- 综合排序
- 最热优先
- 最新优先
- 来自专栏又见苍岚
机器视觉 —— 光信号检测
本文记录《机器视觉》 第二章图像成像原理相关内容，主要介绍数字图像是如将光线转换为信号的。 信号检测 几乎所有图像传感器的工作原理都依赖于：光子击打某种特殊材料时所产生的“电子/空穴”对。 这是生物视觉和摄影的基本过程。 不同的图像传感器之间的区别在于：它们对带电粒子流的检测方式不同。 此外，并不是所有的电子都能正好进入检测电路。电子流和入射光子流的比值称为量子效率，记为q(\lambda)。量子效率依赖于入射光子的能量，因此，它依赖于入射光的波长\lambda。 机器视觉系统使用红、绿、蓝三种滤光镜来获得图像。 参考资料 《机器视觉》第二章。
1.3K10编辑于 2022-08-09 - 来自专栏深度学习和计算机视觉
机器视觉尺寸检测基础
尺寸测量/边缘检测 利用边缘检查的尺寸检查是图像传感器的最新应用趋势。图像传感器可以将检查对象在平面上表现出来，通过边缘检测,测算位置、宽度、角度等。 下面将按照处理过程来介绍边缘检查的原理。 边缘检测的原理 所谓边缘是指图像内明亮部位与阴暗部分的边缘。边缘检测是通过视觉系统来检测这种浓淡变化的边缘。 可以通过下列4个过程来得到边缘。 (1)投影处理 对于测量区域内的图像进行投影处理。 根据浓淡变化峰值的检测原理，在照度经常发生变化的生产线上也可以稳定的检测出边缘。 (4)亚像素处理 对于微分波形中最大部分的中心附近的3个像素，根据这3个像素形成的波形，进行修正演算。 边缘检测的代表性检测应用 边缘检查具有下列衍生模式。下面将分别介绍其代表性应用。 ＜例1＞利用边缘位置的各种检查 在多个部位设置边缘位置模式，测量检测对象的X座标或Y 座标。 ＜例3＞利用边缘位置圆周区域的各种检查 以圆周作为检测区域，检测切缺部位的角度（相位）。
88130编辑于 2022-02-10 SD-WAN技术在轨道交通无人化检测的新实践
随着轨道交通智能化的不断推进，无人化检测技术正成为行业发展的重要方向。然而，在这一过程中，如何在复杂环境中实现安全、高效的多点组网，成为了关键挑战。 轨交领域在无人化检测设备的实际部署中，面临了以下三重壁垒：三大挑战：阻碍创新的难题数据安全铁律列车定位、轨道形变等检测数据是轨道交通的核心资产，必须杜绝外泄，禁止通过公网传输。 破局之道：SD-WAN组网解决方案面对上述难题，利用SD-WAN技术可搭建一套智能异地组网方案，以“安全、稳定、敏捷”为核心，完成了行业内首例“零公网改造”的无人化检测组网实践。1. 敏捷扩展新增监测点可通过预配置模板实现分钟级接入部署效率提升90%以上核心价值：助力行业“无人化”未来该组网方案，为轨道交通行业的无人化检测提供了一条高效、安全、低成本的创新路径，核心价值体现在：封闭传输 ：从终端到服务器，全程规避公网暴露智能组网：无公网IP条件下实现多节点实时通信弹性扩展：通过设备预注册机制支持分钟级节点扩容结语：智能组网的行业启示轨道交通的智能化与无人化，正向着“更安全、更高效、更敏捷
23710编辑于 2025-06-10- 来自专栏深度学习和计算机视觉
综述 | 机器视觉表面缺陷检测
机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。 国内机器视觉检测系统开发较晚，相关的企业主要是代理国外同类产品，提供视觉检测方案和系统集成，其中具有代表性的企业有凌华科技、大恒图像、视觉龙、凌云光子、康视达、OPT、三姆森和微视图像等。 1.3 视觉硬件平台 机器视觉表面质量检测，特别是实时检测，图像采集的数据量大，所以如何提高图像处理速度显得十分重要。 为此，需要研究视觉检测新理论和新方法，如发展主动视觉、增强视觉系统的智能学习能力等。 机器视觉表面检测比较复杂，涉及众多学科和理论，机器视觉是对人类视觉的模拟，但是目前对人的视觉机制尚不清楚，尽管每一个正常人都是“视觉专家”，但难以用计算机表达自己的视觉过程，因此构建机器视觉检测系统还要进一步通过研究生物视觉机理来完善
2.1K32编辑于 2022-05-22 - 来自专栏智能算法
机器视觉表面缺陷检测综述
机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。 国内机器视觉检测系统开发较晚，相关的企业主要是代理国外同类产品，提供视觉检测方案和系统集成，其中具有代表性的企业有凌华科技、大恒图像、视觉龙、凌云光子、康视达、OPT、三姆森和微视图像等。 1.3 视觉硬件平台 机器视觉表面质量检测，特别是实时检测，图像采集的数据量大，所以如何提高图像处理速度显得十分重要。 为此，需要研究视觉检测新理论和新方法，如发展主动视觉、增强视觉系统的智能学习能力等。 机器视觉表面检测比较复杂，涉及众多学科和理论，机器视觉是对人类视觉的模拟，但是目前对人的视觉机制尚不清楚，尽管每一个正常人都是“视觉专家”，但难以用计算机表达自己的视觉过程，因此构建机器视觉检测系统还要进一步通过研究生物视觉机理来完善
11.7K26发布于 2019-07-19 - 来自专栏一点人工一点智能
视觉系统 | 基于目标检测的动态环境视觉SLAM
01 中文摘要 许多视觉同步定位和映射（VSLAM）系统需要在环境中假设静态特征。然而，移动物体会极大地损害VSLAM系统的性能，因为VSLAM系统是基于静态环境假设的。 为了减少动态内容的影响，我们将基于深度学习的目标检测方法引入视觉里程计中，然后加入动态目标概率模型，以提高目标检测深度神经网络的效率，提高系统的实时性能。 02 主要结论 本文提出了一种实时视觉SLAM系统，该系统在具有许多独立运动目标的高度动态环境中运行良好。ORB-SLAM2系统将目标检测和动态目标概率模型结合起来，在高动态环境下有了显著改进。 这表明我们能够处理具有挑战性的动态目标，并大幅改善视觉里程计估计。因此，在高度动态的场景中，可获得更稳健、更准确的定位和映射结果。 尽管如此，研究仍有改进空间。 在本文提出的视觉SLAM系统中，用于目标检测线程的深度神经网络是一种有监督的方法。也就是说，当训练场景与实际场景之间存在显著差异时，检测器模型可能很难预测正确的结果。
73620编辑于 2022-12-27 - 来自专栏深度学习和计算机视觉
机器视觉检测相较于人工检测有哪些优势
在科技发展日新月异的今天，机器视觉检测已成为现代工业生产中十分普遍的检测工具。 机器视觉检测相对于人工检测的优势 1、数字化：机器视觉工作过程中产生的所有测量数据，均可独立拷贝或以网络连接方式拷出，便于生产过程统计和分析。 ；而人工检测在面对不同的检测内容时，只能通过多工位合作协调完成，而不同员工检测标准不一，极容易出现误检的情况； 3、成本：机器视觉前期投入会比较多，但属于一次性投入，长期产出，由于机器视觉的发展越来越迅速 由于机器比人工的检测效率高很多，因此就长期来看，机器视觉的成本会更低； 4、环境：机器视觉是通过即图像摄取装置将目标转换成图像信号，传送给专用的图像处理系统，在测量工件过程中，无需与工件进行接触，因此能够适应恶劣危险生产环境 人工检测效率是在一个固定区间，无法大幅提升，而在流水线重复且机械化的检测过程中，检测人员很容易出现疲劳而导致检测效率降低；而机器视觉能够更快的检测产品，特别是在生产线检测高速运动的物体时，机器能够提高检测效率
1.3K21发布于 2019-06-02 - 来自专栏数据派THU
视觉深度伪造检测技术综述
来源：专知本文约600字，建议阅读5分钟本文基于视觉深度伪造技术研究进行综述。 随着生成式深度学习算法的发展，深度伪造技术发展并应用于各个领域。 深度伪造技术的滥用使人们逐渐意识到其带来的威胁，伪造检测技术随之而生。本文基于视觉深度伪造技术研究进行综述。 1）简要介绍了视觉深度伪造技术的发展历程及技术原理，包括生成对抗网络在深度伪造制品中的应用；2）对现有的视觉深度伪造数据集进行汇总并归类；3）对目前的视觉深度伪造检测技术进行了分类，将现有的检测方法归纳为基于具体伪影的 、基于数据驱动的、基于信息不一致和其他类型视觉深度伪造检测等4种分类。 同时，本文分析了4种方法的具体优缺点，并进一步给出了未来视觉深度伪造检测研究的重点和难点。 http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?
88410编辑于 2022-03-04 - 来自专栏机器学习算法与理论
基于面部视觉的疲劳检测-哈欠
基于视觉的疲劳检测可以认为大致分为三个部分，点头，哈欠，眨眼。分别为姿态、嘴部特征、眼部特征。 本文主要介绍哈欠的测定方法。 首先研究了陈博士《基于可拓学与面部视觉。。。》 一文，他提出一种基于特征点曲线拟合的嘴唇内轮廓检测方法，先对嘴巴进行粗定位，然后对嘴巴区域进行Harris角点检测，利用检测到的角点坐标拟合出嘴巴内轮廓曲线。 1、P46：嘴巴粗定位、角点检测Harris角点检测算法【OpenCV中定义了cornerHarris函数】、嘴巴内轮廓模型 ? 嘴唇轮廓示意图 4、指标： 双阈值法哈欠检测： 对内轮廓进行检测：结合张口度与张口时间 ? 5、判定方法 判定方法一： ? Step1：提取帧图像检测人脸，嘴部粗定位进行肤色分割； Step2:嘴部精确定位，获取嘴部特征值K1，若k1大于阈值T1，则Step3,；否则K2=K1/2，count=0回到step1，检测下一帧
2.4K50发布于 2018-04-10 - 来自专栏深度学习和计算机视觉
机器视觉边缘检测算法详解
边缘检测相关算法的步骤如下： 1、滤波： 边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。 3、检测： 在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。 边缘检测是机器视觉检测技术的一种，在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。 图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。 边缘检测是主要应用有： 检测芯片针脚是否规则整齐、目标定位以及存在/缺陷检测等。基于边缘检测技术的应用，为行业的高精度检测及尺寸测量提供了强大的技术支持。
83230编辑于 2022-02-14 - 来自专栏量子位
AI公司银河水滴完成1亿元Pre-A融资，中科院自动化所孵化
银河水滴方面还称，目前已形成智慧安防、智能工业检测、智慧轨道交通三大板块，并均已开发出拥有独立自主知识产权的拳头产品，正在进入商用发展快车道。 目前银河水滴已开展城市智慧交通系统、基于计算机视觉的列车辅助驾驶系统、城市轨道交通智能运行综合平台等技术和产品研发。 比如，银河水滴自主研发的中国首台小型化综合轨道交通智能检测车在德国柏林国际轨道交通技术展览会亮相，该检测车可代替人工完成轨道智能检测。 通过研究跨行业、跨领域小样本的深度学习问题，银河水滴可实现不需负样本或只需极少负样本的视觉检测建模；对于肉眼无法检测到的微小瑕疵仍能实现毫秒级的实时检测。 ，为制造行业提供软硬件一体化视觉检测方案。
65740发布于 2018-10-26 - 来自专栏相约机器人
手势检测的计算机视觉算法
一种可以检测“拇指向上”和“拇指向下”手势的计算机视觉算法。 该算法基于tiny-YOLOv3架构。 例如，实时检测运行detect_on_webcam.py。
1.6K21发布于 2019-07-16 - 来自专栏用户5637037的专栏
基于视觉分析的过程漂移综合检测
本文提出了一种新的过程漂移管理技术-视觉漂移检测(VDD)。该技术首先对从执行业务流程的记录日志中发现的基于相似性的声明性流程约束进行聚类，然后在识别的集群上应用变更点检测来检测漂移。
71960发布于 2019-07-17 - 来自专栏深度学习和计算机视觉
【计算机视觉】检测与分割详解
【导读】神经网络在计算机视觉领域有着广泛的应用。只要稍加变形，同样的工具和技术就可以有效地应用于广泛的任务。 在本文中，我们将介绍其中的几个应用程序和方法，包括语义分割、分类与定位、目标检测、实例分割。 作者 | Ravindra Parmar 编译 | Xiaowen Detection andSegmentation through ConvNets ——计算机视觉-目标检测与分割 神经网络在计算机视觉领域有着广泛的应用 广义上，这种预测固定数目集的思想可以应用于除定位以外的各种计算机视觉任务，如人体姿态估计。 人体姿态估计 在这里，我们可以定义人体姿势的固定点集上的身体，例如关节。 然后我们可以在每一点上应用某种回归损失来通过反向训练来训练网络. ---- 目标检测 目标检测的思想是从我们感兴趣的一组固定类别开始，每当这些类别中的任何一种出现在输入图像中时，我们就会在图像周围画出包围框
1.6K10编辑于 2022-12-27 - 来自专栏深度学习和计算机视觉
使用视觉语言模型（VLMs）进行目标检测
重磅干货，第一时间送达 在过去，你必须自己训练模型，收集训练数据，但现在许多基础模型允许你在它们的基础上进行微调，以获得一个能够检测目标并与用户用自然语言互动的系统。 有数百种模型和潜在应用场景，目标检测在这些场景中非常有用，尤其是随着小型语言模型的兴起，所以今天我们将尝试使用MLX上的Qwen2-VL-7B-Instruct-8bit。
1.1K10编辑于 2024-12-05 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
基于深度学习的显著性目标检测研究思路 一个显著性目标检测模型能取得较好的效果至少应该满足以下3个标准：一是好的检测能力，尽量少地遗漏真正的显著区域或错误地将背景标记为显著区域；二是高分辨率，显著图应具有较高的分辨率或全分辨率 基于不同数据源的显著性目标检测方法研究思路也主要围绕以上3个方面展开，对检测模型的性能进行不断优化和提升，如图6所示。 显著性检测是发现显著目标具有非常大的尺度变化，故而针对多尺度特征的提取和学习成为了显著性目标检测模型中被探讨最为频繁的内容。 小结 RGB图像的显著性目标检测任务形成了上述4种技术路线。 参考 [1].基于深度学习的显著性目标检测综述
96621编辑于 2023-05-15 - 来自专栏工业科技1
工业制造为什么需要机械视觉检测？
机器视觉检测作为新型的技术，具有智能化程度高和环境适应性强等特点，在多种智能制造装备中得到了广泛的应用。 机器视觉检测技术是用机器视觉替人眼、人手来进行检测、测量、分析、判断和决策控制的智能测控技术，与其他检测技术相比，其优点主要包括：智能化程度高、信息收集全面、检测速率高、精度高等等。 人工检测是工业视觉对产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的工业视觉检测方法可以很大程度上克服上述弊端。 视觉检测常用于泛半导体、新能源和机械制造行业,做的比较的好的公司有忽米网等等。 在今后的工作中,还需要进一步完善深度学习理论,提高视觉检测的精度和效率。并将视觉检测系统应用到各种有检测需求的行业中去！
70810发布于 2021-09-16 - 来自专栏燧机科技-视频AI智能分析
加油站ai视觉分析检测预警
加油站ai视觉分析预警算法通过yolov8图像识别和行为分析，加油站ai视觉分析预警算法识别出打电话抽烟、烟火行为、静电释放时间是否合规、灭火器摆放以及人员工服等不符合规定的行为，并发出预警信号以提醒相关人员 在介绍加油站ai视觉分析预警算法Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。 但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。 加油站ai视觉分析预警算法YOLOv8分割模型使用-seg后缀，即yolov8n- seg .pt，并在COCO上进行预训练。 其他的使用方法和检测与分割类似，不再赘述。
53130编辑于 2023-09-15 - 来自专栏Aidlux人工智能
基于Aidlux平台的工业视觉缺陷检测
工业视觉缺陷检测是一种利用计算机视觉技术，对工业制品进行自动化检测，以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节，可以大大提高生产效率，降低产品缺陷率，提高产品质量。 产品如下图所示摆放，针对歪嘴情况单独来增加一个类作为检测项。 通过对样本进行分析，注射器摆放的位置略有差异，采用目标检测来检测各个部件是否存在比较合适，最后综合判断每个注射器的最终结果，如果检测某个注射器出现歪嘴或者缺件的直接输出对应的NG信号，方便剔除不合格产品 并且，提供了一种设计范式Slim-Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比改进方法获得了最优秀的检测结果。 最后放上本次基于Aidlux平台实现工业视觉缺陷检测的效果视频的地址。https://www.bilibili.com/video/BV1GN4y197cD/
86230编辑于 2023-09-08 - 来自专栏工业科技1
机器视觉检测技术的应用前景如何？
在自动化检测领域，通过引入视觉分析技术对产品图像进行实时处理，实现对生产过程的检测和控制，该技术被称为机器视觉检测。 机器视觉检测则不存在上述弊端，能够快速完成检测任务，满足大批量、连续生产的要求，并且在检测结果的准确度和稳定性等方面更胜一筹。 另外，相比于遵循光、电、磁、力等原理的其他各类自动检测手段，机器视觉不仅能够实现多种检测功能，而且将检测内容全程记录下来，直接进行查验。 购买国外的检测设备不仅价格昂贵、维护困难，而且难以获取最新的技术。机器视觉技术是提高生产效率、提升产品质量以及降低制造成本的有效手段，对于增加企业竞争力的重要性不言而喻。 忽米网——让工业更智慧源自：《多视图视觉检测关键技术及其应用研究》
1.1K10编辑于 2022-09-08
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