- 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。
57130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
88120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 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。
43610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
65310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。 传统的点检方式存在效率低下、数据孤岛、人为错误频发等问题，而增强现实(AR)技术凭借其"虚实融合"的特性，为工业设备点检带来了全新解决方案。 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。
41210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.
43420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 plt.subplot(1,1,1) plt.imshow(cv2.cvtColor(im_with_keypoints, cv2.COLOR_BGR2RGB)) plt.title("OpenCV 斑点检测
4.4K30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
97330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
76020编辑于 2022-05-28 - 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
59610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
76510发布于 2020-05-20 - 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
84750发布于 2021-03-18 - 来自专栏生信修炼手册
异常点检测算法
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。
1.3K20编辑于 2023-04-12 - 来自专栏图像处理与模式识别研究所
Shi-Tomasi角点检测
cvtColor(img,cv2.COLOR_BGR2RGB)#转换为RGB格式 plt.imshow(img) plt.axis('off') plt.show()#显示检测结果 算法：Shi-Tomasi角点检测是史建波 （Jianbo Shi）和卡罗·托马西（Carlo Tomasi）在哈里斯角点检测基础上提出的改进角点检测的方法。
52520编辑于 2022-09-21 - 来自专栏SIGAI学习与实践平台
人体骨骼关键点检测综述
相关介绍 什么是人体骨骼关键点检测 人体骨骼关键点检测，即Pose Estimation，主要检测人体的一些关键点，如关节，五官等，通过关键点描述人体骨骼信息； ? 人体骨骼关键点检测 算法概述 多人人体骨骼关键点检测主要有两个方向，一种是自上而下，一种是自下而上，其中自上而上的人体骨骼关键点定位算法主要包含两个部分，人体检测和单人人体关键点检测，即首先通过目标检测算法将每一个人检测出来 自上而下的人体关键点检测算法 自上而下（Top-Down）的人体骨骼关键点检测算法主要包含两个部分，目标检测和单人人体骨骼关键点检测，对于目标检测算法，这里不再进行描述，而对于关键点检测算法，首先需要注意的是关键点局部信息的区分性很弱 自下而上的人体关键点检测算法 自下而上（Bottom-Up）的人体骨骼关键点检测算法主要包含两个部分，关键点检测和关键点聚类，其中关键点检测和单人的关键点检测方法上是差不多的，区别在于这里的关键点检测需要将图片中所有类别的所有关键点全部检测出来 自上而下的关键点检测算法在效果上要明显好于自下而上的关键点检测算法，因为自上而下的检测方法加入了整个人体的一个空间先验。
3.2K40发布于 2018-08-07 - 来自专栏又见苍岚
Harris 像素级角点检测
从图像分析的角度来定义角点可以有以下两种定义： 角点可以是两个边缘的角点； 角点是邻域内具有两个主方向的特征点； 一提到角点检测，最常用的方法莫过于Harris角点检测，opencv 中也提供了 Harris 角点检测的接口，即cornerHarris()，但是 Harris 角点检测存在很多缺陷（如角点是像素级别的，速度较慢等），opencv 中有另一个功能更为强大的函数— goodFeaturesToTrack ()，它不仅支持 Harris 角点检测，也支持 Shi Tomasi 算法的角点检测。 mask 如果指定，它的维度必须和输入图像一致，且在 mask 值为 0 处不进行角点检测。 useHarrisDetector 用于指定角点检测的方法，如果是 true 则使用 Harris 角点检测，false 则使用Shi Tomasi 算法。
1.1K10编辑于 2023-04-12 - 来自专栏机器学习算法原理与实践
异常点检测算法小结
异常点检测，有时也叫离群点检测，英文一般叫做Novelty Detection或者Outlier Detection,是比较常见的一类非监督学习算法，这里就对异常点检测算法做一个总结。 1. 异常点检测算法使用场景 什么时候我们需要异常点检测算法呢？常见的有三种情况。一是在做特征工程的时候需要对异常的数据做过滤，防止对归一化等处理的结果产生影响。 异常点检测算法常见类别 异常点检测的目的是找出数据集中和大多数数据不同的数据，常用的异常点检测算法一般分为三类。 第二类是基于聚类的方法来做异常点检测。 第三类是基于专门的异常点检测算法来做。
1.4K30发布于 2018-08-07 - 来自专栏AI科技时讯
OpenCV：特征及角点检测
Harris和Mike Stephens在1988年的论文《 A Combined Corner and Edge Detector 》中做了一次找到这些角点的早期尝试，所以现在将该方法称为哈里斯角点检测器 必须最大化这个函数 E(u,v) 用于角点检测。这意味着，必须最大化第二个项。 OpenCV中的哈里斯角检测 在OpenCV中有实现哈里斯角点检测，cv2.cornerHarris()。 docs.opencv.org/4.1.2/dd/d1a/group__imgproc__feature.html#ga354e0d7c86d0d9da75de9b9701a9a87e ---- 目标 在本章中，将学习另一个角点检测器
1K30编辑于 2023-09-01
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