视觉检测

计算机视觉：异常检测(paper with code汇总更新中）本文汇总异常检测相关论文，持续更新，所有内容均为开源，欢迎交流学习！待更新[爱心][爱心][爱心]

即插即用系列 | MICCAI EM-Net：融合 Mamba 与频域学习的高效 3D 医学图像分割网络论文标题：EM-Net: Efficient Channel and Frequency Learning with Mamba for 3D Medical Image Segmentation

song15026537298

视觉检测设备的生产及应用软件开发光学系统设计硬件集成通信协议数据处理尺寸测量使用边缘检测算法：表面缺陷识别基于深度学习的分类模型：

VisionPro工具使用---＞通过连接器距离及其角度的测量并显示案例掌握并学习到工具的知识点和使用步骤CogFixtureTool1 是康耐视 (Cognex) VisionPro 视觉软件中的核心坐标系管理工具，主要用于创建和管理图像中的坐标系转换。它是 VisionPro 中最常用的定位工具之一，为后续的视觉检测、测量和分析提供统一的基准坐标系。

基于FPGA的积分梳状CIC滤波器Verilog设计探秘基于FPGA的积分梳状CIC滤波器verilog设计 1.系统概述这里设计的五级CIC滤波器。那么其基本结构如上图所示，在降采样的左右都有五个延迟单元。但是在CIC滤波的时候，会导致输出的位宽大大增加，但是如果单独对中间的处理信号进行截位，这会导致处理精度不够，从而影响整个系统的性能，所以，这里我们首先将输入的信号进行扩展。由于我们输入的中频信号通过ADC是位宽为14，在下变频之后，通过截位处理，其输出的数据仍为14位，所以，我们将CIC滤波的输入为14位，但是考虑到处理中间的益处情况以及保证处理

多相机拼接：消除重叠区域的6个核心方法，附OpenCV+Halcon实战代码！做工业视觉检测的都遇到过这个问题：多相机拼接大视野时，重叠区域总会出现“重影、色差、拼接缝明显”的情况，明明硬件同步做好了，结果拼接后的图像还是没法用——要么边缘错位，要么同一物体在重叠区出现双影，直接影响缺陷检测的精度。

即插即用系列 | CVPR 2024 FADC：频域自适应空洞卷积，完美解决语义分割“网格效应”论文名称：Frequency-Adaptive Dilated Convolution for Semantic Segmentation

相机选型学习根据一些学习资料总结了一个相机选型的大概步骤： 1.确定像素精度，就是一个像素对应多少距离。根据工艺上的最小误差确定，比如客户要求最小为误差是10个μ，那考虑工件的过度像素，要把单个像素表示的距离控制在10/3 = 3.333个μ左右（这里是÷3，或者÷4、÷5都可以），才能确保定位误差符合要求。

Microvision维视智造

多品类 + 复杂缺陷，汽车连接器质检瓶颈如何打通？第五篇—汽车行业连接器金属镶嵌件质量检测。前期回顾智能破局焊接痛点！连接器 PIN 脚零缺陷检测方案，3C & 汽车电子质控利器

VisionPro工具使用---＞硬币金额统计与显示五角和1角的PMA模板和一元的PMA模板步骤相同在 VisionPro 的 PMA（CogPMAlignTool）模板匹配中，红框通常代表 “匹配失败 / 低质量匹配”（正常成功匹配会显示绿框），核心原因是算法未找到符合要求的目标特征，具体问题及解决方法如下：

BRAV-7120在汽车轮毂生产线上的高精度AI视觉检测方案教程本教程详细介绍了基于BRAV-7120工业相机的汽车轮毂AI视觉检测系统，涵盖深度学习算法开发、硬件部署和产线集成方案，实现轮毂表面缺陷的自动化检测。

即插即用系列 | Attention GhostUNet++：基于多维注意力和 Ghost 模块的高效 CT 图像脂肪与肝脏分割网络论文名称：Attention GhostUNet++: Enhanced Segmentation of Adipose Tissue and Liver in CT Images > 论文原文 (Paper)：https://arxiv.org/abs/2504.11491 > 代码 (code)：https://github.com/MansoorHayat777/Attention-GhostUNetPlusPlus

中杯可乐多加冰

【解决方案】PASCAL VOC 、YOLO txt、COCO目标检测三大格式简述与PASCAL VOC COCO格式互转在深度学习的浪潮中，目标检测作为计算机视觉的核心任务之一，其模型的性能和训练效率，往往取决于底层数据的质量和组织方式。数据标注格式，作为连接原始图像与模型训练的桥梁，其重要性不言而喻。

AI视觉检测怎么选？技术原理、行业应用与解决方案解析最近在工业智能化的浪潮下，AI视觉检测技术成了制造业转型升级的热门话题，尤其是对于那些对产品精度和质量要求越来越高的企业来说，它简直成了救命稻草。说实话，这种技术并不是凭空冒出来的，而是深度学习和传统机器视觉的结合体。举个简单的例子，电子制造业里的PCB板检测，过去全靠人工肉眼识别，效率低下不说，还容易出错，现在用AI视觉检测，精度和速度都上了一个台阶。

即插即用系列 | WPFormer：基于小波与原型增强的双域 Transformer 表面缺陷检测网络论文名称：Wavelet and Prototype Augmented Query-based Transformer for Pixel-level Surface Defect Detection

即插即用系列 | CVPR SwiftFormer：移动端推理新王者！0.8ms 延迟下 ImageNet 78.5% 准确率，吊打 MobileViT论文名称：SwiftFormer: Efficient Additive Attention for Transformer-based Real-time Mobile Vision Applications > 论文原文 (Paper)：https://arxiv.org/abs/2303.15446 > 代码 (code)：https://github.com/Amshaker/SwiftFormer

AI时代，如何利用FPGA在无人机视觉等方面进行快速应用随着现在无人机广泛应用在农业、航拍，冲突前线等多个场景，受到的关注也越来越多。那无人机跟踪系统是如何组成的呢？

即插即用系列 | WACV 2024 D-LKA：超越 Transformer？D-LKA Net 如何用可变形大核卷积刷新医学图像分割论文名称：Beyond Self-Attention: Deformable Large Kernel Attention for Medical Image Segmentation

研华嵌入式

用Edge Impulse开启你的边缘AI之旅AOM-2721是一款开放标准模块（OSM），其采用OSM 1.1标准。作为紧凑且高度集成的计算平台，AOM-2721尤其适用于嵌入式应用与边缘人工智能场景。

研华嵌入式

从零到边缘：在AOM-2721 OSM开发套件上构建基于Edge Impulse的优化物体检测方案研华AOM-2721是一款开放标准模块（OSM），具体而言是采用OSM 1.1规格的计算机模块。该产品设计为紧凑型集成计算平台，特别适用于嵌入式应用和边缘人工智能场景。