLux，配置各种权限，手机-设置-关于手机-多次点击系统版本号，打开开发者模式重启AidLux，选择登陆或者免注册登陆，应用系统第一次打开需要加载AidLux，等待进度条完成手机端进入 最后放上本次基于Aidlux平台实现工业视觉缺陷检测的效果视频的地址。https://www.bilibili.com/video/BV1GN4y197cD/
1.1K30编辑于 2023-09-08 - 来自专栏数据派THU
与时代共振，AI助力工业缺陷检测
[ 摘要 ]由于深度学习强大的特征提取能力，代替了人工目检和传统的机器视觉，成为了工业缺陷检测的新利器。然而，基于深度学习的语义分割技术在工业缺陷检测领域的应用仍具有挑战性。 本文先对比自然场景下的语义分割，概述了工业缺陷检测背景下语义分割技术的特点；接着，对于工业缺陷检测的常见难点，对常见的解决方案进行介绍。最后，作者提出了关于工业缺陷检测实际应用中一些问题的思考。 工业缺陷检测相比于自然场景，类别更少，而且工件表面一般背景干扰小，变化更少，而且可以通过硬件（如打光）等方式去改良光照等条件以获取更好的数据集。那么是否意味着工业缺陷检测中的语义分割更为简单呢？ 下面我们结合上述难点，对于工业缺陷检测的常见难点，对常见的解决方案进行介绍： 2．选择什么样的网络拓扑可以捕捉目标细节？ 一些思考 工业缺陷检测的指标需要具体情况具体分析。有些场景下的工业缺陷检测并不需要逐像素分类准确，需要知道缺陷种类和大致位置即可，更倾向于“目标分类”这样的任务。
1.4K31发布于 2021-10-19 - 来自专栏一刻AI
工业界表面缺陷检测方法综述
作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于各工业领域，包括3C、半导体及电子、汽车、化工、医药、轻工、军工等行业，催生了众多上下游企业。 2．交流电磁场检测 与涡流检测方式类似，交流电磁场检测（Alternating Current Field Measurement，ACFM）同样基于电磁感应原理。 基于机器视觉的表面缺陷检测方法 作为目前工业生产中最常用的自动检测技术之一，机器视觉技术是实现设备自动化、智能化和精密控制的有效手段，具有可靠性高、检测精度高、检测速度快、成本低和适用性广等突出优点。 2．基于深度学习特征自提取的方法 伴随着与日俱增的数据量、海量的算力和不断突破的算法模型，机器视觉与深度学习等人工智能技术的融合使得高质量的表面缺陷检测成为了可能。 自此，深度学习飞速发展，极大地改善了目标检测、语音识别等任务的性能，在工业质检、巡检、故障诊断等领域也取得了极大地成功。
3.2K11发布于 2021-01-05 - 来自专栏全栈程序员必看
权限持久化—映像劫持检测（Shift后门）
File Execution Options，创建或者修改sethc.exe 如下图所示，那么可以在不登陆的情况下，点击5次shift时调出cmd 测试一下 貌似因为是系统给启动的，直接继承系统权限了
96410编辑于 2022-09-30 - 来自专栏一刻AI
“工业听诊”中多声源事件检测与定位
众所周知，基于领先的声音事件定位和检测技术，可以研发“声学照相机”和“工业听诊器”等产品，并在电力、水利、轨道交通、汽车制造等行业领域发挥效用，保证工作人员的安全以及节省成本。 利用声音定位和检测技术，可以设计工业质检系统实现实时检测设备声音，避免设备故障导致生产中断，还可通过声音监测产品质量，避免不良品流向市场。 球型Eigenmike麦克风 当声源位置距离1m时，方位角范围[180° , 180°]每隔10°，仰角范围[40° , 40°]每隔10°，会产生324个方位的IRs；当声源位置距离2m时，方位角范围 提取过程： 2. 广义互相关（GCC-Phat） 由于麦克风阵列中阵元距离声源的间距不等，当声波传递到阵元时，会在其之间产生延时差值，时间差结合阵元结构的几何关系，可以估计出声源的方位信息。 report of Detection and Classification of Acoustic Scenes and Events 2019 (DCASE) Challange, 2019. [2]
2.2K10发布于 2020-08-27 - 来自专栏3D视觉从入门到精通
万字长文细说工业缺陷检测
单单从工业界来看，在“缺陷检测”这一个细分的场景（其实也不是啥细分场景，所有找异常的都可以叫缺陷检测）。 （二）场景分析 本文讨论的是工业场景，那就先和自然场景比一比吧！如下： ? 当然有一个非常重要的特性没有说： 自然场景一般是强语义信息，缺陷检测一般为弱语义信息。 一般1个点的漏检，2到3个点的误检也算比较理想的结果了。不过有一点值得说明的是，非常明显的漏检和误检就是低级错误，要不得的。 以上是工业缺陷检测场景的固有属性。 没办法进行resize（当然使用高分辨率的相机本意也是更精准的检测尺度小的缺陷）。导致的问题是：测试的时候，1是耗时，2是比较难控制误检的。 下载2 在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的
2.7K52发布于 2021-07-27 使用易语言部署工业级人脸检测模型
Libfacedetection的特点如下： 高效性：该库利用优化的算法和硬件加速，可以在实时系统中快速准确地检测人脸。 灵活性：支持多种配置，可以根据不同的需求调整检测的精度和速度。 SSD网络框架，SSD框架详情参见：https://blog.csdn.net/qq_30815237/article/details/90292639 【效果展示】 【实现部分代码】 .版本 2 .支持库 spec .子程序 _按钮2_被单击 .局部变量 推理结果, 文本型 人脸检测_加载模型 (“YuFaceDetectNet_320.onnx”, 0.3, 0.45, 320) 推理结果 ＝ 人脸检测_推理_从文件 (“person.jpg”) 绘制结果 (读入文件 (“person.jpg”), 推理结果) 调试输出 (推理结果) 人脸检测_释放资源 () 【视频演示】 易语言部署工业级人脸检测模型 vd_source=989ae2b903ea1b5acebbe2c4c4a635ee 【源码下载】 【测试环境】 e5.93 opencv4.7.0 【参考文献】 [1] https://blog.csdn.net
30910编辑于 2025-07-17- 来自专栏机器学习AI算法工程
机器视觉工业缺陷检测(光源，相机，镜头，算法)
视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。 尺寸测量主要是检测物体的长、宽、高，比较常见主要是物体的二维尺寸（宽和高）检测。 RGB 转 HSV公式： 2、相机的选择 （1）工业数字相机的分类： 工业相机按照芯片类型可以分为CCD相机、CMOS相机； 按照输出色彩可以分为单色（黑白）相机、彩色相机； 按照传感器的结构特性可以分为线阵相机 （2）工业镜头的基本参 镜头选择应注意：①焦距 ②目标高度 ③影像高度 ④放大倍数 ⑤影像至目标的距离 ⑥中心点/节点 ⑦畸变。 3、芯片大小和相机接口：例如2/3’’镜头支持最大的工业相机耙面为2/3’’，它是不能支持1英寸以上的工业相机。 4、注意与光源的配合，选配合适的镜头 。 三、现有可用的视觉检测软件/库 1、做工业视觉检测的公司有哪些？
21.7K611发布于 2021-10-14
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