CSDN博客-专业IT技术发表平台

推荐付费专栏 VIP文章

传送带建筑垃圾分类与检测数据集 | 建筑垃圾传送带分拣智能回收目标检测 YOLO格式 9273期传送带建筑垃圾分类与检测数据集 | 建筑垃圾传送带分拣智能回收目标检测 YOLO格式 8032期

阅读 213

2赞

≮傷￡≯√

opencv 图像处理(一) const cv::Scalar &borderValue = cv::Scalar(0,0,0) // 填充边界颜色，默认黑色。仿射变换：可以实现平移、旋转、缩放、斜切（错切）；int flags = cv::INTER_LINEAR, // 插值，和resize一样。cv::Size dsize, // 输出图尺寸 (宽,高)适合：需要保留轮廓、边缘的场景（人像、物体轮廓）3. 几何变换（缩放、平移、旋转、翻转）适合：图像里随机的黑白噪点（椒盐噪声）生成旋转矩阵（最常用）

阅读 276

1赞

山东孙燕姿

前端框架升级：不敢动的组件怎么办前端框架从 3.x 升级至 5.x，存在 19 个高风险自研旧组件，难以直接改造。方案按引用范围、故障隐蔽性对组件分级，搭建薄适配层隔离差异，采用组件级灰度开关，基于设备稳定散列放量，支持出错自动降级。配套埋点对比、截图回归验证，设置并存期限，满足条件后清理旧代码。不强行一次性重写全部组件，优先等价替换、控制边界，部分组件冻结保留，规避大规模改造风险。

阅读 196

2赞

雾非雾の迷惘

启元 Q1 SDK 视觉开发实战：相机服务、图像处理与“看见-表达“联动给启元 Q1 开发视觉能力，无真机也能走完全程。本文按官方 srv 定义自建相机模拟服务端，客户端调用 CaptureJpegImage 拍照（元数据齐全）、OpenCV 5 的 YuNet 检测器定位人脸（置信度 0.95），最后串联 PlayTts 与 PlayEmotion 实现"看见人就打招呼"。三类官方服务实测打通，含 OpenCV 5 移除 Haar、header 不对称结构等六个实测排坑，代码开源可复现。

阅读 1.1w

4赞

C++ 智能指针的所有权与使用动态资源的难点不只是申请和访问，还在于明确谁负责释放，以及提前返回、异常和对象复制后如何保持这个约定。本文围绕所有权介绍 RAII、独占指针、共享指针与弱引用，结合移动、计数变化、数组和文件管理说明常用接口，并厘清裸指针观察和删除器的使用。

阅读 505

1赞

码工许师傅

【C++三方组件】OpenCV：计算机视觉的事实标准【摘要】：OpenCV 是 CV 界的瑞士军刀：Mat 内存模型（浅拷贝/ROI 共享、clone 才深拷）、imgcodecs 读写全格式、imgproc 滤波变换管线、DNN 模块跑推理。本机 5.0.0 预编译包实测：1920×1080 滤波管线 742 MP/s，GaussianBlur 关掉内置并行从 0.26 ms 涨到 0.78 ms（3 倍）；PNG/JPEG 一无损一有损当场对出——平滑渐变图上 PNG 反而比 JPEG(95) 小 4.6 倍。

阅读 286

2赞

Andrew浮游会

图像处理入门040：阶段实战：智能美颜滤镜开发——皮肤检测 + 双边磨皮 + 美白 + 锐化（Python + OpenCV 完整实现）前面 11 期（029-039）我们把空间域滤波的武器库一件件攒齐了：卷积、均值、高斯、中值、双边、导向、锐化、可分离滤波器组、积分图。本期是模块四的"总装车间"——把它们组装成一个真正能用的智能美颜滤镜。环节干什么用到的前期知识① 皮肤检测找出"哪里是皮肤"，生成 mask彩色空间（005）、形态学（M09 预热）② 磨皮只把皮肤磨平，五官不动双边滤波（033）、mask 融合③ 美白只把皮肤提亮，色相不漂颜色空间（005）、点运算（M03）④ 锐化回收整体清晰度拉回来。

阅读 313

4赞

荆棘鸟智能

河道采砂船识别与轨迹追踪怎么做？检测、跟踪与电子围栏实战思路河道采砂船智能监管的关键，不是单独部署一个检测模型，而是把目标检测、多目标跟踪、电子围栏、异常规则和告警处置串联起来。检测解决目标发现问题，跟踪解决跨帧关联问题，电子围栏与业务规则负责筛选异常线索。只有经过真实场景验证，并与人工核查和后续处置流程衔接，系统才能从“看见船只”进一步走向“发现值得核查的异常活动”。

阅读 236

0赞

【FDE知识库】（1）：AI 编程时代开发语言选型分析，云使用go，企业用java，算法python，底层c AI 编程时代，开发语言选型需综合考量AI适配度、编译速度、跨平台与学习成本。Python以海量语料和即时执行成首选，适用于AI/ML与原型开发；TypeScript凭借类型系统与秒级构建，成为前端及应用层主流；Go以极速编译与统一风格，契合AI代理高效迭代需求。Rust/C++虽性能强，但编译慢、学习成本高，不适于快速试错。综合推荐：优先选Python、TypeScript、Go，兼顾效率与生态，实现最优AI协作体验。

阅读 292

3赞

【BAS】规范精讲[1]: 一块电池一个实例？六种设备形态与电池热插拔上报全流程本文系统解析BLE BatteryService（UUID: 0x180F）规范，阐明其核心设计：一块物理电池对应一个服务实例，多电池需多实例。涵盖六种部署形态（如独立、共享、可分离、外挂配件），强调服务常驻GATT数据库、通过特征值表达电池在位状态，避免热插拔时动态删服务。详解聚合组算法、两级告警语义（Low/Critical）、字节序（小端）、RFU/Prohibited处理规则，并以完整消息流说明拔插场景。

阅读 2.1k

5赞

基于Python Yolo实现绝缘子目标检测程序 Yolo_Insulators 是一个基于 YoloV4 的绝缘子目标检测程序，人工智能课程设计作业。依赖Python3.6CUDA10.0“You Only Look Once”或“YOLO”是一个对象检测算法的名字，这是 Redmon 等人在 2016 年的一篇研究论文中命名的。YOLO 实现了自动驾驶汽车等前沿技术中使用的实时对象检测。让我们看看是什么使该算法如此受欢迎，并概述其工作原理。

阅读 220

1赞

FPGA信号处理

【雷达原理与系统】第五讲：杂波中的目标检测（上）本文探讨雷达探测中杂波的形成、特性及其对目标检测的影响。杂波是雷达回波中不希望出现的干扰，源于地面、海面、降水、鸟类等自然反射体。其强度与距离、方位、速度密切相关，需通过统计模型描述为随机过程，尤其依赖多普勒谱分析。在杂波环境下，雷达方程中的信杂比（SCR）随距离仅一次方衰减，远优于信噪比，但检测仍面临杂波强、目标弱的挑战。通过归一化散射系数（如σ₀、η），可实现不同条件下的杂波强度比较。最终指出，抑制杂波需结合空间、速度与统计特性，是雷达系统设计的核心难题。

阅读 239

0赞

BTree 本文系统介绍了B树、B+树、B树的结构特点与应用场景。针对大数据量下磁盘外查找效率低的问题，提出通过多叉平衡树降低树高以减少磁盘访问次数。B树通过节点分裂保证平衡，适用于外存索引；B+树优化为所有数据在叶子节点，支持高效范围查询，广泛用于数据库索引（如MySQL InnoDB/MyISAM）；B树进一步提升空间利用率，减少分裂频率。总结：B树系列核心优势在于低磁盘I/O，特别适合大规模数据存储与检索场景，是现代数据库索引的基石。

阅读 118

0赞

誰能久伴不乏

OpenCV 入门(一) 本文介绍OpenCV基础：图像本质为数字矩阵，核心数据结构Mat用于存储图像信息。详解灰度图与彩色图（BGR顺序）的内存表示，Mat常用属性及类型如CV_8UC3，强调uchar溢出与打印注意事项。重点演示读图（imread）、查看信息、显示（imshow+waitKey）、转灰度（cvtColor）和存图（imwrite）五大基本操作，并提醒空图检查与路径问题。

阅读 208

0赞

OpenCV 图像处理基础实战：从像素数组到滤波与形态学变换的本质是坐标映射：输出图的每个像素从输入图的哪个位置来？如果按"输入→输出"的方向做前向映射，会出现两个问题：多个输入像素可能竞争同一个输出位置，而更多输出像素没有任何输入映射过来，产生空洞。所以 OpenCV 用反向映射：遍历每一个输出像素，反查它在输入图中的坐标并取值，保证每个输出位置都被计算、无空洞。反查出来的坐标经常是小数（比如 (3.4, 7.8)），像素可没有半个格子，于是需要插值来估这个"虚拟位置"的值。

阅读 317

1赞

深度学习之目标检测YOLOv5原理与实战【代码】深度学习之目标检测YOLOv5原理与实战。

阅读 249

1赞

双目立体视觉入门——（10）立体匹配基础：局部方法本文系统阐述局部立体匹配的四阶段流水线：代价计算、聚合、视差选择与精化，聚焦匹配代价设计。对比SAD、SSD、NCC等灰度差代价与Census变换（基于序关系）的特性，强调其在光照鲁棒性与结构敏感性上的优势。结合支撑窗口尺寸权衡与四大基本假设（光度一致性、表面连续性、左右序保持、匹配唯一性），揭示局部方法在纹理缺失、遮挡、深度跳变等场景下的局限，并引出后续全局优化方法的必要性。

阅读 329

3赞

Navisworks Manage 2025 安装教程（附Navisworks Manage安装包）保姆级图文安装教程本文详细介绍了Navisworks Manage 2025的安装教程，涵盖解压、管理员权限运行、路径设置及破解激活等关键步骤，并附图文指引。重点强调安装前关闭杀毒软件、避免C盘安装以保障性能。同时简要说明了工程量统计与明细导出方法，提醒统一构件命名、提前确定统计口径，支持导出Excel格式并可复用计算规则，提升BIM协同效率。

阅读 95

2赞

Go 语言 CRUD 实战：从接口设计到真实业务场景本文以“设备资产管理系统”为例，阐述用Go实现CRUD的实践。基于database/sql构建可测试的仓储层，结合goroutine与context实现高效并发处理，利用静态类型与编译检查保障代码健壮性。通过定义清晰的业务模型与数据库设计，实现增删改查全链路落地，突出Go在微服务场景下部署轻量、性能优异、维护便捷的优势。

阅读 429

1赞

Unsharp Masking算法综述 3.增强并叠加，将这个差值，也就是高频细节乘以一个增益系数，然后增强后的细节得加到原始图像上，这样边缘和纹理的对比度就被。如果半径太大，那么边缘两侧就会产生更宽的光晕，，能增强局部的对比度，使物体轮廓更清晰，但过大会显得不自然。1.利用非锐化掩膜来模糊图像，得到一张模糊的图像，这张图像保留了图像的低频部分，但是丢失了高频细节。图像叠加：原始图像和高频细节增强图像按照比例进行叠加，得到最终结果图，从而得到锐化的效果。图像的边缘，图像的纹理，以及图像的噪点等细节信息。这个用于区分细节和微小的噪点的。

阅读 311

0赞

Python-OpenCV综合实战：摄像头目标追踪全链路 + 系列复盘与嵌入式落地预告上一章我们学习了轮廓进阶、形状特征、圆形度、多条件轮廓筛选，能够对画面里的物体做形状识别与过滤。本章是整个 OpenCV Python 系列的收官之作，不再学习新 API，而是把前面所有章节的知识点全部串联，搭建一套工业、机器人里最常用的：摄像头采集画面 → 预处理降噪 → HSV 颜色分割生成掩码 → 形态学清理噪点孔洞 → 轮廓检测 + 多条件筛选 → 旋转最小外接矩形绘制，输出目标坐标、中心位置、旋转角度。

阅读 413

1赞

猫行为目标检测数据集：4类别、近2,000张图像 | 目标检测本文介绍了一个包含近2000张图像的猫行为目标检测数据集，涵盖4类典型行为（趴卧、坐姿、睡眠、站立），采用YOLO格式标注，支持快速训练与部署。数据集覆盖多场景、光照与姿态，适用于智能宠物监控、健康分析等应用。针对小样本挑战，提出增强策略、迁移学习与注意力机制优化，结合YOLOv8实现高效训练，助力宠物行为识别研究与AI产品落地。

阅读 175

1赞

作者推荐

lindexi_gd: 我是微软Windows应用开发方向的最具价值专家，欢迎访问我博客blog.lindexi.com里面有大量WPF和UWP博客

关注

简说Python: 个人微信公众号：简说Python，送精选Python电子书。

关注

zhangphil: zhangphil@live.com

关注

博文视点: IT出版旗舰品牌，由电子工业出版社计算机分社以专业化力量打造。以开发IT类图书选题为主业，散播专业知识，善待作者，尊重读者，诚邀天下技术精英加盟。

关注

业余草: TA很懒，还没有添加简介

关注

翱翔天地: 技术在于专注！主要从事前端开发，熟悉vue、jQuery、uniapp等，有微信公众号和微信小程序开发经验，熟练使用echarts、highcharts、帆软报表；了解Java、python和mysql

关注

绝不原创的飞龙: TA很懒，还没有添加简介

关注

科技D人生: 金融科技领域技术 & 云基础设施 & 云原生微服务 & 云原生时代标准交付 & PAAS 技术研发 & Kubernetes & 项目与技术管理

关注

小刘要努力。: 未来不担心，过去不后悔，现在不犹豫。

关注

caimouse: 在IT行业有20多年的经验。拥有20多年的C和C++开发经验，5年以上Python开发经验,资深数据库开发、上百G数据库优化经验。曾经任职嵌入式工程师、P2P开发工程师、银行信用卡交易系统工程师、全自动化电池测试部门经理。

关注