- 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 - 来自专栏全栈程序员必看
人脸关键点检测3——DCNN
######《Deep Convolutional Network Cascade for Facial Point Detection》 2013年，通过3级卷积神经网络来估计人脸关键点（5点），属于级联回归方法 级联的卷积网络结构: Level1，采用了3个CNN，输入区域分别为整张脸（F1），眼睛和鼻子（EN1），鼻子和嘴（EM1）。 F1输入尺寸为3939，输出5个关键点的坐标；EN1输入尺寸为3139，输出是3个关键点的坐标；NM1输入尺寸为3139，输出是3个关键点。 Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每两个组成一对。Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键点定位。 网络结构： 注：Level1中F1采用S0，EN1和NM1采用S2；Level2和Level3全部采用S2。 多级回归： 我们发现几种有效的方法结合多重卷积网络。第一个是多级回归。
1.2K20编辑于 2022-09-01 - 来自专栏计算机视觉战队
人脸专集3 | 人脸关键点检测
今天继续上期的《人脸关键点检测》，精彩的现在才真正的开始，后文会陆续讲解现在流行的技术，有兴趣的我们一起来学习！ ? ? Deep learning based methods ? ? 对于人脸关键点检测和跟踪，有从传统方法向基于深度学习的方法转变的趋势。 近年来，卷积神经网络模型成为人脸关键点检测，主要是深度学习模型，并且大多采用全局直接回归或级联回归框架。这些方法大致可分为纯学习法和混合学习法。 混合深度方法将CNN与3D视觉相结合，如投影模型和三维形变形状模型(上图)。它们不是直接预测二维面部关键点位置，而是预测三维形状可变形模型系数和头部姿态。 例如，（Zhu, X., Lei, Z., Liu, X., Shi, H., Li, S.: Face alignment across large poses: A 3d solution.
3.1K30发布于 2019-05-13 - 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）
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 3.点检结果汇总与分析在完成设备点检后，系统会对点检结果进行汇总，自动生成点检报告，便于管理者查看设备的运行状态，并采取必要的维修或更换措施。流程：系统自动生成设备点检统计报表。 功能：展示待点检的设备列表和点检单提供点检项的详细信息和操作按钮显示点检结果和历史记录3.后端逻辑实现后端逻辑需要支持设备点检任务的生成、点检记录的保存以及统计报表的生成。 当点检任务到期时，系统会自动提醒相关人员进行检查。其次，可以通过设置任务完成的时限，确保点检人员按时完成任务，并记录检查结果。FAQ 3: 设备点检统计数据如何帮助决策？
45910编辑于 2025-08-06- 来自专栏python3
AddDevice 设备命名(3)
初始化设备标志 设备对象中有两个标志位需要在AddDevice中初始化，并且它们在以后也不会改变，它们是DO_BUFFERED_IO和DO_DIRECT_IO标志。 DO_POWER_INRUSH意味着你的设备在上电时将汲取大量电流，因此，电源管理器将确保没有其它INRUSH设备同时上电。 设置初始电源状态 大部分设备一开始就进入全供电状态。 建立设备堆 每个过滤器驱动程序和功能驱动程序都有责任把设备对象放到设备堆栈上，从PDO开始一直向上。 返回值是紧接着你下面的任何设备对象的地址，它可以是PDO，也可以是其它低级过滤器设备对象。 ; 当这个标志设置时，I/O管理器将拒绝任何打开该设备句柄的请求或向该设备对象上附着其它设备对象的请求。
79730发布于 2020-01-09 - 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 如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。 高速测试的结果被抛弃 检测到的很多特征点都是连在一起的 前 3 个问题可以通过机器学习的方法解决，最后一个问题可以使用非最大值抑制的方法解决。 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
68510编辑于 2024-07-09 - 来自专栏悟空被FFmpeg玩
驱动基础——字符设备3
字符设备驱动中的 read接口的使用，简单实例 驱动部分代码 #include <linux/module.h> #include <linux/slab.h> #include
1.2K10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。 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。 6.2系统部署与使用效果系统部署后，经过3个月的实际运行，取得了显著成效：指标优化前优化后提升幅度单次点检时间15分钟6分钟60%↓数据录入准确率85%99%14%↑异常响应时间2小时15分钟87.5%
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.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 （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.
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。 阈值范围为[T1,T2]，步长为t，则所有阈值为： T1，T1+t，T1+2t，T1+3t，……，T2 （1） 2.第二步是利用Suzuki提出的算法通过检测每一幅二值图像的边界的方式提取出每一幅二值图像的连通区域 3.第三步是根据所有二值图像斑点的中心坐标对二值图像斑点进行分类，从而形成灰度图像的斑点，属于一类的那些二值图像斑点最终形成灰度图像的斑点，具体来说就是，灰度图像的斑点是由中心坐标间的距离小于阈值Tb的那些二值图像斑点所组成的 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
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
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 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 ，越小越灵敏，其取值必须是3到31之间的奇数 #第二个参数决定了mark点的大小。
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 ; float b = ptr_cov[j * 3 + 1]; float c = ptr_cov[j * 3 + 2]; ptr_dst 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--（3）代码详解（下）
接着上一篇基于生长的棋盘格角点检测方法–（2）代码详解（上），来看一下第二个重要函数chessboardsFromCorners。 该函数的目的是用上一步骤中找到的角点恢复出棋盘结构。 首先初始化一个3x3的角点矩阵，也就是一个 2x2的棋盘格，这是组成一个棋盘的最小单位了。 p1,p2,p3是得到的棋盘格内3个相邻的角点坐标。 pred = p3 + 0.75*s3*ones(1,2) .* [cos(a3) sin(a3)]; 我举个例子就很明白了，如下图，蓝色是初始的棋盘格中的角点。 以后有机会我在介绍其他的棋盘格角点检测方法，可以解决这个问题。 参考资料 1、Geiger A, Moosmann F, Car Ö, et al.
2.3K91发布于 2018-01-08 - 来自专栏生信修炼手册
异常点检测算法
因此，必须先去除异常点，常用的有以下3种策略 1. 基于统计学的方法 最简单的方法是箱线图的方式，基于百分位数来筛选异常值点。箱线图示例如下 ? 其中大于上限和小于下限的点都看做是离群值点。 下四分位数称之为Q1, 上四分卫数称之为Q3, Q1和Q3的差值称之为IOR, 下限的值为Q1-1.5*IQR, 上限的值为Q3+1.5*IOR。这种方法适合在单一维度上识别异常值点。 3. 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。 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。 distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-87179830-blog-103356855.235%5Ev27%5Epc_relevant_3mothn_strategy_and_data_recovery &spm=1001.2101.3001.4242.1&utm_relevant_index=3 文章链接： https://www.zywvvd.com/notes/study/image-processing
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