登录社区云,与社区用户共同成长
邀请您加入社区
AR智能眼镜第一视角终端,结合边缘计算与云端大数据分析,构建了从感知层到应用层的全栈式解决方案。这不仅是单兵装备的升级,更是警务模式的重构。
Flutter for OpenHarmony 动效实战:打造一个会“跳”的幸运骰子应用
yolo26、yolo11精度对比
还在对着 Halcon、OpenCV 调参数到深夜?拿着 8k 月薪羡慕别人 30k 的薪资?2026 年的机械视觉行业,早就不是会点工具就能躺赢的时代了!今天就给你扒透机械视觉工程师从 “牛马调参仔” 到 “高薪架构师” 的逆袭路径,看完少走 3 年弯路!
YOLOv8的model.predict()方法支持多种输入源,包括图像文件、视频、摄像头、目录和URL等。该方法提供了灵活的source参数,可以处理本地文件路径、网络资源、摄像头索引、批量文件列表以及PIL图像或NumPy数组。通过调整conf、iou等参数,用户可以控制检测结果的置信度阈值和NMS处理。model.predict()还支持实时显示和保存检测结果,是连接模型训练与实际应用的关键
本文介绍了一种基于YOLOv8深度学习算法的篮球计数检测系统。该系统通过分析比赛视频实时检测篮球和篮筐,支持自定义类别扩展。采用LabelImg标注数据后,使用YOLOv8模型进行训练,生成最佳权重模型。核心算法结合篮球运动轨迹分析和数据清洗技术,通过线性回归预测投篮轨迹,准确判断投篮是否命中。系统实现了从数据标注、模型训练到投篮检测的全流程,为篮球比赛分析提供了自动化解决方案。
本文详细解析了如何在Ultralytics框架中从YOLOv8迁移到RT-DETR模型,包括模型加载机制、权重加载实现及RT-DETR的专项适配技巧。通过源码解读和实战指南,帮助开发者掌握多模型统一API的使用,提升视觉检测任务的效率与性能。
基于灰度投影的快速图像配准:适用于产线在线对位的 5 个核心方法,附 OpenCV+Halcon 实战代码!
按模板排版稿件—全文英文投稿—稿件审核—文章录用—支付版面—1名作者报名参会—等待参会通知。Thippa Reddy Gadekallu 教授,浙江农林大学(H-index:80)盛步云 教授,武汉理工大学(中国机械工程学会设计分会理事,湖北省机电工程学会副会长)杨磊 研究员,郑州大学,斯坦福大学发布的全球前2%顶尖科学家“年度科学影响力排行榜”会议地点:中国-武汉东湖学院(线上/线下均可参会)黄
Baumer相机金属粉末铺粉均匀性评估:用于增材制造过程监控的 7 个实用技巧,附 OpenCV+Halcon 实战代码!
锂电池极片裁切毛刺检测:防止内部短路的 5 个核心方法,附 OpenCV+Halcon 实战代码!
Blob分析是一种图像处理技术,用于检测和提取图像中具有相似特征的连通像素区域。其基本流程包括图像采集、预处理、二值化分割、连通区域检测、特征提取和筛选。Halcon和OpenCV均可实现Blob分析,Halcon通过阈值分割、形态学处理和特征筛选完成芯片焊球检测,而OpenCV采用类似流程,包括二值化、轮廓查找和几何特征计算。两种方法均能有效定位目标区域并提取关键参数(如直径),适用于工业检测等
摘要:本文介绍了相机标定和图像处理的关键操作流程。首先使用gen_caltab()生成7x7规格的标定板(间距0.0125米),然后通过image_points_to_world_plane()实现像素坐标到物理坐标的转换。详细说明了相机内参数(包括焦距、畸变系数等)和外参数(位姿关系)的设置方法,并演示了实际测量流程:从图像读取、blob分析到坐标转换和距离计算。最后介绍了棋盘格生成(gen_c
以下是针对“”的完整续写与实战指南。文章风格保持技术干货向、结构清晰、代码可直接落地,全部基于真实产线经验(电子组装、汽车零件、食品包装等场景)。传统视觉方案局限:基于OpenCV的传统视觉算法仅能处理简单缺陷(如黑白对比度缺陷),对复杂缺陷(如曲面划痕、微小裂纹)适应性差;
AI视觉CCD检测设备是工业4.0时代智能制造的核心质检装备,融合CCD成像与AI算法,能高效识别产品缺陷。该系统由成像、处理、执行等模块组成,采用深度学习模型自动检测复杂缺陷,相比传统机器视觉具有更高精度和适应性。广泛应用于电子、汽车等行业,通过样本训练和边缘计算实现快速部署,为"零缺陷"制造提供智能保障。
金属拉丝纹理方向一致性检测:提升外观品控的 5 个核心方法,附 OpenCV+Halcon 实战代码!
电子连接器端子歪斜识别:提升插拔可靠性的 7 个核心方法,附 OpenCV+Halcon 实战代码!
在制造业质量管理中的应用,绝非 “买设备、装产线” 的简单操作,而是一项覆盖选型、标准、数据、运维、全链条管控、团队建设的系统工程。3、数据为核:打破数据孤岛,建立数据治理与应用体系,让检测数据从 “沉睡资产” 变为 “优化动力”,支撑工艺改进、供应商管控与质量预警,实现 “检测 - 分析 - 优化 - 复盘” 的闭环;2、标准为纲:以统一、可量化的缺陷标准为基础,结合场景优化参数与环境,构建高质
电子产品外壳划痕检测:提高外观质量检验效率的 7 个核心方法,附 OpenCV+Halcon 实战代码!
本研究设计并实现了一套高效、智能、可扩展的“骑手佩戴头盔检测系统”。本系统深度融合了前沿的计算机视觉技术与现代Web开发框架,旨在为交通管理部门提供一套自动化、可视化的智能监管解决方案。系统的核心检测模块采用了目前性能领先的YOLO系列目标检测算法。为进行充分的性能评估与技术选型,本系统创新性地集成了YOLOv8、YOLOv10、YOLOv11及YOLOv12四种模型版本,支持用户在后端根据实际场
完成本人对以前阶段学习的汇总和反思。完成ViT的解析后,了解怎么从ViT到VPT,如何继承并修改ViT的源码,也是对后面自己改别人代码的启示。预计下一坑是从CLIP到CoOp。
螺丝螺母缺失检测:用于装配完整性验证的 7 个核心方法,附 OpenCV+Halcon 实战代码!
在开始之前,请确保你已经安装了 Python 环境(建议 3.8+)。
药瓶铝盖压合完整性检测:防止密封失效的 7 个关键技术,附 OpenCV+Halcon 实战代码!
本文介绍了使用Python+OpenCV+dlib实现驾驶员疲劳检测的方法。通过摄像头实时检测人脸关键点,计算眼睛纵横比(EAR)判断眼睛状态,连续闭眼超过阈值则触发疲劳警告。详细解析了代码实现过程,包括环境配置、关键算法原理和参数调整建议。该项目适合OpenCV初学者实践,涵盖了人脸检测、关键点定位、实时视频处理等知识点,代码量适中但效果直观。文章还提供了改进方向和常见问题解决方案,帮助读者快速
YOLOv8是Ultralytics公司2023年推出的最新目标检测算法,在YOLOv5基础上进行全面升级。它采用全新网络架构设计,包括优化后的CSP骨干网络和PAN-FPN颈部网络,显著提升特征提取能力。核心创新包括:1) Anchor-Free检测机制,简化模型结构;2) 解耦检测头设计,分类与回归任务分离;3) 先进训练策略如Mosaic/MixUp数据增强和标签平滑技术。YOLOv8支持多
汽车车灯内部异物检测:提升照明安全性的 5 个关键技术,附 OpenCV+Halcon 实战代码!
Baumer相机视野内微小缺陷增强检测:提升亚像素级瑕疵可见性的 7 个核心方法,附 OpenCV+Halcon 实战代码!
本文介绍了一款基于Python+OpenCV开发的实时缺陷检测工具,无需深度学习训练和缺陷样本,普通摄像头即可使用。工具采用差影法原理,通过特征点匹配实现产品移动自动跟踪,支持动态调节检测阈值和手动框选检测区域。主要功能包括实时缺陷标记、自动跟随、缺陷图片保存等,已打包成exe文件方便Windows用户直接使用。适用于注塑件、包装印刷等外观缺陷检测场景,旨在解决传统人工质检效率低、漏检率高等问题。
本文介绍了如何在星图GPU平台上自动化部署造相 Z-Image 文生图模型(内置模型版)v2镜像,结合YOLOv8实现生成图像的实时视觉检测与质量验证。该方案典型应用于电商商品图自动生成与智能质检,确保内容准确性与合规性,显著提升AI图像生产流程的可靠性与效率。
YOLO26技术解析与应用实践 摘要:本文深入分析Ultralytics发布的YOLO26目标检测框架,该版本通过端到端架构优化和边缘计算增强,实现了CPU推理速度提升43%的突破。研究显示,YOLO26在COCO数据集上达到44.9%的mAP精度,同时在资源受限环境下展现出卓越性能,其最小模型处理单帧图像仅需38.9毫秒。实验验证了该框架在工业质检、智慧农业等场景的应用价值,如电路板缺陷识别精度
三是模型蒸馏,采用“教师-学生”模型架构,将深层高精度模型(教师模型)的知识迁移到轻量化模型(学生模型)中,让学生模型在保持轻量化的同时,具备接近教师模型的精度。中级算法工程师进行轻量化优化,选择YOLOv8n作为基础模型,采用“结构化剪枝+INT8量化+模型蒸馏”的组合策略,同时选择MNN推理引擎,优化推理流程和工程配置,优化后,推理速度提升至18FPS,CPU使用率降至55%,精度仅下降2.1
本文档提供了本地电脑研发与运行教程,适用于除部署外的所有项目内容。教程详细说明了在Windows系统下搭建开发环境(Python 3.8+、Anaconda、OpenCV等)、项目目录结构认知以及完整的研发流程。核心内容包括:通过YOLO Pose提取关键点特征训练GRU分类器、MindIR模型离线评估、无界面实时推理(支持视频/摄像头输入)、Streamlit原型界面开发等标准运行步骤。此外还提
摘要: 传统跨摄像头追踪依赖ReID技术,通过外观匹配判断目标身份,易受换装、遮挡等因素干扰。镜像视界提出CameraGraph™解决方案,将问题转化为空间连续性分析:构建摄像头网络拓扑图,通过空间坐标反演、运动轨迹建模和图约束匹配(时间/路径一致性),实现跨摄像头的目标关联。该方法突破视觉匹配局限,利用空间推理判断实体连续性,显著提升遮挡处理、轨迹拼接等场景的稳定性,实现从“识别身份”到“追踪实
本项目基于YOLOv8目标检测模型开发了一套无人机行人实时检测系统,专为城市公共安全管理设计。系统采用PyQt5图形界面,支持图片、视频、文件夹及实时摄像头输入,实现高精度行人检测与跟踪。具备以下特点:1)针对密集人群、低光照等复杂场景优化;2)提供完整训练流程,支持模型微调;3)工程化部署,在GPU或边缘设备上实现低延迟检测;4)图形化操作界面,便于非专业人员使用。系统可广泛应用于大型活动监控、
文档扫描畸变校正:提升OCR识别率的 6 个关键技术,附 OpenCV+Halcon 实战代码!
本文介绍了YOLOv8目标检测模型的数据标注格式与数据集配置。YOLO标注文件(.txt)采用归一化坐标记录目标位置和类别,每行包含类别索引、中心点坐标及边界框宽高。数据集配置文件(data.yaml)定义了图片路径、类别名称映射等关键信息。文章还展示了标准数据集目录结构,强调图片与标注文件的对应关系。这些基础知识是后续数据可视化和模型训练的重要前提。
2025博客之星评选-220篇实战沉淀,邀您一票共赴智能制造星辰大海!
焊点锡量饱满度评估:提升SMT工艺良率的 7 个实用技巧,附 OpenCV+Halcon 实战代码!
基于Mamba的医学图像分割方法,能够将CNN强大的局部特征提取能力与Transformer的全局上下文理解能力相结合,如此一来,在处理医学图像中那些复杂的结构和模式时,就更加得心应手了。想象一下,在处理复杂的医学图像时,某些重要的特征可能分布在图像的不同角落,CNN难以很好地捕捉它们之间的长距离联系。作为首个将Mamba结构融入UNet的模型,VM-UNet引入了视觉态空间(VSS)块作为基础块
Baumer相机镜面反射区域遮蔽重建:恢复缺失纹理的 6 个关键技术,附 OpenCV+Halcon 实战代码!
我们知道rolabelimg可以标注旋转的图片,但是当我打开image文件时有一个问题很是让我无语,我们知道标注的时候都是按照数值大小来排的,但是rolabelimg的排序很傻,而是按字典的首数字大小来排的,如图。3.修改好之后,命令行进入roLabelImg-master这个文件夹,非常重要!2.修改roLabelImg.py中的代码,找到scanAllImages这个函数,大概在1018行附近
本文介绍了YOLOv8验证机制与可视化基础,以及自定义验证结果保存策略。首先解析了YOLOv8的验证流程和结果数据结构,包括边界框、置信度等关键信息。然后详细讲解了如何通过子类化方法创建自定义验证器,实现批量保存所有验证图片的预测结果。文章提供了代码示例,展示如何重写验证方法、绘制预测结果并保存图片,同时支持保存带真实标注的对比图。这些方法可以帮助开发者更全面地评估模型性能,实现更灵活的结果可视化
核心分类:这些算子可分为图像运算、滤波增强、区域分割、轮廓处理、矩阵变换、特征提取、可视化 7 大类,覆盖视觉处理全流程;关键技巧图像运算前需用转换数据类型,避免溢出;分割前优先滤波降噪(如),提升分割准确性;轮廓处理后需筛选(),过滤无效轮廓;典型场景:图像相减用于缺陷检测、轮廓拟合用于尺寸测量、矩阵变换用于视觉引导,是工业视觉最常用的三类场景。