视觉检测

[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review（三）总结梳理-疑点记录《深度异常检测综述》总结梳理一、数据类型层面的异构性二、异常行为层面的异构性三、模型应对层面的异构性挑战

NVR小程序接入平台/设备EasyNVR多个NVR同时管理设备接入：海康NVR 3.0提示不在线如何处理？在视频监控领域，设备的兼容性和互操作性一直是用户关注的重点。海康NVR管理平台EasyNVR作为一款轻量级的视频监控平台，凭借其强大的兼容性、可扩展性和丰富的功能，成为了公共安全领域“云平台”解决方案的杰出代表。然而，在实际应用中，用户可能会遇到设备不在线的问题，特别是当使用海康NVR 3.0录像机时。

Halcon 3D平面度平面度是对表面形状的一种度量，用于指示该表面上的所有点是否都在同一个平面上。平面度在几何尺寸和公差（GD&T）中用平行四边形表示，当两个表面必须装配在一起形成紧密密封时，平面度就特别有用。

四焦距聚焦型光场计算成像系统的设计摘要: 光场相机是一种在图像传感器前增加微透镜阵列的新型相机结构，除了记录不同位置下光的强度及颜色外，也记录不同位置下光线的方向信息，从而能够计算目标场景的深度图和高阶相位图。该技术由于景深和分辨率相互制约，获得大景深时分辨率会降低。分析了其结构特点并推导了景深和分辨率的关系，并就选定的设计参数绘制了变化曲线。在此基础上，提出了一种新型光场相机的设计方法，该结构基于具有四类焦距的微透镜阵列，可获得超大景深，同时将分辨率的下降程度控制在可接受范围。仿真结果表明：相对于三类焦距微透镜阵列，所设计的四类焦距微透

Halcon 重写Rectangle2及Arrow验证目标：验证rotate_image后图像是否变形获取信息：获取矩形中轴起点，终点，及四角位置信息应用场景：1，找线找点算子封装后为检测极性指明方向

是瑶瑶子啦

【深度学习】论文笔记：空间变换网络（Spatial Transformer Networks）本文是对Google DeepMind 团队2015年发表的空间变换网络STN的详细讲解，作为初学者也是参考了很多博客，都在本文末尾给出，感谢前辈们的努力。

Halcon基于laws纹理特征的SVM分类与基于区域特征的 SVM 分类不同，针对图像特征的 SVM 分类的算子不需要直接提取特征，下面介绍基于 Laws 纹理特征的 SVM 分类。

违停拍照和闯红灯拍照有什么区别吗违停拍照和闯红灯拍照是交通管理部门采用的两种不同的交通监控手段，它们之间存在明显的区别。以下是朗观视觉对这两种拍照方式的详细对比：

Halcon 多相机统一坐标系（标定）多相机统一坐标系是指将多个不同位置的相机的图像采集到同一个坐标系下进行处理和分析的方法。在计算机视觉和机器视觉领域中，多相机统一坐标系被广泛应用于三维重建、立体视觉、目标跟踪等任务中。

TP&LCM柔性屏自动化贴合应用在当前的显示屏制造领域，TP&LCM贴合技术是推动产品升级和满足市场需求的关键环节。随着技术的不断进步，全贴合技术因其卓越的显示效果和用户体验，逐渐成为中高端产品的标配。然而，这一技术的高精度要求和复杂工艺也带来了诸多挑战。例如，在全贴合过程中，需要精确控制光学胶的涂布量、均匀性以及贴合压力，以确保无气泡、无灰尘，并实现最佳的显示效果。

LabVIEW继电器视觉检测系统随着制造业的自动化与高精度要求不断提升，传统的人工检测方法逐渐难以满足高效和高精度的需求。特别是在航空航天、医疗设备等高端领域，密封继电器推动杆部件的质量直接影响到设备的性能与可靠性。LabVIEW自动化视觉检测系统，能对推动杆部件进行有效的质量监控，具有非常重要的实际意义。

能源设施安全智能守护：AI监控卫士在油气与电力领域的应用能源行业的安全与稳定运行对于社会的可持续发展至关重要，无论是石油、天然气还是电力设施，都面临着复杂的监测需求。AI视频监控卫士，通过应用先进的人工智能技术，为能源行业的安全监测提供了高效、智能的解决方案。以下将详细介绍系统在油气管道和电力巡检中的具体应用场景及其主要功能。

YOLOv8模型改进第十一讲添加自适应阈值焦点损失（ATFL）函数解决类别不平衡本篇文章将介绍一种全新的改进机制——全自适应阈值焦点损失（ATFL）函数，并展示其在YOLOv8中的实际应用。自适应阈值焦点损失（ATFL）是一种动态调整损失权重的损失函数，旨在通过降低易分类样本的影响，增强对难分类样本的关注，从而提升目标检测和分割任务中的模型性能，特别是在类别不平衡的情况下。

YOLOv11模型改进-注意力-引入简单无参数注意力模块SimAM 提升小目标和遮挡检测本篇文章将介绍一个新的改进机制——卷积和注意力融合模块SimAM ，并阐述如何将其应用于YOLOv11中，显著提升模型性能。首先，SimAM 是一种用于卷积神经网络的简单且无参数的注意力模块，它基于神经科学理论定义能量函数来计算 3-D 注意力权重，能有效提升网络的表征能力，且具有轻量级、高效等优势。随后，我们将详细讨论他的模型结构，以及如何将SimAM 模块与YOLOv11相结合，以提升目标检测的性能。

视觉检测解决方案视觉检测解决方案是一种利用计算机视觉技术模拟人类视觉功能，对工业产品进行非接触式的图像采集、处理与分析，以实现自动化检测、识别与测量的过程。以下是朗观视觉小编对视觉检测解决方案的详细阐述：

YOLOv8实战人脸-口罩检测与识别【数据集+YOLOv8模型+源码+PyQt5界面】本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对人脸-口罩数据集进行训练和优化，该数据集包含丰富的人脸-口罩图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取人脸-口罩的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了人脸-口罩识别的自动化水平，还为工业生产系统的构建提供了有力支持，具有重要的理论应

从零入门AI篡改图片检测（金融场景）#Datawhale十月组队学习1.大赛背景在全球人工智能发展和治理广受关注的大趋势下，由中国图象图形学学会、蚂蚁集团、云安全联盟CSA大中华区主办，广泛联合学界、机构共同组织发起全球AI攻防挑战赛。本次比赛包含攻防两大赛道，分别聚焦大模型自身安全和大模型生成内容的防伪检测，涉及信用成长、凭证审核、商家入驻、智能助理等多个业务场景，覆盖机器学习、图像处理与计算机视觉、数据处理等多个算法领域，旨在聚合行业及学界力量共同守护AI及大模型的安全，共同推动AI安全可信技术的发展。

YOLOv11改进-模块-引入矩形自校准模块RCM有利于复杂场景（小目标、遮挡等）本篇文章将介绍一个新的改进机制——矩形自校准模块RCM，并阐述如何将其应用于YOLOv11中，显著提升模型性能。首先，我们将解析RCM的工作原理，RCM通过矩形自校准注意力机制和形状自校准捕捉全局上下文信息，并结合局部细节融合，提升模型对前景物体的建模能力和边界识别精度。为了解决复杂场景中难以处理前景背景分割、精确定位和多尺度物体检测这些问题，我们将RCM（矩形自校准模块）与YOLOv11结合，利用RCM的上下文捕捉与特征增强能力，提升YOLOv11的检测性能。随后，本文将详细讨论如何将RCM引入YOLO

工业相机详解及选型工业相机相对于传统的民用相机而言，具有搞图像稳定性,传输能力和高抗干扰能力等，目前市面上的工业相机大多数是基于CCD（Charge Coupled Device)或CMOS(Complementary Metal Oxide Semiconductor)芯片的相机。

【2022工业3D异常检测文献】Patch+FPFH: 结合3D手工点云描述符和颜色特征的异常检测方法AN EMPIRICAL INVESTIGATION OF 3D ANOMALY DETECTION AND SEGMENTATION