- 综合排序
- 最热优先
- 最新优先
- 来自专栏漫途科技
设备点检巡检系统助力企业提高设备生产率！
, 车间生产设备运维的数据难以精确及时的反馈到企业的管理层, 在很大程度上严重影响管理决策的及时性和科学性。 设备点检巡检管理系统建立点检任务模式，保证点检监测的正常有效进行，该系统实现设备点检数据汇总分析功能，异常数据通知功能，及时反馈设备故障信息，为设备维修人员提供信息提示；通过有效的点检管理，可预防机械设备工作可靠性下降和故障的发生 ，提高设备生产率，降低设备运转费用和维修费用。 一、系统组成图片二、系统功能设备点检系统是一套专门针对制造企业的点检系统，可以对车间的设备、质量、5S管理、安全等进行巡检，将设备点检数据汇总分析，异常设备数据实时通知，故障信息实时告警，运维工单一键生成 ，有效预防设备可靠性下降和故障的发生，提高设备生产率，降低维修成本。
57230编辑于 2023-01-04 - 来自专栏AIoT技术交流、分享
LabVIEW角点检测（基础篇—10）
目录 1、角点检测概念 2、角点检测流程 3、角点检测实践 ---- 图像的特征是图像的原始特性或属性，它包含图像中的关键信息，是机器视觉算法工作的基础。
26840发布于 2021-08-10 - 来自专栏二维码应用
二维码在生产设备点检中的应用
传统的点检维护、检查等记录多为纸质版，使用“二维码+微信小程序”可实现表单记录电子化，现场记录反馈实现“扫、填、发”，节约办公纸张。 设备档案，微信扫码即可查阅二维码就像“设备的身份证”，包含了设备参数、包机责任人等基础信息，以及操作手册、技术资料等信息，需要时不用再翻找资料，扫码即可查看。 使用过程中不断添加的点检、维修、保养等动态记录也能被保存在码上，逐渐形成设备的动态档案。 内部分工协作，安全高效企业生产设备数量众多，需要多人协作维护，管理员可以指定企业内部成员，分别负责不同设备的点检维修等业务，专人负责专项工作，互相通知提醒，高效分工协作。 、添加后续动态、后续处理进度等打印二维码，贴在设备表面，现场人员就可以扫码进行点检了有权限的管理人员可以手机端或电脑登录管理后台，查看及导出数据2、如何制作标牌落地我们提供了多种适合贴在设备上的标签样式
88620编辑于 2023-04-04 如何开发设备管理系统中的设备点检板块 ？（附架构图+流程图+代码参考）
而设备点检板块作为设备管理系统中的关键模块之一，其重要性不言而喻。它能够帮助企业制定科学合理的点检标准，安排设备点检任务，并记录点检结果，为设备管理提供有力的数据支持。 本篇文章将围绕如何开发设备管理系统中的设备点检板块展开讨论，重点介绍点检单、点检标准、设备点检统计等核心内容。 本文你将了解设备点检板块功能设计设备点检板块的业务流程 开发技巧实现效果 一、设备点检板块功能设计1.设备点检单设备点检单是设备点检板块的核心功能之一，它记录了每次设备点检的详细信息，包括点检项、点检时间 功能：定义不同类型设备的点检标准设置点检项的检查周期（如每日、每周等）定期更新设备点检标准，适应设备的实际需求3.设备点检统计设备点检统计模块通过汇总点检数据，帮助管理者分析设备的运行状态和点检效果，为决策提供依据 以下是一个简单的设备点检统计报表示例： 设备名称点检次数合格率故障率设备A5095%5%设备B4090%10%设备C3085%15%五、FAQFAQ 1: 设备点检标准如何制定？
45910编辑于 2025-08-06- 来自专栏又见苍岚
FAST 角点检测
FAST，全称Features From Accelerated Segment Test，是一种快速的角点检测算法，本文记录相关内容。 特征点提取 特征点提取到底是提取的是什么？ LoG、HoG以及SIFT、SURF等被提出，这些方法大多涉及图像局部邻域的梯度计算和统计，相比较而言，FAST(Features From Accelerated Segment Test)在进行角点检测时 角点分类器 选取需要检测的场景的多张图像进行FAST角点检测，选取合适的阈值n(n<12)，提取多个特征点作为训练数据 对于特征点邻域圆上的16个像素 x \in {1,2,…,16 }，按下式将其划分为 算法特点 FAST算法比其他角点检测算法要快 受图像噪声以及设定阈值影响较大 当设置 <12 FAST 不产生多尺度特征，不具备旋转不变性，而且检测到的角点不是最优 Python OpenCV 实现 它被称为
68710编辑于 2024-07-09 虚实融合，智检未来：Rokid AR眼镜赋能工业设备智能点检新范式
1.引言：AR技术重塑工业设备点检新生态在工业4.0时代，设备维护与点检正经历从传统纸质记录向数字化、智能化的深刻变革。 工业设备点检系统的核心需求包括：实时数据采集、精准设备识别、历史数据对比、异常预警机制以及高效的数据同步。Rokid眼镜凭借其轻量化设计、高分辨率显示和强大的环境感知能力，成为工业点检场景的理想载体。 在设备点检场景中，我们需要根据不同设备类型、不同点检项目动态生成相应的数据录入界面。 通过JSON配置的方式，系统可以在不重新编译应用的情况下，灵活调整点检表单，适应不同设备的点检需求。 一位有着10年点检经验的技术人员反馈："以前点检一台复杂设备需要反复查阅纸质手册，现在所有标准和历史数据都直接显示在眼前，异常情况系统会自动提醒，工作效率提升了一倍不止。
44410编辑于 2025-11-28- 来自专栏图像处理与模式识别研究所
Harris角点检测
,cv2.COLOR_BGR2GRAY)#将彩色图片转换为灰度图片 gray=np.float32(gray) dst=cv2.cornerHarris(gray,2,3,0.04)#Harris 角点检测 *dst.max()]=[0,0,255]#阈值 cv2.imshow('result',img) cv2.waitKey() cv2.destroyAllWindows() 算法：Harris角点检测是属于局部特征检测 （局部）具有鲁棒性 该区域应该包含感兴趣的结构（可辨别性） dst=cv2.cornerHarris(img, blockSize, ksize, k) img表示原始图像 blockSize表示角点检测中的领域大小 ksize表示Sobel求导中使用的窗口大小 k表示Harris 角点检测方程中的自由参数,取值参数为[0,04, 0.06] 文献：Harris, C. In Alvey vision conference (Vol. 15, No. 50, pp. 10-5244).
43820编辑于 2022-05-28 - 来自专栏林德熙的博客
win10 uwp 判断设备类型
ipBytes = myIPAddress.GetAddressBytes(); // 10.0.0.0/24 if (ipBytes[0] == 10 = myIPAddress.GetAddressBytes(); // 10.0.0.0/24 if (ipBytes[0] == 10
85120发布于 2019-03-13 - 来自专栏程序员叨叨叨
【10】Hexo博客的跨设备同步
多设备同步 同步思路与Github推拉源码思路相同，使用git指令，保持本地的博客文件与Github上的博客文件相同即可，其步骤如下： 使用hexo搭建部署Github博客 // 在本地博客根目录下安装 checkout -b 分支名 // 添加所有本地文件到git git add . // git提交 git commit -m "" // 文件推送到hexo分支 git push origin hexo 其他设备上 clone下Github上新建的分支的文件到本地 在另一台设备上使用git指令下载Github新建分支上的文件: // 克隆文件到本地 git clone -b 分支名 https://github.com pull origin 分支名 --allow-unrelated-histories // 比较解决前后版本冲突后，push源文件到Github的分支 git push origin 分支名 至此多设备同步到此为止 问题解决 由于公司里的电脑是win 10所以在部署博客的过程中会遇到一些问题，整理如下： Deployer not found: git 在终端执行命令： npm install hexo-deployer-git
91020发布于 2018-08-28 - 来自专栏林德熙的博客
win10 uwp 判断设备类型
本文提供一个方法，可以判断当前的设备是PC还是手机，UWP 判断当前的 PC 是否平板模式，判断是否苏非的设备 如果需要判断 当前的设置是平板或者pc，判断当前是否是手机，那么可以使用下面的代码 using
50920编辑于 2022-08-04 - 来自专栏林德熙的博客
win10 uwp 判断设备类型
本文提供一个方法，可以判断当前的设备是PC还是手机，UWP 判断当前的 PC 是否平板模式，判断是否苏非的设备 如果需要判断 当前的设置是平板或者pc，判断当前是否是手机，那么可以使用下面的代码 using
93210发布于 2018-09-18 - 来自专栏Python编程 pyqt matplotlib
OpenCV 斑点检测
Opencv中提供了SimpleBlobDetector的特征点检测方法，正如它的名称，该算法使用最简单的方式来检测斑点类的特征点。 再细化检测参数 params = cv2.SimpleBlobDetector_Params() #斑点检测的可选参数 #params.minThreshold= 10 #亮度最小阈值控制 #params.maxThreshold 1.0 #params.filterByInertia = True# 惯性率控制 #params.minInertiaRatio = 0.2#圆形的惯性率等于1，惯性率越接近1，圆度越高 然后执行斑点检测 ： detector = cv2.SimpleBlobDetector_create(params)#创建斑点检测器 keypoints = detector.detect(gauss) #在哪个图上检测斑点 plt.subplot(1,1,1) plt.imshow(cv2.cvtColor(im_with_keypoints, cv2.COLOR_BGR2RGB)) plt.title("OpenCV 斑点检测
4.5K30发布于 2019-09-25 - 来自专栏图像处理与模式识别研究所
DoH斑点检测
原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_doh=blob_doh(im_gray,max_sigma=30,threshold=0.005)#DoH斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoH斑点检测是通过计算图像黑塞行列式矩阵中的极大值来检测斑点
97930编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
LoG斑点检测
Lena.png')#原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_log=blob_log(im_gray,max_sigma=30,num_sigma=10 ,threshold=.1)#LoG斑点检测 blobs_log[:,2]=sqrt(2)*blobs_log[:,2] blobs_list=[blobs_log] colors=['yellow'] axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：LoG斑点检测是通过搜索
77020编辑于 2022-05-28 - 来自专栏Python编程 pyqt matplotlib
OpenCV 角点检测
COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv2.cornerHarris(gray, blockSize=5, ksize=7, k=0.1) #第三个参数ksize决定了角点检测的灵敏度
77010发布于 2020-05-20 - 来自专栏图像处理与模式识别研究所
DoG斑点检测
)#原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 dog_blobs=blob_dog(im_gray,max_sigma=30,threshold=0.1)#DoG斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoG斑点检测类似于
59710编辑于 2022-05-28 - 来自专栏AI科技时讯
人脸关键点检测
人脸关键点检测是人脸在工业应用中一个比较重要的基础性研究，可以说，大多数的人脸相关业务都是在此基础上进行的二次开发。比如人脸识别，试妆算法，人脸融合等。人脸的关键点检测的好坏，直接影响后续的业务。 目前很多公司都有关于人脸关键点检测的api的业务，比如腾讯云，百度云，face++等。 这里不做过多的介绍，只是讲解一下，利用opencv的包dlib以及调用face++的接口，展示一下人脸关键点检测大致概念。 使用dlib进行人脸关键点检测 dlib封装了一个人脸关键点提取算法，下载好模型后可直接调用。 （68点） 使用face++ APi接口进行人脸关键点检测 face++ 实现了83点以及106点的关键点检测，直接去官网申请账号，进行调用接口就行。 ? (83点) ?
2.8K20发布于 2020-01-02 - 来自专栏OpenCV 系列
OpenCV 之 角点检测
都大且近似相等 为了便于直观理解，绘制成 $\lambda_1-\lambda_2$ 平面如下图： 2.3 cornerHarris() OpenCV 中 Harris 角点检测的函数为 lambda_2) $ 则相应的 $\lambda_1-\lambda_2$ 平面为： 3.1 goodFeaturesToTrack() OpenCV 中 Shi-Tomasi 角点检测函数为 2.5, Scalar(0, 255, 0)); } imshow("Shi-Tomasi corner", src); waitKey(0); } 检测结果： 4 角点检测的实现 0); } 检测结果：将求得的角点响应值$R$，输出 txt 文件，与 cornerHarris() 输出的 $R$ 进行比较，结果几乎完全相同 (只有几处小数点后7位的值不同) 5 亚像素角点检测
85350发布于 2021-03-18 - 来自专栏C++
Windows核心编程：第10章 同步设备IO与异步设备IO
Github https://github.com/gongluck/Windows-Core-Program.git //第10章 同步设备IO与异步设备IO.cpp: 定义应用程序的入口点。 // #include "stdafx.h" #include "第10章 同步设备IO与异步设备IO.h" //可提醒IO回调 VOID WINAPI funComplete( _In_ 章 同步设备IO与异步设备IO.cpp"), GENERIC_READ|GENERIC_WRITE, FILE_SHARE_READ, nullptr, OPEN_EXISTING, 0, nullptr 章 同步设备IO与异步设备IO.cpp"), (DWORD*)&li.HighPart);//物理大小 //文件指针 li.QuadPart = 0; bres = SetFilePointerEx 章 同步设备IO与异步设备IO.cpp"), GENERIC_READ | GENERIC_WRITE, FILE_SHARE_READ, nullptr, OPEN_EXISTING, FILE_FLAG_OVERLAPPED
1K10发布于 2019-02-22 - 来自专栏乐沙弥的世界
SUSE Linux 10 配置裸设备(raw devices)
裸设备，是没有经过格式化的分区或磁盘，也叫裸分区（原始分区），不被Unix通过文件系统来读取的特殊字符设备。它由应用程序负责对 它进行读写操作。 在基于SUSE Linux 10上安装Oracle 10g RAC的话，由于Oracle 10g 不支持将ocr与votingdisk 存放在ASM 磁盘中，因此，依然需要为其使用裸设备方式。 done 5、配置裸设备随系统启动 bo2dbp:~ # chkconfig raw raw on #修改裸设备的权限与所有者，尽管该操作会修改，但重启之后将失效。 blog.csdn.net/robinson_0612 bo2dbp:~ # ls -hltr /dev/raw total 0 crw-rw---- 1 root disk 162, 0 Sep 19 10 :22 rawctl crw-rw---- 1 oracle dba 162, 1 Sep 19 10:22 raw1 crw-rw---- 1 oracle dba 162, 2 Sep 19 10
7.5K30发布于 2018-08-14
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