- 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 - 来自专栏计算机视觉战队
人脸专集2 | 人脸关键点检测汇总
今天应该是“计算机视觉战队”人脸专集的第2期，我们主要涉及目标检测与识别，主要在人脸领域做更多的详解。 接下来，我们针对人脸配准该领域详细讲解一次，今日主要涉及的就是人脸关键点检测，这个基础是人脸分析的基础，也是最重要的步骤之一。 多年来，许多人脸关键点检测算法都是为了自动检测这些关键点而发展起来的，今天，我们对它们进行了广泛的综述。 今天所要讲解的，将人脸关键点检测算法分为三大类：整体方法、约束局部模型(CLM)方法和基于回归的方法。 形式上，给定一个以i表示的面部图像，一个检测算法预测d的关键点：x={x1，y1，x2，y2，...，xd，yd}的位置，其中x和y是面部图像关键点的坐标。
3.1K10发布于 2019-05-13 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）
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：自动生成设备点检单支持点检项的自定义支持点检人员记录操作结果提供点检任务历史记录查询2.点检标准点检标准定义了设备的检查项和检查内容，确保设备点检具有统一的标准和规范。 2.点检执行点检人员根据设备点检单的内容，对设备进行逐项检查，并记录每一项检查的结果。在点检过程中，系统可提供设备的详细信息，帮助点检人员确认设备状态。流程：点检人员登录系统，查看待处理的点检任务。 KEY (equipment_id) REFERENCES Equipment(id), FOREIGN KEY (check_item_id) REFERENCES CheckItem(id));2. 此外，还应设置合格标准，确保点检结果具有可操作性。FAQ 2: 如何确保点检任务的及时执行？确保点检任务的及时执行，首先需要依赖设备管理系统中的任务提醒功能。
45910编辑于 2025-08-06- 来自专栏计算机视觉战队
人脸专集知识巩固2 | 人脸关键点检测汇总
作者：Edison_G 今天应该是“计算机视觉研究院”人脸专集的第2期，我们主要涉及目标检测与识别，主要在人脸领域做更多的详解。 接下来，我们针对人脸配准该领域详细讲解一次，今日主要涉及的就是人脸关键点检测，这个基础是人脸分析的基础，也是最重要的步骤之一。 多年来，许多人脸关键点检测算法都是为了自动检测这些关键点而发展起来的，今天，我们对它们进行了广泛的综述。 今天所要讲解的，将人脸关键点检测算法分为三大类：整体方法、约束局部模型(CLM)方法和基于回归的方法。 形式上，给定一个以i表示的面部图像，一个检测算法预测d的关键点：x={x1，y1，x2，y2，...，xd，yd}的位置，其中x和y是面部图像关键点的坐标。
70910编辑于 2022-01-28 - 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？ 前面提到了我们第2步有提取当前特征点周围信息，只要周围信息一样那就是相同特征点。 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 (c+\hat{c})-clog_2 c - \hat{c}log_2 \hat{c} 其中 为非角点的数目。
68510编辑于 2024-07-09 - 来自专栏悟空被FFmpeg玩
驱动基础——字符设备2
使用字符设备里的write 驱动代码 #include <linux/module.h> #include <linux/slab.h> #include <linux/kernel.h> # res=cdev_add(&flash_cdev,dev,MAX_FLASH_ENV_MINORS); if(res) printk("<1> fuck2
1.2K30发布于 2019-03-05 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。 2.系统架构设计：三层协同的智能点检生态2.1整体架构我们的AR设备点检系统采用三层架构设计，实现了手机端、眼镜端与云端的高效协同：眼镜端：搭载YodaOS-Sprite操作系统的RokidGlasses 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。 传统点检方式存在以下问题：点检效率低下，平均每台设备点检耗时15分钟纸质记录易丢失，历史数据查询困难异常情况无法及时上报，平均处理延迟2小时点检标准不统一，不同人员操作差异大该厂引入基于Rokid眼镜的
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
",img) gray=cv2.cvtColor(img,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=cv2.dilate(dst,None)#膨胀图像 img[dst>0.01*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，利用移动的窗口在图像中计算灰度变化值，其中关键流程包括转化为灰度图像 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.
43820编辑于 2022-05-28 - 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 cvtColor(im_with_keypoints, cv2.COLOR_BGR2RGB)) plt.title("OpenCV 斑点检测\n之小蝌蚪找妈妈",fontSize =16, color=
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
import cv2 from numpy import sqrt from skimage.color import rgb2gray from matplotlib import pylab as ')#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 blobs_doh[:, 2]=sqrt(2)*blobs_doh[:,2] blobs_list=[blobs_doh] colors=['red'] titles=['Determinant of Hessian'] sequence=zip(blobs_list,colors,titles) fig,axes=pylab.subplots(2,2,figsize=(20, 20),sharex 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
import cv2 from numpy import sqrt from skimage.color import rgb2gray from skimage.feature import blob_dog , blob_log, blob_doh im=cv2.imread('C:/Users/xpp/Desktop/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 ,colors,titles) fig,axes=pylab.subplots(2,2,figsize=(20, 20),sharex=True,sharey=True) axes=axes.ravel 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
utf-8 -*- """ Created on Dec 15 22:19:18 2019 @author: Administrator """ import numpy as np import cv2 #img = cv2.imread("chessboard.jpg") img = cv2.imread("crab.jpg") gray = cv2.cvtColor(img, cv2.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 角点的x坐标和y坐标 img [dst >0.01* dst.max()] = (125,255,0)#给角点标上颜色 #img [dst >0.01* dst.max()] = (0,0,255) cv2. cornerEigenValsAndVecs , for each pixel \f$(x, y)\f$ it calculates a \f$2\times2\f$ gradient covariance
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
import cv2 from numpy import sqrt from skimage.color import rgb2gray from matplotlib import pylab as ')#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 dog_blobs[:,2]=sqrt(2)*dog_blobs[:,2] blobs_list=[dog_blobs] colors=['lime'] titles=['Difference of Gaussian'] sequence=zip(blobs_list,colors,titles) fig,axes=pylab.subplots(2,2,figsize=(20, 20),sharex 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。 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) ? ("img", 2) cv2.imshow("img", img) cv2.waitKey(0) 参考 面相 面相是否真的存在 人脸关键点检测综述 face++人脸关键点
2.8K20发布于 2020-01-02 - 来自专栏OpenCV 系列
OpenCV 之 角点检测
k(trace(M))^{2} = \lambda_{1} \lambda_{2} - k (\lambda_{1}+\lambda_{2})^2 $ 根据响应值的大小，判断小窗口内是否包含角点 lambda_1-\lambda_2$ 平面如下图： 2.3 cornerHarris() OpenCV 中 Harris 角点检测的函数为: void cv::cornerHarris _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 - 来自专栏计算机视觉life
基于生长的棋盘格角点检测方法--（2）代码详解（上）
上一篇介绍了基于生长的棋盘格角点检测方法的大概原理，详见：基于生长的棋盘格角点检测方法–（1）原理介绍 本文进一步从代码解读角度出发，更深入地理解工程中是如何实现的。 radius(1); pi/4 -pi/4 radius(1); 0 pi/2 radius(2); pi/4 -pi/4 radius(2); 0 pi/2 radius(3); pi/4 -pi/4 然后，如下代码 img_corners_a1 = conv2(img,template.a1,'same'); img_corners_a2 = conv2(img,template.a2,'same '); img_corners_b1 = conv2(img,template.b1,'same'); img_corners_b2 = conv2(img,template.b2,'same' template=reateCorrelationPatch(atan2(v1(2),v1(1)),atan2(v2(2),v2(1)),c(1)-1); score_gradient = max(sum
3.2K110发布于 2018-01-08 - 来自专栏大学生计算机视觉学习DeepLearning
cv2.cornerHarris()详解 python+OpenCV 中的 Harris 角点检测
下面就解释一下原理 后面会给出简单的示例代码 在 1988 年的文章《A CombinedCorner and Edge Detector》中就已经提出了焦点检测的方法，被称为Harris 角点检测。 窗口函数可以是正常的矩形窗口也可以是对每一个像素给予不同权重的高斯窗口 角点检测中要使 E (μ,ν) 的值最大。这就是说必须使方程右侧的第二项的取值最大。 角点检测 Open 中的函数 cv2.cornerHarris() 可以用来进行角点检测。 • blockSize - 角点检测中要考虑的领域大小。 • ksize - Sobel 求导中使用的窗口大小 • k - Harris 角点检测方程中的自由参数,取值参数为 [0,04,0.06]. python 实现代码如下： 1 # -*- coding
2.3K40发布于 2018-06-21 - 来自专栏生信修炼手册
异常点检测算法
2. 基于聚类的方法 异常点在聚类中表现为单个聚类簇，明显与正常样本区分开。在聚类时同时考虑了多个维度的信息，更适用高纬度的数据。经典的BIRCH和DBSCAN算法都可以在聚类的同时，来识别异常点。 专用的异常点检测算法 对于异常点检测而言，其本质是一个分类问题，将所有样本划分为正常样本和异常样本两类，但是不同于监督学习中的分类算法，这里的输入数据是没有标签的，所以是一种无监督学习的策略。 经典的算法有以下两种 1. one class SVM 2. isolation Forest one class SVM, 从命名就可以看出，属于SVM家族。 第二步计算每颗决策树中样本点的高度平均值，离根节点越近，高度越小，离根节点越远，高度越大； 第三步判断是否为异常点，根据高度值构建一个打分系统，取值范围0-1，靠近1被认为是异常点； sickit-learn中提供了多种异常点检测算法 ，上述两种异常点检测算法的用法如下 >>> from sklearn.svm import OneClassSVM >>> X = [[0], [0.44], [0.45], [0.46], [1]]
1.1K40发布于 2021-04-29 - 来自专栏又见苍岚
亚像素角点检测
原理解析 在亚像素级精度的角点检测算法中，一种方法是从亚像素角点到周围像素点的矢量应垂直于图像的灰度梯度这个观察事实得到的，通过最小化误差函数的迭代方法来获得亚像素级精度的坐标值。 }{l}\sum I_{x}^{2} x+\sum I_{x} I_{y} y \\ \sum I_{x} I_{y} x+\sum I_{y}^{2} y\end{array}\right) \\ / 输入图像 cv::InputOutputArray corners, // 角点（既作为输入也作为输出） cv::Size winSize, // 区域大小为 NXN; N=(winSize*2+ winSize 计算亚像素角点时考虑的区域的大小，大小为NXN; N=(winSize*2+1)。 utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-87179830-
1.3K20编辑于 2023-04-12
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