- 综合排序
- 最热优先
- 最新优先
- 来自专栏爬虫资料
视觉分析开发范例：Puppeteer截图＋计算机视觉动态定位
一、选型背景：传统爬虫已无力应对的视觉挑战在现代互联网环境中，尤其是小红书、抖音、B站等视觉驱动型平台，传统基于 HTML 的爬虫已经难以满足精准数据采集需求：内容加载由 JS 动态触发，难以直接解析 视觉爬虫对比维度传统 DOM 爬虫视觉爬虫（Puppeteer + CV）页面解析方式HTML 文档结构可视化渲染页面截图定位元素依据CSS/XPath/Selector图像特征（坐标、形状、文字）动态内容支持差 ，依赖额外执行 JS强，浏览器真实执行环境稳定性页面结构变动易失效图像特征变化小，较稳技术难度低中高，涉及计算机视觉处理三、代码对比示例：关键词搜索＋视频截图＋视觉定位下面通过 Puppeteer + 识别结果：', result.data.text); await browser.close();})();四、场景推荐适用场景推荐方式采集结构化信息（如商品价格）传统 DOM 爬虫足够视频截图、播放状态分析 尤其在小红书等平台，传统 DOM 爬虫几乎“寸步难行”，而视觉爬虫打开了新一代内容采集的大门。未来，结合 OCR、模板匹配、视频分析的视觉爬虫，将成为数据采集的新范式。
50810编辑于 2025-05-29 - 来自专栏决策智能与机器学习
机器视觉简析视觉不稳定因素分析 | CV | 终端智能
机器视觉系统组成 典型的机器视觉系统一般由图像的获取、图像的处理和分析、输出或显示三部分组成。 按照视觉系统组成结构主要分为两大类：PC或板卡式机器视觉系统（PC-Based Vision System），以及嵌入式机器视觉系统，亦称“智能相机”（SmartCamera）。 2.1 PC-Based视觉系统 PC式视觉系统是一种基于个人计算机（PC）的视觉系统，其图像获取设备一般由光源、光学镜头、CCD或CMOS摄像机以及图像采集卡组成，图像处理与分析设备以一台 ，但一般成熟的嵌入式机器视觉系统均将通用的图相处里算法封装为固定的模块，开发人员可以根据需要选择调用。 3、软件稳定性 检测软件稳定性对机器视觉的影响毋庸置疑，视觉系统最终会在计算机上利用软件采用有针对性的算法进行图像滤波，边缘检测和边缘提取等一系列图像处理，不同的图像处理和分析手段以及不同的检测方法与计算公式
94831发布于 2020-08-04 - 来自专栏用户5637037的专栏
基于视觉分析的过程漂移综合检测
原文标题：Comprehensive Process Drift Detection with Visual Analytics 摘要：最近的研究将概念漂移的思想引入到过程挖掘中，以便能够分析业务流程随时间的变化 本文提出了一种新的过程漂移管理技术-视觉漂移检测(VDD)。该技术首先对从执行业务流程的记录日志中发现的基于相似性的声明性流程约束进行聚类，然后在识别的集群上应用变更点检测来检测漂移。
71960发布于 2019-07-17 - 来自专栏燧机科技-视频AI智能分析
加油站ai视觉分析检测预警
加油站ai视觉分析预警算法通过yolov8图像识别和行为分析，加油站ai视觉分析预警算法识别出打电话抽烟、烟火行为、静电释放时间是否合规、灭火器摆放以及人员工服等不符合规定的行为，并发出预警信号以提醒相关人员 加油站ai视觉分析预警算法模型中YOLOv8 的推理过程和 YOLOv5 几乎一样，唯一差别在于前面需要对 Distribution Focal Loss 中的积分表示 bbox 形式进行解码，变成常规的 在介绍加油站ai视觉分析预警算法Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。 加油站ai视觉分析预警算法YOLOv8分割模型使用-seg后缀，即yolov8n- seg .pt，并在COCO上进行预训练。 不需要传递参数，因为加油站ai视觉分析预警算法模型保留了它的训练数据和参数作为模型属性。图像分类器的输出是一个单一的类标签和一个置信度分数。
53130编辑于 2023-09-15 从视觉到语义逻辑：版面分析技术浅析
2015年以来，深度学习技术，尤其是卷积神经网络（CNN）和Transformer，主导了该领域的发展，利用视觉特征分析物理布局，让机器能够像人类一样“看懂”文档的结构，识别文字、表格和图片的位置，极大地提高了识别精度 近年来，自监督预训练在多模态自然语言处理（NLP）中的应用影响了DLA研究，促使模型联合整合文本和视觉布局信息以实现端到端学习。一个典型的版面分析算法框架和输出如下图所示。 接下来，我们将浅析DLA的各个方法路径，主要分为物理版面分析与逻辑版面分析两大类别。物理版面分析早期基于深度学习的DLA主要关注利用文档图像的视觉特征分析物理布局。 后续研究进一步探索了如何利用Transformer架构完成基于文档视觉特征的分类任务，旨在提高处理效率并减少计算资源的需求，使得Transformer在文档分析任务中更加实用和高效[6][7]。 基于图的方法尽管基于图像的方法显著推动了文档布局分析（DLA）的发展，但这些方法主要依赖于视觉特征，一定程度上限制了对文档语义结构的理解。
47810编辑于 2025-02-28- 来自专栏活动
行为分析：视觉跟踪技术在零售分析中的应用
视觉跟踪技术，作为行为分析的一种手段，通过分析摄像头捕获的视频数据，提供了一种自动化和高效的解决方案。本文将深入探讨视觉跟踪技术的原理、在零售分析中的应用案例、面临的挑战以及未来的发展方向。I. 引言随着技术的发展，零售分析已经从传统的问卷调查和人工观察，转变为依赖于先进的计算机视觉算法。视觉跟踪技术能够自动识别和追踪零售环境中的顾客，收集关于顾客行为的大量数据。II. 视觉跟踪技术原理II.A 数据采集数据采集是视觉跟踪技术在零售分析中应用的第一步。在零售环境中部署摄像头，可以捕获到顾客的行为数据，这些数据是后续分析的基础。 零售分析中的应用A 顾客流量统计顾客流量统计是零售分析的基础。通过视觉跟踪技术，零售商能够准确统计在特定时间内进入和离开店铺的顾客数量。 cv2.waitKey(1) & 0xFF == ord('q'): break# 释放摄像头资源cap.release()cv2.destroyAllWindows()VI. end视觉跟踪技术在零售分析中的应用前景广阔
76710编辑于 2024-05-07 - 来自专栏深度学习和计算机视觉
基于机器视觉的图像灰度化方法比较分析
图像灰度化处理可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备。 03. 图像灰度化作为图像预处理的重要步骤之一，可以说是图像处理的第一步，得到好的图像对于以后的信息获取、物件定位及抓取物件起到非常重要的作用，本文给出了三种灰度化方法，对于不同类型的物件应选择一种合适的物件进行选取，通过对比分析对于以后的图像处理起到重要作用
1.5K20发布于 2021-08-05 - 来自专栏TechLead
计算机视觉五大核心研究任务全解：分类识别、检测分割、人体分析、三维视觉、视频分析
本篇文章深入探讨了计算视觉的定义和主要任务。内容涵盖了图像分类与识别、物体检测与分割、人体分析、三维计算机视觉、视频理解与分析等技术，最后展示了无监督学习与自监督学习在计算机视觉中的应用。 1.3.2 医疗图像分析 计算机视觉结合深度学习进行疾病诊断和预测，改变了传统医疗方式。 2.3 人体分析 人体分析是计算机视觉中一个重要且活跃的研究领域，涵盖了对人体的识别、检测、分割、姿态估计和动作识别等多方面任务。 2.5 视频理解与分析 视频理解与分析是计算机视觉的一个重要分支，不仅涉及对视频内容的识别和解释，还包括时空结构的推理。 相比单一的图像分析，视频分析更能深入挖掘视觉信息的连续性和内在联系，从而开拓了计算机视觉的新领域。 2.5.1 视频分类 视频分类的目的是识别和标记视频的整体内容，它可以进一步细分为不同的任务。
12K11编辑于 2023-10-21 - 来自专栏AI
视觉
学习如何使用 GPT-4 来理解图像介绍具有视觉功能的 GPT-4 Turbo 允许模型接收图像并回答与之相关的问题。在历史上，语言模型系统受限于仅接收单一输入模态，即文本。 在探索视觉理解可以应用于哪些用例时，牢记模型的局限性是很重要的。 限制虽然具备视觉功能的 GPT-4 功能强大，可以在许多情况下使用，但了解模型的局限性是很重要的。以下是我们所知的一些限制：医学图像：模型不适合解释专业医学图像，如 CT 扫描，不应用于医疗建议。 视觉元素：模型可能难以理解图表或文字中颜色或样式（如实线、虚线或点线）变化的情况。空间推理：模型在需要精确空间定位的任务上表现不佳，例如识别国际象棋位置。 元数据和调整大小：模型不处理原始文件名或元数据，图像在分析之前被调整大小，影响其原始尺寸。计数：对图像中的对象可能会给出近似计数。
1.1K10编辑于 2024-04-22 - 来自专栏目标检测和深度学习
五大维度深入分析计算机视觉
先拿2017年 AI 领域各赛道的投资数据来做个分析： 整体来看，投资事件数最多的为计算机视觉方向，其次是自然语言处理、智能机器人及自动驾驶。 同时据其他数据显示，计算机视觉在人工智能领域拥有最多的创业公司，占比高达17.7%。 ? 计算机视觉是指用机器模拟“视觉器官”，对目标进行识别、跟踪和测量等，并由计算机代替大脑完成进一步的图像处理和解释。目前我们手机常用的人脸识别解锁，银行业务远程办理等都是用的该类技术。 2017年，计算机视觉企业分获巨额融资，比如国内头部企业商汤科技、旷视科技、云从科技（均已达到上亿融资）等；同时从采集数据的公司融资情况可以看到，计算机视觉岗位大部分集中在创业公司及成熟的上市公司，拥有良好的企业环境 计算机视觉方向学习中，就是要先解析图像数据，训练算法模型，以此来解决检测、分割、识别等任务。
99620发布于 2019-01-02 - 来自专栏用户8907256的专栏
工业视觉中如何定量分析镜头光学性能
工业视觉中如何定量分析镜头光学性能 1、MTF的理解 如果不知道MTF可以点击看下 MTF （调制传递函数） 光学传递函数（OTF）包括调制传递函数（MTF）和相位传递函数（PTF）两部分，其中MTF代表物像频谱对比度之比 MTF解释了镜头的分辨率和对比度之间复杂的关系，它直接、定量、客观地表述了光学系统的成像质量，是目前公认的分析镜头解像能力比较科学的方法。 以点光源为例，点源目标经过被测透镜后形成艾里斑，由于点光源成像后的图像非常小，如果采用CCD直接采集点光源的成像，不利于图像的分析处理，会降低系统的测试精度。
2.5K40发布于 2021-08-13 - 来自专栏AIGC 先锋科技
EyeCLIP：用于多模态眼科图像分析的视觉语言基础模型 !
人工智能（AI）可以通过自动化眼科图像的分析并帮助医生进行诊断，显著减少专家的工作量。[4; 7]近年来，世界正在从单一任务转向构建基础模型。 Discussion 在本研究中，作者开发了EyeCLIP，一种跨模态眼科图像分析的视觉语言基础模型，利用了2777,593张眼科图像的21个模态的大型数据集，并配套相应的层次语言数据。 EyeCLIP显著增强了眼科和全身疾病的分析，在零样本、少样本和全数据微调下游任务方面表现出最先进的效果和泛化能力。 EyeCLIP的一个重要优点在于它可以将多检查对齐。 由于是对匿名眼科图像和公共数据集的回顾性分析，IRB免除了知情同意书的签署。 为确保数据的质量，作者通过提取和分析血管结构，从CFP、FFA和ICGA中排除了低质量图像。具体来说，作者将可分离血管比例小于0.04的CFP图像以及小于0.01的FFA和ICGA图像剔除。
1.6K10编辑于 2024-11-01 - 来自专栏3D视觉从入门到精通
3D视觉传感技术：时间飞行法 (ToF) 技术分析
为了让读者更全面的了解ToF技术，本文将会分析3D视觉传感技术的基本原理，ToF镜头的相关产业链信息，ToF技术的具体应用以及ToF技术的未来发展前景。 ? 美国MIT的Lawrence Roberts通过从数字图像中提取立方体、楔形体和棱柱体等简单规则多面体的三维结构，并对物体的形状和空间关系进行描述，把过去的简单二维图像分析推广到了复杂的三维场景，标志着立体视觉技术的诞生 随着研究的深入，研究的范围从边缘、角点等特征的提取，线条、平面、曲面等几何要素的分析，直到对图像明暗、纹理、运动和成像几何等进行分析，并建立起各种数据结构和推理规则。 这一基本理论对立体视觉技术的发展产生了极大的推动作用，在这一领域已形成了从图像的获取到最终的三维场景可视表面重构的完整体系，使得立体视觉已成为计算机视觉中一个非常重要的分支。 下载1 在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
5.6K71发布于 2021-07-27 - 来自专栏AI研习社
针对计算机视觉一些问题的分析
现在让我们来看看一些计算机视觉领域的问题吧！ 计算机视觉 图像分类 图像分类基本上仅涉及基于图像的内容标记图像。通常会有一组固定的标签，您的模型必须预测最适合图像的标签。 它由斯坦福大学的计算机视觉实验室维护。ImageNet 挑战或者说大规模视觉识别挑战（LSVRC）是一年一度的竞赛，它有各种子类挑战，例如对象分类，对象检测和对象定位。 现在让我们更深入一点，着眼于人类的视觉理解。 为什么人类更善于视觉理解？ 在深入了解壮丽的人类大脑的细节之前，我想先讨论这些深度神经网络的缺点。 人类的视觉理解 尽管我们在开发与计算机视觉相关的炫酷技术方面已经取得了长足的进步，但从长远来看，人类在图像理解方面比其他任何技术都要好得多。 让我们一起来分析吧！ 在 Jeff Dean 的一次演讲中，他提到了自 2011 年以来大部分已发布的神经网络构成深度神经网络的参数数量。如果你注意到，对于人类来说，他提到了「100 兆」。
77930发布于 2018-09-25 - 来自专栏深度学习和计算机视觉
视觉工程师必备视觉知识
一 、机器视觉优势 机器视觉系统具有高效率、高度自动化的特点，可以实现很高的分辨率精度与速度。机器视觉系统与被检测对象无接触，安全可靠。 人工检测与机器视觉自动检测的主要区别有： 二 、案例 为了更好地理解机器视觉，下面，我们来介绍在具体应用中的几种案例。 采集到啤酒瓶的图像并将图像保存到内存后，视觉软件将会处理或分析该图像，并根据啤酒瓶的实际填充液位发出通过-未通过响应。 ，如孔位到孔位的距离 ☞ 机械手引导 输出空间坐标引导机械手精确定位 三 、机器视觉系统的组成 ▼ 分类 ▼ 组成 ○ 图像获取：光源、镜头、相机、采集卡、机械平台 ○ 图像处理与分析：工控主机 、图像处理分析软件、图形交互界面。
47310编辑于 2024-09-25 - 来自专栏人工智能领域
视觉识别技术：开启智能视觉新时代
视觉识别技术的挑战与未来趋势：分析当前视觉识别技术面临的技术挑战、伦理与法律问题，并展望其未来的发展趋势。 结语：总结视觉识别技术对社会的深远影响，并强调持续创新的重要性。 医学影像分析 医学影像分析是AI辅助医疗诊断技术的重要应用领域之一。借助深度学习和计算机视觉技术，AI能够自动分析和解读医学影像。 行为分析 行为分析是视觉识别技术在安全监控中的另一个重要应用。通过分析监控视频中的人物行为，系统能够识别出异常行为，如未经授权的区域入侵、暴力行为等，并及时发出警报。 此外，通过分析消费者的购买记录和浏览习惯，零售商可以构建全面的用户画像，提供个性化的商品推荐，增加销售额和客户满意度。 顾客行为分析 视觉识别技术还可以用于分析顾客行为。 随着物联网的发展，机器视觉系统需要处理和分析大量的图像和数据，边缘计算和云平台的兴起为机器视觉提供了强大的计算和存储能力。
1.8K10编辑于 2024-12-18 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | 基本特征检测 之 轮廓分析
（0）轮廓分析概述及作用 通过将Canny边缘提取或者二值化结果作为输入图像来实现轮廓发现与绘制， 可是这些并不是我们想要的最终结果， 我们一般根据获取到的轮廓求出它们的外接矩形或者最小外接矩形 ， 并计算外接矩形的横纵比例、轮廓面积、周长等数据， 然后使用这些数据实现特定几何形状轮廓的查找与过滤， 为后续的处理与分析剔除不正确的区域而保留候选对象。 （3）面积与周长 轮廓分析中包含了轮廓大小的度量， 这些度量最常见的就是计算轮廓的面积大小与长度大小， 这些数据对分析轮廓与过滤掉一些不符合条件的轮廓十分有用。
1.8K20发布于 2019-03-04 - 来自专栏机器人视觉
为何工业4.0离不开机器视觉 看人类视觉VS机器视觉
机器视觉是实现工业自动化强有力的工具，与人类视觉相比，机器视觉的可靠性更高，客观性更强，持续工作时间越长。 一套机器视觉系统一般包含光源、镜头、工业相机、机器视觉软件等软硬件产品，工业相机在合适的光照下采集被测物的图像，再由机器视觉视觉软件对图像进行数字化分析及处理。 1000fps以上，处理器的速度越来越快 6、感光范围 人类视觉：400nm-750nm范围的可见光 机器视觉：从紫外到红外的较宽光谱范围，另有X光等特殊相机 7、智能化 人类视觉：可对工件进行理性分析 ，对工件的具体详细情况进行分析，得到一定规律。 机器视觉：可以利用人工智能技术，但不够智能，通过多次学习识别结果进行分析，按照人类设定思路进行。
95320编辑于 2022-11-14 计算机视觉与AI驱动的身体成分分析技术
计算机视觉在身体成分分析中的应用通过某中心的健康服务，用户可使用智能手机拍摄的照片测量身体脂肪百分比，并通过个性化3D模型进行追踪。这种扫描通常需要昂贵精密设备，但该功能使其可通过手机应用普及。 解决方案结合了深度神经网络（能够通过识别大量数据中的模式来学习任务）以及计算机视觉和计算机图形学中的经典算法。基于图像的体脂估算估算身体脂肪百分比是复杂过程。 家用智能秤并非直接测量体脂，而是分析身体电阻并通过方程转换为体脂百分比。基于全天水分变化，电阻值可能大幅波动，导致体脂百分比误差较高。 所有这些方法都试图通过间接测量估算体脂百分比，"某中心首席科学家表示，"借鉴间接测量思路，我们挑战构建计算机视觉系统，通过从图像测量的视觉特征（如整体体型和肌肉线条、脂肪褶皱等细节）准确预测体脂百分比。 技术方案采用卷积神经网络（常用于图像分析的深度神经网络）和半监督学习（在有限真实数据下训练模型的机器学习方法）。机器学习模型的输入是手机拍摄的照片，输出是体脂百分比数值。
21510编辑于 2025-10-30- 来自专栏AI科技评论
深度学习仍是视觉大数据领域的最好分析方法之一
最近，美国政府启动了大数据研究计划，致力于提升大数据分析算法和系统的效率；同时，日本对信息产业提出新的战略规划，将大数据作为重点发展的科技领域，着重强调数据采集与分析；近年来，我国大数据产业蓬勃发展。 在大数据技术中，数据分析逐渐成为其核心技术，包括对数据处理的实时性成为工业界的主要需求。当前，各种数据分析技术层出不穷。其中，最为引人关注的当属深度学习技术。 一、深度学习是最好的方法之一 深度学习仍是目前大数据处理与分析的最好方法之一。 深度学习擅于发掘多维数据中错综复杂的关系。 此外，利用大数据可以对实体经济行业进行市场需求分析，优化生产流程、供应链与物流能源管理，以及提供智能客户服务等。虽然大数据已经服务于众多行业，但是在实际应用中还有很多局限，仍旧有很多问题没有解决。 这个论坛旨在通过科研工作者、行业企业精英等视觉数据领域一线研究者之间的学术交流，共同分享我国视觉领域的最新理论和技术发展、深入挖掘视觉大数据中蕴含的价值，共同探讨视觉技术领域发展的新模式，对推动视觉大数据领域的理论创新
1.2K30发布于 2019-08-21
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