- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
特种作业考场实操行为考核检测系统
一、引言 我国特种作业人员超3000万人（《2026年中国特种作业发展报告》），实操考核作为持证上岗的核心环节，面临主观评分偏差大（考官评分标准差＞0.4）、关键环节漏检率高（＞30%）、考核效率低下（ 本文提出基于YOLOv12目标检测与时空行为建模的智能考核检测系统，通过多模态感知-动态操作建模-分级考核联动技术架构，实现实操环节识别精度97.8%（实验室数据），实测响应延迟＜0.6秒。 （二）算法层核心设计 YOLOv12实操行为检测优化 针对特种作业“小目标工具（如保险丝、焊条）、动态操作（如接线缠绕）、复杂背景（油污/金属反光）”问题，优化模型结构与训练策略： # YOLOv12 特种作业考场实操行为考核检测系统基于YOLOv12+RNN深度学习算法，特种作业考场实操行为考核检测系统通过集成AI大模型，可以监测考生考试操作过程中的关键环节，如装配、检测等环节，及时发现问题并记录， 从而提升考生考试作业实操行为的准确性；特种作业考场实操行为考核检测系统可以根据检测结果及时对考生的考试实操过程进行识别反馈，并对考生进行培训和调整，提升考生的技能水平。
57810编辑于 2026-01-12 - 来自专栏csdn
Spring之事务的传播行为实操篇
Spring之事务的传播行为 枚举 public enum Propagation { REQUIRED(0), SUPPORTS(1), MANDATORY(2), REQUIRES_NEW ) { propagationTest.setBalance(balance-10); propagationTestMapper.update(propagationTest propagationTest.getBalance() + 100); propagationTestMapper.update(propagationTest); int i = 10 propagationTest.getBalance() + 100); propagationTestMapper.update(propagationTest); int i = 10 propagationTest.getBalance() + 100); propagationTestMapper.update(propagationTest); int i = 10
30910编辑于 2024-04-10 - 来自专栏燧机科技-视频AI智能分析
特种作业操作行为智能评估系统 筑牢安全生产防线
为提升考核客观性，部分考试中心试点部署了“特种作业操作行为智能评估系统”。 二、系统架构：关键点检测 + 动作触发 + 边缘推理系统采用三层边缘设计，保障低延迟、高隐私、本地化处理：前端感知层在实操工位上方部署200万像素全局快门枪机（建议俯视30°～45°）；视频流输入边缘AI 盒子（如华为Atlas 500 Pro或瑞芯微RK3588）；采用YOLOv10模型检测人体、工具及PPE。 行为判别层针对每类作业预设“关键动作清单”（如电工考核含“验电”“挂牌”“接地”）；结合OpenPose提取手部关键点，判断是否完成“拔销”“挂钩”等动作；设定规则：若某关键动作在规定时间内未被检测到， 注：在实验室标准电工实操考场（可控光照、单人操作、正面视角）下，系统对“佩戴绝缘手套”“验电动作”的识别召回率达92.4%，误报率约7.8%（样本量：350次模拟考核）。
35910编辑于 2026-02-02 - 来自专栏燧机科技-视频AI智能分析
脚手架登高架设操作智能评估系统：AI守护高空作业安全
在建筑特种作业人员实操考核中，脚手架搭设是高风险、高规范性要求的关键项目。传统人工评分依赖考官经验，易受视角盲区、疲劳、主观判断差异影响，导致评分一致性不足。 二、系统技术架构：轻量化感知 + 规则驱动评估系统由三部分组成：多模态感知层输入：2路1080P@25fps视频（正面+侧面视角）；采用YOLOv10检测人员、钢管、扣件、扳手等关键物体；结合MediaPipe 注：在实验室模拟考场（标准光照、无遮挡）中，系统对5类高频违规行为的平均识别准确率为91.3%（样本量：200段操作视频）。 2025年Q4在某省级考核中心小范围实测显示，因衣物遮挡、多人交叉作业等因素，有效识别率约为76%，误报率约8%（主要源于相似动作混淆，如“捡工具”误判为“未扶稳钢管”）。 四、成本与合规说明单考场改造成本（含2台AI盒子+软件授权）约2～3万元（2025年市场估算）；所有视频处理在本地完成，原始数据不出考场，符合《个人信息保护法》；系统仅为辅助评分工具，最终成绩须经持证考官确认
30810编辑于 2026-01-20 - 来自专栏燧机科技-视频AI智能分析
焊工考试作业操作行为智能评估系统
在特种作业人员资格考核中，焊工实操考试对操作规范性要求极高。传统评分依赖考官肉眼观察，易受视角遮挡、强光干扰、主观经验差异影响，尤其在多人同时考试时，难以全程精准追踪每个细节。 这些行为均有明确规范依据（如《特种设备焊接操作人员考核细则》），且可通过视觉可靠捕捉。 二、系统架构：边缘感知 + 规则化评估引擎系统由三部分构成：多视角感知层部署2路1080P@25fps工业摄像头（正面+斜侧45°），避开电弧直射；采用YOLOv10检测人员、面罩、手套、夹具、焊枪、工件等关键对象 注：在实验室模拟考场（可控光照、无烟尘）中，系统对6类高频违规行为的平均识别准确率为90.2%（样本量：180段考试视频）。 四、成本与合规说明单考场改造成本（含2台AI盒子+软件授权）约2.5～3.5万元（2025年市场估算）；所有视频处理在本地边缘完成，原始数据不出考场，符合《个人信息保护法》；系统仅为辅助评分工具，最终成绩须经人社部门认证考官签字确认
24700编辑于 2026-01-20 RAID10 单盘失效降级处理实操
RAID10 降级在日常运维工作中，我曾处理过一起4盘RAID10阵列单盘失效引发的降级告警事件，成功化解了数据丢失风险，现将本次处理经验总结如下，为后续同类故障提供参考。 字段拆解 & 故障关联字段内容含义DG/VD0/0磁盘组 0 下的第 0 个虚拟盘（即当前唯一的虚拟盘）TYPERAID10虚拟盘的 RAID 类型是 RAID10，和之前拓扑里的配置一致StateDgrd 修复方案结合RAID10的技术特性，制定针对性修复方案：RAID10融合了RAID1的镜像冗余和RAID0的条带读写特性，这一特性决定了在仅单盘故障且阵列未损坏的前提下，可支持热插拔操作，无需停机即可完成故障盘更换 确认现场为raid10，且有一块磁盘故障，允许热插拔。但是4快磁盘的情况下，raid10最多支持任意一块磁盘故障，当两块磁盘故障的时候，需要是具体情况进行分析。 raid10的机制，同时拥有raid1和raid0。所以只要raid没有损坏，在只损坏一块磁盘的前提下支持磁盘热拔插。
48810编辑于 2026-01-15- 来自专栏建站闲谈
在DEBIAN 10上安装qBittorrent在线实操教程
今天就在debian buster 10上面安装qBittorrent-nox，github的项目地址：https://github.com/userdocs/qbittorrent-nox-static
6.5K30编辑于 2022-03-30 - 来自专栏燧机科技-视频AI智能分析
避雷器电流泄漏操作智能评分系统
在电力行业特种作业人员资格考核中，避雷器泄漏电流测试是一项高风险、高规范性要求的操作。 本文介绍一种兼容现有实操考场的边缘智能方案，聚焦可视觉观测的操作行为序列，在保障低侵入前提下，实现对典型违规项的自动识别，并客观分析其在真实考评环境中的能力边界。 二、系统架构：边缘感知 + 规则引擎 + 隐私优先系统由三部分构成：前端感知模块在操作台上方部署2路1080P@25fps工业摄像头（正面+斜侧45°）；采用YOLOv10模型检测人员手部、绝缘手套、测试线 注：在实验室标准考场（可控光照、无遮挡）中，系统对6类高频违规行为的平均识别准确率为91.5%（样本量：150段考试视频）。 四、成本与合规说明单考场改造成本（含2台AI盒子+软件授权）约2.5～3.5万元（2025年市场估算）；所有视频处理在本地边缘完成，原始数据不出考场，符合《个人信息保护法》；系统仅为辅助评分工具，最终成绩须经人社部门认证考官签字确认
18810编辑于 2026-01-25 - 来自专栏个推技术实践
语义情感分析实操 | 10行代码帮你判断TA是否生气了
本文主要借这个有趣的实操案例，为大家分享如何基于NLP进行语义情感分析。 下图是我们基于最简单的FastText算法进行文本分类的过程： 我们对该算法模型进行了10轮的持续迭代。在测试集上，该模型的准确率达到了0.582。 感兴趣的童鞋可以在自己的实操中尝试进行更多的优化。 总结 目前，虽然AI技术的应用已经越来越成熟和普遍，算法模型也一定程度上能够对文本的情感进行判断。 我们也期待读者朋友们，多多和我们交流自己的前沿实战和趣味实操案例。
83220发布于 2021-05-24 - 来自专栏系统信任增长范式
基于腾讯云的行为数据采集与评估实操
基于腾讯云的行为数据采集与评估实操系统对企业的“记账”核心未变——不记短期投放、爆款表现，只记长期行为轨迹与信任相关变量，但在开发者社区中，需用技术视角拆解“记账”的实现逻辑：腾讯云工具链可精准落地这一过程 ，让“系统记账”从商业概念转化为可落地的技术方案，既保留核心概念，又满足技术社区的实操需求。 ：记录企业行为是否稳定（如内容主题、承诺口径）腾讯云工具：CLS日志服务+PythonTF-IDF算法实操代码（主题一致性计算）：importpandasaspdfromsklearn.feature_extraction.textimportTfidfVectorizerfromsklearn.metrics.pairwiseimportcosine_similarity ，“系统记账”本质是企业行为数据的精细化管理场景：可基于该逻辑开发“企业行为评估插件”，适配SaaS平台、招商系统；腾讯云的日志采集、时序存储、区块链等技术，为“不可伪造的行为记录”提供成熟解决方案；行为一致性 保留“系统记账=长期行为画像”的核心概念，用技术拆解商业逻辑，既顺应系统评估的底层逻辑，也为开发者提供了可复用的实操方案，让企业的“被记内容”从抽象变量转化为可管理的技术指标。
30210编辑于 2026-01-09 《高价值付费玩家行为共性深析：从体验锚定到价值共生的实操拆解》
”的双重追求，既是高价值付费玩家区别于普通付费用户的核心特征，也是开发侧精准捕捉高价值用户需求、搭建差异化体验体系的关键实操导向，唯有吃透这一行为逻辑，才能实现付费内容与玩家需求的深度契合。 更深度的实操逻辑在于，多维稀缺性需形成“协同供给闭环”，而非孤立存在，比如专属场景（功能稀缺）需搭配独家NPC情感交互（情感稀缺）与定制化场景互动机制（交互稀缺），三者相互赋能，构建完整的稀缺体验体系， ”的极致追求，既是高价值付费玩家捕获稀缺体验的核心行为共性，也是开发侧打造高价值稀缺内容、强化付费粘性的关键实操逻辑，唯有构建完整的多维稀缺供给体系，才能精准击中高价值玩家的稀缺性需求。 更深度的实操逻辑在于，需搭建“圈层共创闭环”，让高价值玩家深度参与专属内容的优化迭代，比如针对圈层玩家反馈的体验痛点，快速调整专属内容的细节设计，同时将共创成果同步反馈给圈层成员，让玩家感受到“自身需求被重视 高价值付费玩家的行为共性，本质是“体验价值与核心需求精准匹配”的行为具象化，其所有付费决策与行为逻辑，都围绕“独特性体验、深度性沉浸、圈层性认同”三大核心诉求展开，脱离了传统付费行为的表层消费逻辑，转向
55400编辑于 2025-12-14《多账号同源识别核心技术拆解：从行为指纹到身份锚定的实操逻辑》
”到“隐性基因”的识别升级，既是应对多账号规避识别的核心技术方向，也是保障平台生态合规性与体验稳定性的关键实操逻辑，其底层思维是通过用户行为的“不可复制性特质”，搭建同源账号识别的精准链路。 实操过程中，需先通过“硬件特征归一化处理”，排除同一型号设备的共性参数，提炼每个设备专属的隐性特征码，再通过跨账号登录设备的特征比对，校准同源设备关联，比如不同账号登录设备的电池充放电曲线、传感器对同一操作的响应时序 实操过程中，首先需采集网络多维度交互数据，比如网络连接的建立时序、数据传输的速率波动、网关交互的响应特征、DNS解析的路径偏好，再通过“网络特征去重提纯”，排除公共网络的共性参数，提炼用户专属网络轨迹特征 实操过程中，需通过长期行为数据积累，提取用户稳定的核心行为惯性特征，比如点击偏好区域的时序分布、内容滑动的速率变化曲线、功能调用的频次占比规律、互动操作的响应时长阈值，再通过“行为特征相似度算法”，比对不同账号的交互惯性图谱 实操过程中，需先通过各维度技术手段采集核心特征，再通过“特征权重动态分配”，根据不同场景下各维度特征的识别精度，调整权重占比，比如在设备单一登录场景中，强化硬件隐性特征权重；在多设备跨网络场景中，提升行为惯性与网络轨迹特征权重
78000编辑于 2025-12-14# WorkBuddy 深度使用指南：从能用到好用的10个实操技巧
二、10个实操技巧技巧1：赋予 AI 身份和人格创建 SOUL.md、IDENTITY.md、USER.md 三个文件放在 ~/.workbuddy/ 目录下。 技巧10：数据持久化与备份建议建立三重备份：本地记忆库（SQLite FTS5）灵魂文件冷备自动化定期同步三、避坑记录自动化路径必须用绝对路径——相对路径在不同环境下行为不一致Python 脚本注意隔离运行
67010编辑于 2026-06-11- 来自专栏大数据实战演练
实操 | 10分钟带你轻松掌握 Kafka 源码编译环境搭建，调试无忧！
说明： 运行环境：windows 10 Kafka 版本：1.1.1 idea 版本：2020.03 一、源码下载 kafka 1.1.1 源码下载地址： https://github.com/apache
4.7K52编辑于 2022-11-17 - 来自专栏腾讯云智能·AI公有云
AI会是考试作弊的终结者吗？
对考试作弊的聚焦，使得这部演绎了横跨两大洲的考场风云，成为当年风靡全亚洲的票房佳作。 片中所展现的考场情节，几乎触及了大多数人都曾亲身经历过或近距离看到过的情景：考场作弊与反作弊。 在反作弊上，官方也操碎了心，从宋朝开始的“密封线”、誉录制度到明清时期的沐浴净身、狭窄格子间，反作弊越发严格。 不仅从技术的角度提升了在线考试的安全性、公平性与效率，集中实现考试人员身份核验、行为异常检测，而且减轻了监考人员负担，减少了考场所需配备监考人员数量，这对于考试组织方来说，既有实实在在的降本增效，还提高了监考的灵活性 以企业内部晋级考核测评为例。 企业内部同事间容易泄露考题，考试中也可能存在离开考试页面，查阅测评材料等作弊手段以及替考风险。 流程上对考生进行考前拍照，对考试页面进行离屏警示，考试期间对考场视频监控等，有效杜绝替考、代考、离屏查阅资料等作弊行为，保证考试的公平公正。
2.5K80发布于 2021-05-17 基于AR眼镜与大模型的职业教育实训考核智能方案｜阿法龙XR云平台
在职业教育实训考核领域，传统模式普遍存在监管成本高、考核标准不统一、结果反馈滞后等痛点，难以适配电工、电气、机械等专业对实操技能的精准评估需求。 本方案的核心目标在于通过轻便型AR眼镜的增强显示与摄像头采集功能，替代传统人工监考模式，精准捕捉学员实操动作与环境信息，借助云端大模型完成技能评估，大幅提升考核效率与公平性。 ，通过图像识别技术验证零件安装位置的准确性，评估学员的实操精准度；在电气设备维护考核中，AR眼镜可显示设备内部结构示意图，指引学员完成故障排查操作，同时记录故障定位时间、维修步骤等数据，综合评估学员的问题解决能力 相较于传统实训考核模式，本方案具备显著优势。 此外，本方案可与VR培训形成完美闭环，学员先通过VR设备进行虚拟仿真培训，熟悉操作流程与风险点后，再通过AR眼镜开展真实设备的实训考核，实现从虚拟练习到真实实操的全流程技能培养，有效提升职业教育实训教学质量
41710编辑于 2025-12-03- 来自专栏IaC
Terraform Authoring Operations Professional 认证考试经验分享：从备考到实战全攻略
考试结构与题型题型分布：包含 12 道选择题（理论与场景分析）+4 个实操实验（分多阶段，独立成题）。 时间管理策略优先级排序：建议先做实操题，最后做选择题。实操题分值更高，且需要连贯思路；选择题可利用碎片时间快速完成。 单题限时：每个实操实验建议控制在 45-50 分钟内（含验证时间），避免因某题卡壳影响全局。若某步骤不确定，先标记跳过，完成其他部分后再回头处理。 实操题核心注意事项环境与配置细节：必须在代码中明确配置 Provider 的 AK/SK 信息（考试环境无默认权限，需手动填入给定的密钥）。 心态与策略“完成比完美更重要” ：即使不确定某题的全部要求，也要完成能确定的步骤（如资源定义、基础配置），实操题按步骤给分，部分完成也能积累分数。
40410编辑于 2025-10-26 - 来自专栏自然语言处理(NLP)论文速递
模型实操 | 从零开始，用英伟达T4、A10训练小型文生视频模型
在文本转视频的背景下，假设有一个包含 10 万个狗捡球和猫追老鼠视频的训练数据集，然后训练模型来生成猫捡球或狗追老鼠的视频。 让我们来编写代码并生成 10,000 个视频，看看它的效果如何。 each image in the dataset img_size = (64, 64) # Define the size of the shapes (Circle) shape_size = 10 嵌入大小将为 10。如果使用更大的数据集，你还可以使用 Hugging Face 上已有的嵌入模型。 在这里，我们将学习率设置为较小的值 0.0002，嵌入大小为 10，这比其他可供公众使用的 Hugging Face 模型要小得多。
72410编辑于 2024-07-04 - 来自专栏机器人课程与技术
单片机理论与实践课程总结与补充材料
3、命题审核表（1份）； 4、考试课：样卷A、B、C（各1份）和参考答案及评分标准A、B、C（各1份）； 非试卷考查：成绩评定标准（1份）； 5、考场情况记录表（1份）； 6、平时成绩记载表（含实验成绩记载表 ）（1份）； 7、期末成绩记载表（2份）； 8、试卷分析表（2份）； 9、其它考核材料（1份）：如大作业、课程技术报告、上机考核光盘等； 10、教师授课情况记载簿（1份）； 11、试卷批阅及评分复查报告 课程实训考核归档材料 ①课程实训教学大纲（在大纲中包括平时表现、技术报告、答辩的详细评分标准，分类加以说明）； ②课程实训指导书（或任务书）； ③答辩记录表（答辩现场教师记录表，或学生回答问题记录表）； 电工（电子）实训类课程考核归档材料 ①教学大纲：在大纲中包括平时（涵盖出勤、素养、安全）或7S的详细评分标准、实训项目的详细评分标准、报告的详细评分标准； ②教师授课情况记载簿（详细记载考勤情况）； ③ 成绩评定表：平时（涵盖出勤、素养、安全）或7S考核记载表、单项实训项目考核记载表、成绩登记表）； ④实训报告； ⑤实践课程教学总结分析表。
1.4K40发布于 2019-01-23 AR眼镜赋能职业技术教育，助力老师和学生传递知识｜阿法龙XR云平台
一、方案背景当前职业技术培训多依赖传统教具与人工指导，存在实操步骤不直观、错误难以及时纠正、考核结果主观性强等问题。 硬件终端：选用轻量化 AR 眼镜，具备超亮显示、高帧率、环境感知及长效续航（单次使用≥6 小时）功能，确保学员实操时视野清晰、操作无负担。 软件平台：包含课程管理模块、实操指导模块与考核评估模块，支持课程内容上传、步骤拆解、数据存储与报表生成，可兼容 Windows、Android 等多系统。 （三）考试自动打分与错误定位智能化考核：考核阶段，学员按要求完成指定实操任务，AR 眼镜全程录制操作过程并上传至系统。 五、应用价值提升培训效率：相比传统培训，学员实操错误率降低 40%，培训周期缩短 30%，减少人工指导成本。保证考核公平：自动打分与客观错误分析，避免人工考核主观性，为技能评价提供精准数据支撑。
52210编辑于 2025-10-27
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