- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
管道设备漏水漏油识别检测系统
管道设备漏水漏油识别检测系统应运而生，该系统旨在通过现场已安装的监控摄像头，结合先进的计算机视觉算法，对管道设备状态进行24小时不间断的智能监测。 漏水/透明液体识别：针对水等透明介质，算法重点捕捉液体流动的动态纹理、反光变化以及浸润区域的边缘扩张速率，甚至能识别高压喷射产生的雾状水汽。 只有当检测到液体区域随时间扩大或存在明显流动特征时，才触发报警，大幅降低因积水、阴影造成的误报。 即时联动响应机制：一旦系统检测到设备机械管道状态发生跑冒滴漏情况，会自动触发多级报警机制。通过短信、邮件或应用程序推送等方式，及时将包含截图、位置、时间的报警信息发送给相关管理人员。 六、结语管道设备漏水漏油识别检测系统的核心价值，在于激活了沉睡的视频资产，构建了一张全天候、无死角的工业安全感知网。
19900编辑于 2026-03-07 水管滴水漏水检测数据集VOC+YOLO格式2708张1类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
33110编辑于 2025-09-09- 来自专栏子勰随笔
通过JS检测当前设备类型
MultiQrcode/index.html 对应github地址：https://github.com/bihe0832/MultiQrcode Demo： Demo1 : Demo1详细展示了各种设备下的页面跳转 (PC和各种移动设备）)。 download.html 对应链接：http://microdemo.bihe0832.com/MultiQrcode/Demo2/download.html Tools: Tools提供了获取是否是移动设备 ，获取系统，设备类型的各种函数的调用效果。 提供接口： ZixieJS.browser.isPc 功能：判断平台是不是PC 参数：无 返回值：是否为PC设备 ZixieJS.browser.getDevices 功能：判断设备类型 参数：无 返回值
2.8K90发布于 2018-05-22 管道漏水泄漏破损检测数据集VOC+YOLO格式2614张4类
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2614 标注数量(xml文件个数)：2614 标注数量(txt文件个数)：2614 标注类别数：4 标注类别名称:["crack","leak","no leak","water"] 每个类别标注的框数： crack 框数 = 187 leak 框数 = 1187 no leak 框数 = 465 water 框数 = 851 总框数：2690 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集有部分增强图片，请仔细查看图片谨慎下载 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
39810编辑于 2025-07-21- 来自专栏软件方法
SysML图例-新冠检测设备
SysML图中词汇 SiNW-FET Silicon nanowire field-effect transistors，硅纳米线-场效应晶体管 更多信息可参见： 用于新冠检测的场效应晶体管生物传感器
42330编辑于 2023-01-10 - 来自专栏鸿鹄实验室
SandBox检测之即插即用设备
今天学到的一个思路，利用设备的属性，来判断是否为沙箱。即是否为即插即用设备。首先来看一下正常机器的设备属性： ? 再看一下虚拟机中的设备属性，这里使用的是VMware环境进行测试。 ? 当然，也有大佬给出了powershell版本的检测方法： Get-WmiObject Win32_PnPSignedDriver | select DeviceName|where {$_.DeviceName 武器化 这个检测方式其实是属于一种正常的功能，微软也在其官方文档中给出了示例代码，链接如下：https://docs.microsoft.com/en-us/windows/win32/gdi/getting-information-on-a-display-monitor
1K20发布于 2021-04-01 工业车间漏水自动处置！以太网模块 PoE 供电：联动排水泵 + 抗电磁干扰，运维效率翻番
以太网漏水检测系统：控制器、模块与传感器技术解析添加图片注释，不超过 140 字（可选）在数据中心、机房、仓储库房、智能楼宇等场景中，管道渗漏、设备凝露、地面积水等漏水问题，可能导致服务器宕机、电气短路 一、核心组件技术特性解析以太网漏水检测系统由 “漏水检测控制器（核心中枢）+ 漏水检测模块（信号扩展）+ 漏水传感器（前端采集）” 三部分组成，各组件功能互补，共同实现 “实时检测 - 信号传输 - 智能报警 ~60℃，防护等级 IP67（可短暂浸泡）；◦ 适用场景：设备底部（如空调外机、服务器机柜下方）、管道接口处（如水管、空调冷凝水管接头）等固定点漏水监测。 实施方案• 传感器部署：库房四角安装点式传感器，货架之间地面铺设绳式传感器（每 50m 一段），制冷设备下方安装防凝露点式传感器；• 通信与存储：漏水检测控制器（壁挂式安装于库房管理室）通过以太网对接仓储 日常维护：◦ 每季度清洁传感器探头（去除灰尘 / 氧化层），每年校准传感器检测精度；◦ 定期检查控制器与模块的以太网连接，更新设备固件，保障通信稳定。
33810编辑于 2025-09-22建筑物渗水漏水痕迹检测数据集VOC+YOLO格式1062张1类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
34510编辑于 2025-07-17- 来自专栏TSINGSEE青犀视频
Ehome设备接入EasyCVR平台的设备状态定时检测优化
EasyCVR视频融合平台基于云边端协同架构，能支持海量视频的轻量化接入与汇聚管理，借助大数据分析的决策判断，为摄像头、网络存储设备、智能终端、视频监控平台等提供一体化的视频接入、分发、存储、处理等能力 ：国标GB/T28181、RTMP、RTSP/Onvif协议，以及厂家的私有协议，如海康Ehome、海康SDK、大华SDK、华为SDK、宇视SDK、乐橙SDK、萤石SDK等，可覆盖市面上大多数的视频源设备 今天和大家分享一下关于EasyCVR平台在海康Ehome设备接入时，状态定时检测功能的优化。 有用户反馈，EasyCVR接入Ehome设备时，频繁出现通道离线的情况。 添加C层打印日志得知，每次出现设备离线时，对应的通道名称均会出现解析失败。 于是对该问题测试发现，当抛出10的错误码时，如果直接通过解析并不影响通道正常播放。 将EasyCVR与智能分析网关结合使用，可以实现基于云、边、端架构的AI智能检测分析及算力的精细化调度等能力，该方案的应用场景也十分广泛，包括：通用安防、智慧安监、明厨亮灶、智慧景区、区域安全监测等。
95820编辑于 2023-02-15 - 来自专栏FreeBuf
设备指纹干扰与反干扰检测
设备指纹，是安全场景中很常用的。 本文，以实战演示干扰是如何发生的，以及如何检测应对。 ? 一、设备指纹 首先，来看一下正常状态中，设备指纹是什么样的，如下图： ? 这是通过使用ShareWAF的设备指纹模块：ShareWAF-WebID，获取的设备指纹，图中标红的md5字符串便是指纹。 ? 简单的几行代码便可以获取到设备指纹。 正常状态下，指纹是可以被获取，并是固定不变的，修改IP，指纹也不变，这正是设备指纹可用于设备身份识别的优势。 可以看到，指纹无法被获取，设备指纹的获取被干扰了，而且严重干扰。 三、干扰检测 对代码稍做修改，增加干扰检测： ? 这样就可以检测出是否获取设备指纹时受到了干扰。 ?
1.4K20发布于 2020-06-03 - 来自专栏黑白天安全团队
利用Domain Borrowing对抗流量检测设备
我们首先得先要知道蓝队和安全设备是怎么定义一个流量为正常或恶意的以及目前上常用的流量隐藏方法都有什么不足。 怎么定义一个流量为正常或恶意？ 这里我们可以分为2个部分来分析： 1.相对于安全设备来说判断一个流量是否为恶意的通用方法为： 基于黑名单： 使用已知的恶意IP地址、域名、URL或文件哈希值的黑名单进行比对。 利用了CDN转发HTTP请求时的特性可以在前端伪造任何域名，但是也存在一个致命的缺点流量的SNI和HOST不相同和没有办法伪造有效的SSL，目前设备基本都可以自动检测到，目前Cloudflare、AWS 如果想要对抗设备，我们需要劫持一个白名单的域名并拿到对应的SSL和隐藏真正的C2 IP，这样在设备中看来是跟正常域名通信，在蓝队中看来域名是正规组织企业的不敢乱封，同时查微步也是白名单。 那么到目前为止我们劫持了一个白名单（高信誉）的域名和配置了对应的SSL证书，恶意流量通过这个域名SSL加密连接到我们的C2，基本上无论是在设备中还是蓝队看来基本没有问题。
97020编辑于 2023-09-20 - 来自专栏顶象技术业务安全专栏
设备指纹也能检测业务风险？
其中，设备指纹是重要的一项。 什么是设备指纹？设备指纹采集设备各项信息，然后赋予设备唯一的标识，并通过多种关联和相似查找算法来保障这个标识的稳定性。 基于设备指纹可以监测设备的运行状态，可以发现root（非法读取文件、反安全检测）、自动化工具（批量注册、活动作弊）、模拟器（自动注册小号、秒杀）、多开（虚假作弊、养号、）、改机、群控（薅羊毛、虚假流量） 利用设备指纹技术，可以识别模拟器上的账号注册、同设备一定时间段内的大量注册，以及注册的设备是否有高风险。同样，在登录场景有效识别统一设备上频繁登录尝试、撞库风险，记录识别登录设备是否频繁切换等。 设备指纹技术能够有效检测到设备终端环境和运行期风险，如，模拟器、越狱、调试、注入、攻击框架等。 通过对涉赌涉诈网站/APP监测，基于同源DNS、CDN服务结合搜索引擎、论坛涉及的赌博、诈骗网站进行访问性检测，对涉赌涉诈特征识别，帮助银行发现涉赌账户信息。 交易风险核验。
2.6K10编辑于 2023-03-20 - 来自专栏云深之无迹
牙菌斑 pH 检测电极-口腔穿戴设备
可能这样看不清 这样就看清楚了 一种可穿戴的牙科设备，这个产品就很有趣了。这就好像他们做了MVP，证明了这个东西的可行性。 菌斑原位 pH 值检测一直作为其代谢及其个体龋活性检测的有效指标，在龋病预防实践中起重要作用 。 体外检测菌斑pH 值准备工作复杂且不能实现连续监测，因此应用牙菌斑 pH 检测的电极技术可以有效辅助龋风险的评估。 为了匹配口腔内有限的空间，低功耗MCU芯片集成了信号链外围设备，包括模数转换器(ADC)、多个运算放大器(Amp)和数模转换器采用DAC（DAC）来减少电路尺寸、功耗和材料成本。 还有一个也是可以研究的，但是网站没有打开 口腔穿戴设备是一个新领域，文章也不多，产品更少。但是限于我本身的专业，更多是材料制备的事情，看不懂，睡了。
38510编辑于 2024-08-21 - 来自专栏全栈程序员必看
CSS检测的高像素密度屏幕设备
假设你要检测的高像素密度的设备。
79120编辑于 2022-07-06 华为配置非法设备检测和反制示例
配置非法设备检测和反制示例组网图形图1 配置非法设备检测和反制示例组网图业务需求组网需求数据规划配置思路配置注意事项操作步骤配置文件业务需求某企业分支机构为了保证工作人员可以随时随地访问公司网络资源，部署 为了预防此类入侵，可以在合法AP上配置设备检测和反制功能，使AC能够检测出非法的area_2（既不是本AC管理的AP，也不在合法AP列表中），并保证STA不接入area_2。 ：反制仿冒SSID的非法AP名称：ap-group1引用模板：VAP模板wlan-net、域管理模板default和WIDS模板defaultAP组射频的工作方式：normalAP组射频的非法设备检测和反制功能 配置非法设备检测和反制功能，使AP能够检测无线设备信息并上报给AC，并对识别的非法设备进行反制，使STA断开和非法设备的连接。 ”的射频0工作在normal模式，并开启非法设备检测和反制功能。
61210编辑于 2024-02-08- 来自专栏企鹅号快讯
数据中心进水了怎么办？数据中心如何防洪？
这对对环境有着严格要求的数据中心来说，一旦有漏水事故发生，就会给用户造成设备损坏和信息丢失，带来很大、甚至无可挽回的经济损失，故此需要对此进行防洪。 一、隐藏在数据中心的水灾隐患 1 机房在顶层由于屋内漏水造成水灾。 2 机房在底层由于上下水管道堵塞造成水灾。 3 机房内暖气系统漏水。 4 由于水冷系统设计不当，或损坏漏水。 ，防止漏水。 二、消除隐患，让数据中心远离水灾 1、在机房内除安装空调设备用水源外，一般不得安装其它水源。 2、定期检查机房空调设备专用水源的密封性能，发现有泄露处应及时修理。 7、防止空调设备冷凝水漏在机房里。 8、采用现代化漏水检测系统，一旦发生漏水，及时报警，及时处理避免酿成水害。 9、在计算机房系统工程的选址时，要求机房要远离水源。
1.9K61发布于 2018-01-22 符合动环标准！档案馆动环监控系统，精准把控档案存储环境安全线
漏水检测器：采用绳式或点式漏水探测器，部署于空调下方、水管沿线、库房地面低洼处，实时监测漏水情况，防止档案受潮霉变。4. （三）漏水监控子系统1. 全面监测：绳式漏水探测器可沿水管、空调下方铺设，覆盖整个可能漏水的区域；点式探测器可部署于地面低洼处，实现 “点面结合” 的漏水监测。2. 分级报警：当检测到轻微漏水时，系统发送一级预警；当漏水情况严重时，发送紧急报警，并联动关闭相关水管阀门（需配备电动阀门），防止漏水范围扩大。3. 定位准确：绳式漏水探测器支持漏水位置定位（精度 ±1 米），方便管理人员快速找到漏水点并处理。（四）设备监控子系统1. 入侵检测：档案库房内部署红外双鉴探测器，当非授权人员进入库房时，探测器触发报警，系统发送预警信息并联动摄像头拍摄现场画面，威慑非法行为。四、系统特点1.
29110编辑于 2025-09-25- 来自专栏DeepHub IMBA
基于声音信号的工业设备异常检测
异常检测主要目标是将异常事件与正常事件区分开来，因此才有了“异常”一词。本文将介绍基于声音信号的工业机械异常检测，使用的数据集是MIMII声音数据集，该数据集很容易在网上获得。 异常检测的任务可以通过多种方式实现。其中最简单的一种方法是将问题作为监督学习任务，并对正常和异常声音训练分类器。这种方法的问题是异常情况很少，相应地异常类的数据量有限，这样会对分类性能有很大的影响。 异常检测 现在引入了自编码器后，可以利用该模型执行异常检测。首先使用机器在正常状态下运行的声音信号来训练构建的自编码器模型。然后将使用训练好的模型在错误阈值的帮助下执行异常检测。 所以我们可以将重构的rmse值与阈值进行比较，进行异常检测。阈值设置为正常声音的平均rmse，因为异常声音的rmse将高于此值。
1.3K30编辑于 2023-08-30 - 来自专栏深度学习和计算机视觉
优化YOLO实现小型设备的目标检测部署
想象在你的智能手机或无人机上运行一个能够实时检测物体的AI模型，而不会卡顿或耗尽电池。但这正是YOLOv8带来的目标检测的未来。YOLOv8是目前最快、最准确的物体识别模型之一，但它也相当庞大。 在本文中，我们将探讨如何通过量化感知训练（QAT）、剪枝等工具，将YOLOv8转变为一种轻量、高效的检测机器，使其在低资源设备上无缝运行。 例如，在口罩检测中，延迟的结果可能会妨碍及时的警报或干预。 用户体验：流畅的实时反馈增强了可用性，尤其是在面向消费者的应用（如移动应用或智能家居设备）中。 在无人机和物联网设备上部署：研究优化后的YOLOv8模型在无人机和物联网设置中的表现，用于实时导航、异常检测或人群管理等任务。 下载2：Python视觉实战项目52讲在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取
1.3K10编辑于 2025-01-20 - 来自专栏我爱计算机视觉
YOLObile:面向移动设备的「实时目标检测」算法
作者提出了一种通过从压缩、编译两个角度，在保证模型准确率的基础上，减小模型的大小，并提升模型在移动设备端的运行速度。 这对于那些可以并行运算的设备（GPU）很不友好，所以不太适合用于DNN推理加速，甚至有可能导致速度下降。 Motivation 基于目前SOTA的目标检测算法，精度高的，模型比较大，在移动设备上会有很高的时延；而那些在移动设备端可以快速运行的轻量级算法又牺牲了算法精度。 这里作者给出了两个建议： 对于block中channel的数量：与设备中CPU/GPU的vector registers的长度一致 对于block中的filter的数量：在保证目标推理速度的前提下，选择最少的 对于那些低计算密度的操作如pixel-wise add和pixel-wise multiply操作，移动设备上CPU和GPU的运算效率差不多。
1.7K30发布于 2021-03-26
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