- 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。 边缘计算节点 采用华为Atlas 300I Pro推理卡（算力140TOPS，INT8精度），部署MindSpore Lite框架，实现模型本地化推理（减少云端依赖，满足考核实时性要求），内置防爆外壳 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 balance` int(11) DEFAULT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4
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 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）。 五、未来优化方向融合语音关键词识别（需经考生授权），辅助判断“唱票”等口令；构建作业流程图谱，提升时序合理性初筛能力；输出操作热力图，辅助优化考场布局与监考动线。
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。 本文介绍一种基于普通监控摄像头的智能评估系统，融合目标检测、人体姿态估计与规则化知识库，在不干扰考生正常操作的前提下，实现对典型违规行为的自动识别与辅助评分。一、为何聚焦“可观察、可量化”的操作要素？ 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 - 来自专栏码出名企路
网络编程实操8小案例
sudo apt install openjdk-17-jdk-headless # version 17.0.3+7-0ubuntu0.20.04.1 sudo apt install openjdk-8- jdk-headless # version 8u312-b07-0ubuntu1~20.04 sudo apt install openjdk-13-jdk-headless # version
51830编辑于 2022-12-04 - 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。 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 结语AI在特种作业考核中的价值，不是取代专业判断，而是将考官从“盯细节”解放到“审逻辑”。焊工智能评估系统通过结构化规则与多模态感知，在保障考试严肃性的同时，提升了评分的一致性与可追溯性。
24700编辑于 2026-01-20 - 来自专栏建站闲谈
Ubuntu 20.04 CentOS 8 开启 BBR技巧实操教程
centos8 echo "net.core.default_qdisc=fq" >> /etc/sysctl.conf echo "net.ipv4.tcp_congestion_control=bbr
3.7K10编辑于 2022-02-23 - 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。 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）。 2025年Q4在某省级电力培训中心小范围实测显示，因现场反光、多人交叉、设备遮挡等因素，有效识别率约为75%，误报率约8%（主要源于“整理工具”误判为“未戴手套操作”）。 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- 来自专栏计算机视觉战队
YOLOv8 深度解析！一文看懂，快速上手实操（附实践代码）
这种多功能性允许用户在不同的应用程序和域中利用YOLOv8的功能 YOLOv8的新特性与可用模型 Ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 ultralytics 这个词 YOLOv8 模型的每个类别中有五个模型用于检测、分割和分类。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最准确但最慢的。 有关示例，请参阅YOLOv8 CLI文档。 有关更多示例，请参阅YOLOv8 Python文档。 图像分类推理结果 最后，由于YOLOv8已经提供了预训练的分类模型，让我们使用该yolov8x-cls模型对同一视频进行分类推理。这是存储库提供的最大分类模型。
60.1K35编辑于 2023-08-24 - 来自专栏CSDN搜“看，未来”
k8s 实践经验（三）：实操中学 k8s 五种资源（1）Pod
实现原理 pod 操作 配置文件形式 Pod 定义 滚动更新 pod 删除Pod 静态 Pod 什么是 Static Pod 最常见的 Static Pod 配置文件方式 HTTP方式 本期我们在 k8s 这里的本地指的是 k8s 存储镜像的地方，这些比较细的东西可能后面会整个社群讲吧。 "/docker-entrypoint.…" About an hour ago Up About an hour k8s_static-web_static-web-k8s-node0 [root@k8s-master ~]# kubectl delete pod static-web-k8s-node0 pod "static-web-k8s-node0" deleted [root y [root@k8s-node0 ~]# docker ps|grep static-web [root@k8s-node0 ~]# docker ps|grep static-web 在Master
68220编辑于 2022-05-06 - 来自专栏CSDN搜“看，未来”
k8s 实践经验（四）：实操中学 k8s 五种资源（2）deployment
~]# kubectl get rs -n w Deployment的缩容 # Deployment的扩容与缩容，不会生成新的rs [root@k8s-master01 ~]# kubectl scale ~]# kubectl rollout pause deployment nginx -n w deployment.apps/nginx paused # 第一次更新 [root@k8s-master01 ~]# kubectl get deploy nginx -o yaml Deployment 恢复功能 # 更新完想更新的内容后，然后恢复镜像 [root@k8s-master01 ~]# kubectl rollout resume deploy nginx -n w deployment.apps/nginx resumed # 查看rs，看到有新的 [root@k8s-master01 ~]# 如果外界连不上 k8s 里面的东西，调动不了服务，那一切不都是扯淡吗？
47620编辑于 2022-05-06 - 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 - 来自专栏Java开发
Java 最新技术实操指南：从 Java 8 + 特性到 Spring Boot 与 Hibernate 应用实践
以下是结合Java最新技术（Java 8+特性、Spring Boot、Hibernate等）的实操内容，按照考试常见考点分类整理，包含技术说明和代码示例。一、Java核心语法与新特性1. Lambda表达式与函数式接口技术说明： Java 8引入的Lambda表达式简化了匿名内部类的写法，结合函数式接口（如Consumer、Predicate）可实现更简洁的代码。 接口默认方法与静态方法技术说明： Java 8允许接口定义默认方法（default关键字）和静态方法，增强了接口的扩展性，避免实现类必须重写所有方法。 接口的继承与自定义方法Spring Boot自动配置的原理六、复习建议掌握核心API： Stream API（集合流式处理）Optional类（避免空指针异常）LocalDate/LocalDateTime（Java 8日期时间 Java 8 + 特性，Spring Boot,Hibernate,Java 最新技术，Java 实操，Java 应用实践，Java 开发，Spring Boot 开发，Hibernate 实践，Java
35810编辑于 2025-07-12 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- 来自专栏Java开发
Java 最新技术实操：从 Java 8 + 特性到 Spring Boot 与 Hibernate 应用实践指南
以下是结合Java最新技术的实操内容，补充在原有文章基础上，帮助你掌握现代Java开发：Java 11+ 新特性实战1. var关键字与局部变量类型推断Java 10引入的var关键字可自动推断局部变量类型 依赖管理和项目构建Gradle：更灵活的构建工具，支持Kotlin DSL常用框架：Spring Boot：快速搭建Web应用Hibernate：ORM框架，简化数据库操作JUnit 5：单元测试框架通过以上实操内容 Java 最新技术，Java8 特性，Spring Boot,Spring Boot 实践，Hibernate,Hibernate 应用，Java 实操，Java 技术指南，Java 开发，Java 框架 ，Java8+,Java 编程，Spring Boot 教程，Hibernate 教程，Java 实战
28500编辑于 2025-07-16 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
：考查 考核形式：期末成绩60%、平时成绩40%（包括平时作业占20%、8个实践项目占60%、综合实践项目占20%，平时成绩按40%来折算）。 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）； 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
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