- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
仪表盘读数识别
本次任务的仪表数据集存在以下难点： 1、仪表刻度存在遮挡、模糊等问题，影响OCR识别 2、仪表图像存在旋转、倾斜问题，影响读数测量 算法设计 算法分为4个流程，首先用yolov5s模型从原图中识别出仪， 接着用yolov8x-pose模型检测出仪表中的刻度线、指针的关键点，再用DBNetpp模型检测出数值框并用SATRN模型进行文本识别，最后后处理得到读数结果。 （5）读数识别 将上述模型的输出采用opencv进行后处理得到读数结果，具体流程如下： 区分内外径 根据刻度点和数值框距离指针原点的距离区分内径和外径，分别进行后续处理。 计算读数 算法优化 存在问题 边框遮挡导致的刻度数字无法识别，上述算法不能很好的处理。 3、提出了一种基于查表的鲁棒仪表读数方法，对于遮挡严重的情况也能较好地处理。 4、通过透视变换，将形变的仪表图像修正，使得读数更加准确。
1.7K10编辑于 2023-12-26 - 来自专栏燧机科技-视频AI智能分析
指针仪表读数识别算法
一、引言 工业设备监测中，指针仪表读数错漏率高达12%（实验室抽样数据），传统人工抄表存在效率低（单设备耗时3-5分钟）、实时性差（每日1次）、高危环境（如高温/有毒区域）适应性不足等痛点。 D-S证据理论修正读数（如振动场景下结合IMU数据平滑角度波动）； 动态适配：通过配置文件加载不同仪表参数（如“压力表A：量程0-1.6MPa，分度值0.02MPa”），支持200+种工业仪表快速接入。 支持仪表类型200+种（实验室）50+种（实测）误报率0.7%1.5%单设备监测成本-较人工抄表降低80%典型案例：压力表读数异常预警：系统识别“3号炉主蒸汽压力表读数1.8MPa（超量程1.6MPa） 指针仪表读数识别算法基于YOLOv12+CNN深度学习算法，指针仪表读数识别算法系统通过集成AI大模型，可以准确识别出设备指示灯的亮灭以及开关的开关状态和表计读数。 采用计算机视觉的方法来识别指针式仪表的读数，能在降低人工读数所产生的错漏问题的同时，降低企业的用人成本，并且相比人工巡检，能更及时地报告读数结果。
21610编辑于 2026-01-13 - 来自专栏燧机科技-视频AI智能分析
指针仪表读数识别系统
指针仪表读数识别系统通过 yolov7+opencv计算机视觉分析技术，指针仪表读数识别系统利用现场摄像头可以自动识别指针型仪表读数并将读数回传给平台节省人工巡检读表的时间。
1K40编辑于 2023-01-04 - 来自专栏燧机科技-视频AI智能分析
指针仪表自动识别读数系统
一、引言 我国工业配电室超200万间（《2026年中国电力基础设施白皮书》），指针仪表（压力表、温度计、流量计）数量超5000万台，传统人工巡检存在效率低（单仪表耗时2-3分钟）、错漏率高（年均读数错误率 本文提出基于YOLOv12目标检测、Transformer特征融合与多模态感知的自动识别读数系统，通过“精准定位-特征增强-状态判定-远程上报”技术架构，实现指针仪表读数精度98.5%（实验室数据），实测响应延迟 联动与上报单元 输出Modbus TCP信号对接配电室SCADA系统，实时同步仪表读数（如“1号柜压力表1.2MPa”）； 集成4G/以太网双模通信，异常读数（如超量程、指针卡滞）通过MQTT协议上报管理平台 振动数据），通过贝叶斯网络修正读数（如振动场景下平滑角度波动）； 动态适配：通过配置文件加载仪表参数（如“压力表A：量程0-2.5MPa，分度值0.05MPa”），支持300+种工业仪表快速接入。 指针仪表自动识别读数系统基于YOLOv12和Transformer架构深度学习算法，指针仪表自动识别读数系统通过集成AI大模型，自动识别仪表示数或开关状态，提高仪表读数识别的工作效率并降低出错率，实现7
21410编辑于 2026-01-15 - 来自专栏燧机科技-视频AI智能分析
配电房仪表指针读数识别系统
一、技术难点：为何“看清”并不简单配电房仪表识别远非通用目标检测的简单迁移，其特殊性体现在：物理环境复杂：玻璃表盘反光、刻度线密集、指针细小（常＜5像素宽），强光下易产生镜面反射干扰；形态多样性：不同厂商仪表刻度布局 二、技术路径：融合感知与逻辑校验当前实践探索多采用分层策略：仪表区域定位：基于改进YOLO架构快速锁定仪表区域，减少背景干扰；指针与刻度解析：引入轻量化Transformer模块建模指针-刻度空间关系， 三重原则锚定技术定位场景必要性：仅适用于高频巡检点位（如主变监测屏）、夜间或恶劣天气辅助参考，避免对常规区域过度部署；数据最小化：视频流在边缘设备完成分析后即时销毁，仅上传结构化结果（如“#3柜电流表读数 ：将《电力安全工作规程》中仪表正常范围知识融入算法逻辑，使“异常”提示更贴合运维实际。 结语配电房仪表指针读数识别技术的本质，是延伸而非替代人的感知能力。其真正价值不在于算法精度提升几个百分点，而在于能否切实减轻一线人员负担、提升巡检专注度、强化安全防线。
900编辑于 2026-04-07 - 来自专栏燧机科技-视频AI智能分析
设备仪器仪表盘读数识别系统
设备仪器仪表盘读数识别系统基于YoLov5网络模型分析技术，设备仪器仪表盘读数识别系统自动识别指针型仪表读数。 设备仪器仪表盘读数识别系统Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别
62400编辑于 2023-05-03 - 来自专栏燧机科技-视频AI智能分析
表计仪表读数识别算法盒子：工业计量的AI智能助手
本文介绍一种兼容现有监控摄像头的边缘AI表计读数识别系统，通过“多模态感知+YOLOv10目标检测+轻量化回归网络”技术栈，在边缘侧实现毫秒级读数解析，并探讨其在真实工业场景中的落地可行性。 一、传统人工抄表的痛点与AI替代必要性典型工业现场常存在以下问题：表计分布广、位置高或处于危险区域，人工巡检成本高；指针式/数字式混合仪表并存，通用OCR难以处理；现有视频监控系统未被有效利用，重复建设新摄像头造成浪费 接入现有IPC摄像头（支持RTSP/ONVIF协议）；部署轻量化YOLOv10模型，用于表盘区域定位；结合自研多模态融合模块（融合RGB图像与边缘梯度特征），提升在低照度、反光场景下的鲁棒性；对指针式仪表 云端平台接收边缘设备上报的读数、置信度、时间戳及原始截图；支持异常值告警（如读数突变、识别置信度<85%）；提供API供ERP/MES系统调用。 三、关键优势：低改造成本与高兼容性利旧现有摄像头：无需重新布线或安装专用设备，降低初期投入；边缘自治：即使网络中断，本地仍可缓存最近24小时数据；多表型支持：通过配置模板，可快速适配新类型仪表（需提供10
28410编辑于 2026-01-20 - 来自专栏燧机科技-视频AI智能分析
配电房数字仪表读数识别算法系统 破解传统运维效率困局
为提升运维自动化水平，部分单位部署了“配电房数字仪表读数识别算法系统”。然而，市场宣传中常出现“代替人眼”“7×24小时自动读表”“降低出错率”等夸大表述，易引发对技术可靠性的误判。 注：在实验室标准测试环境（正对、无反光、清晰屏幕）下，系统对LED数字仪表的识别准确率达96.2%，平均延迟1.2秒（样本量：800张图像）。 2025年Q4在某省级电网3个10kV配电房小范围实测中，因屏幕老化、玻璃反光、摄像头轻微偏移等因素，有效识别率约为78%，日均识别失败率约12%（主要源于夜间补光不足与仪表表面污渍）。 数据基于瑞芯微RK3588边缘设备，实际效果受安装角度、仪表类型、环境光照影响显著，仅供参考。 五、未来优化方向融合主动光源（如偏振LED），抑制玻璃反光；构建仪表模板库，支持自适应ROI定位；与SCADA系统联动，实现“视觉读数+遥测数据”交叉校验。
14510编辑于 2026-01-30 - 来自专栏祥子的故事
spark | 读数据
我觉得读数据很重要，涉及到不同格式的数据，各式各样的情况，故而记之。
52930发布于 2019-02-18 - 来自专栏用户5744311的专栏
leveldb源码分析--读数据
key值的SSTable文件； - 从SSTable文件中查找特定key值； SSTable文件中查找数据过程： 布隆过滤，确定SSTable是否包含此key值；（减小不必要的磁盘查找过程） 读数据入口
79750发布于 2021-03-22 - 来自专栏Linux内核远航者
合法修改只读数据
/test buf:0xaaaad0600860 buf[0]:h Segmentation fault 当我们读访问只读数据时，能够正常访问；写只读数据时会发生段错误；我们分析代码可以发现程序中第14 行写只读数据导致的段错误。 合法修改只读数据 上面几节我们详细分析了，修改只读数据为何发生段错误的过程和原因，那么下面我们就想合法修改只读数据怎么办，我们直观上知道需要修改只读数据的页表属性为可写，但是需要在改写页表之前需要保证页表已经存在 ，那么我们可以先读访问只读数据（当然这里.text和.rodata在一个段，由于文件预读等操作，访问.text的时候已经建立好了只读数据的相关映射）。 我们看到现在只读数据已经变为：Hi, The read-only data has been modified! 我们修改只读数据成功！
1.8K20发布于 2021-08-06 - 来自专栏燧机科技-视频AI智能分析
水位尺读数识别 python
水位尺读数识别通过python+yolov7网络模型技术，水位尺读数识别算法基于虚拟水尺的水位图像识别通常包括以下两种：一是基于hough变换与harris检测的标尺识别方法，算法使用中值滤波去除噪声和灰度均衡之后 、尺寸等)及复杂环境(如光照、角度等)的变化；二是基于目标检测的水标尺识别算法,该算法采用深度学习与卷积神经网络结构进行训练,提取图像中水标尺的位置信息，通过计算水标尺像素高度与刻度信息比例得到水标尺读数 基于虚拟水尺的水位图像识别是面向水行业及能源行业特定的水位图像的自动识别产品，通过卷积神经网络及视觉标定与校准技术，能够自动识别水位读数，并在图像中画出对应刻度的虚拟水尺。
1.2K30编辑于 2023-09-06 HDFS读数据流程
HDFS的读数据流程 (1)客户端通过Distributed FileSystem向NameNode请求下载文件,NameNode通过查询元数据,找到文件块所在的DataNode地址。
18410编辑于 2025-12-23- 来自专栏飞鸟的专栏
HDFS读数据流程
HDFS读数据流程是Hadoop分布式文件系统的核心之一，它通过一系列的步骤实现了数据在HDFS中的读取和传输。 HDFS读数据流程的主要步骤包括：客户端请求数据、NameNode返回数据块位置信息、客户端获取数据块的副本存储节点、客户端与数据块副本存储节点建立连接、客户端从副本存储节点获取数据。 客户端请求数据HDFS读数据流程的第一步是客户端请求数据。当客户端需要读取某个文件时，它会向NameNode发送一个读请求，该请求包括文件路径、起始偏移量和读取长度等信息。 示例下面我们将通过一个简单的Java程序来演示HDFS读数据流程的实现过程。这个示例程序可以从HDFS中读取指定文件的内容，并将其打印到控制台上。
86130编辑于 2023-05-12 HDFS的读数据流程
1）客户端通过 Distributed FileSystem 向 NameNode 请求下载文件，NameNode 通过查询元数据，找到文件块所在的 DataNode 地址。 2）挑选一台 DataNode（就近原则，然后随机）服务器，请求读取数据。 3）DataNode 开始传输数据给客户端（从磁盘里面读取数据输入流，以 Packet 为单位来做校验）。 4）客户端以 Packet 为单位接收，先在本地缓存，然后写入目标文件。
13010编辑于 2025-12-23- 来自专栏FreeBuf
解读数据出境如何“安检”
大家都知道出国要过安检，过海关，由海关对进出口货物、旅客行李和邮递物品、进出境运输工具等实施监督管理。但是，作为网络运营者，你知道数据出境也要“安检”吗？
3.5K10发布于 2019-05-21 - 来自专栏达摩兵的技术空间
汽车仪表常识
前言 此文为提供给需要上路的新手司机，也许你还不是特别懂一些汽车仪表，在科一、科四考完之后，这些便忘的干净，当你的仪表盘突然出现一个，莫名的慌张，再去查有时候就不方便或者已经晚了。 那么本文就提供一份比较完整的常见汽车仪表图标的说明，希望有车的朋友收藏了，需要的时候直接微信打开收藏的这篇文章就可以查到。微信收藏太多?不要紧张，给你的收藏打个汽车的tag就可以更快的找到了。 常见仪表标识（必懂） 一般情况下下面的标识在你启动发动机时都会显示一遍然后在你正常发车之后都会熄灭，如果还在显示，那么请你注意了，很有可能有安全隐患，不能上路或者需要马上去维修检查。 ? 参考文章 http://www.maiche.com/news/detail/1368500.html 汽车仪表大全
84610发布于 2018-08-28 - 来自专栏科控自动化
仪表盘
= "Hz", Pos = new List<string> { "83%", "75%" }, Range = new List<double> { 0, 100 } } }; // 创建仪表盘系列
85630编辑于 2023-10-24 - 来自专栏Java学习录
Hystrix仪表盘
spring-cloud-starter-netflix-hystrix-dashboard</artifactId> </dependency> hystrix依赖主要是hystrix核心功能依赖，dashboard是为我们提供仪表盘面板的页面功能的 2.启用hystrix仪表盘 在启动类增加注解@EnableHystrixDashboard。
1.7K00发布于 2019-04-18 - 来自专栏PPV课数据科学社区
从实战角度解读数据科学
原文:What is hardcore data science—in practice来源:https://www.oreilly.com/ideas/what-is-hardcore-data-science-in-practice 典型的数据科学工作流程如下：第一步永远是找出问题，然后收集相关数据，可能来自于数据库或者开发记录。视你所在机构的数据可用性而定，这可能就已经非常困难了，你必须先弄清楚谁能让你有权访问那些数据，然后弄清楚谁能确保你顺利拿到那些数据。得到数据后，接着对其进行预处理，提取
69550发布于 2018-04-24
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