目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉（基础篇）（五）

最新推荐文章于 2024-10-18 11:02:46 发布
最新推荐文章于 2024-10-18 11:02:46 发布
阅读量176 收藏
点赞数
分类专栏： 目标检测YOLO系列从入门到精通技术详解100篇 文章标签： 目标检测 YOLO 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/getusushu/article/details/134411937
版权
本文深入探讨了机器视觉检测技术，包括影响精度的因素、Halcon软件学习、算法原理和硬件组成。文章指出，硬件选择、软件算法、环境因素以及光学元件都会对测量精度产生影响，并提供了光源、相机和镜头的选择指南。此外，文章还介绍了目标检测的实例，如使用SSD MobileNet进行符号检测，并展示了Paddle-OCR在文本提取中的应用。最后，文章讨论了AI机器视觉在PCB板检测中的应用，对比了传统检测方法与机器视觉检测的优势。
摘要由CSDN通过智能技术生成

目录

几个高频面试题目

影响机器视觉检测设备测量精度的因素有哪些

01、视觉检测设备硬件方面的选择

02、视觉检测设备软件方面的问题

03、视觉检测中环境影响

Halcon视觉软件学习

算法原理

机器视觉硬件组成

相机篇

镜头篇

光源篇

光源的选型

目标的检测和提取

使用 SSD MobileNet 进行符号检测

使用 Paddle -OCR 进行文本提取：

应用案例

AI机器视觉在PCB板中的全方位识别检测

生产线的传统检测

AI机器视觉检测

机器视觉技术在PCB检测上的应用

 

几个高频面试题目

影响机器视觉检测设备测量精度的因素有哪些

近些年机器视觉 系统应用已经的非常广泛，机器视觉系统的高精度、高检测效率、降低生产成本，深受企业青睐。再好的东西也会出现问题，机器视觉系统在使用过程中，由于各种因素的影响，测量精度会降低，给企业带来不便。今天我们就来讲讲影响机器视觉检测设备测量精度的因素有哪些，在遇到问题时能提供一些参考。

在一些机器视觉检测项目中，许多客户都遇到了检测精度的问题。例如，要求以10um的精度测量加工零件的外部尺寸、内径和外径。目前很多配置选择500万工业相机镜头头，理论上可以达到10um的精度。但是实际客户测试的精度离10um的要求还很远，能做到30um就很不错了。误差大的主要原因如下：

了解本专栏 订阅专栏 解锁全文
格图素书
关注
专栏目录
订阅专栏
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】计算机视觉（基础篇）（三）
getusushu的博客
12-19 1820
目录几个高频面试题目计算机视觉与图像处理、模式识别、机器学习学科之间的关系全景图及计算机视觉技术全景图的简易制作方式合成全景图中计算机视觉技术的知识和原理1特征点匹配2图片匹配应用案例 基于计算机视觉使用Python和OpenCV计算道路交通背景提取算法过滤基于轮廓的目标检测构建处理管道 要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。计
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉
getusushu的博客
11-07 670
在单芯片相机中，传感器上两个或三个相邻线的输出被组合以生成RGB信号，而在三个或四个传感器相机中，来自物体的光被收集到一个棱镜中，该棱镜将RGB分量（和近红外（NIR）在四芯片相机中）用于单个传感器的同时检测。多传感器棱镜相机是一种强大的替代方案。结晶红外材料，例如硒化锌和氟化钙，具有高色散性能，但这些材料的机械强度远低于玻璃，而且价格也更高，因此，大多数SWIR镜头继续由具有抗反射涂层的玻璃制成。这种色散是一个可测量的量，会导致镜头产生色差，镜头的边缘会模糊物体的边缘，从而无法进行准确的机器视觉测量。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】SLAM（基础篇）
getusushu的博客
11-16 592
R3LIVE重建的彩色点云是要得到雷达在地图里面全环境的辐射信息，才能够重建出地图的纹理，且必须要求每个点覆盖到了才会有。然而，点云的密度有限，即不能在没有点的地方看着这个点，现有一种解决方案是重建地图的网格(mesh)模型，然后用相机得到图像RGB信息后贴到网格上，这样能够无损的去重建地图纹理。在这个背景下，做了一个在线激光雷达的实时定位和网格重建系统。主要贡献是完成了一个实时的、在线的网格重建。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉（基础篇）（七）
getusushu的博客
11-30 1360
目前，钢管的表面缺陷的检测大多通过人工方式实现，人工方式依赖于现场经验且效率低，受现场环境的影响，劳动强度大，易产生漏检和误检现象，不能全面反应钢管表面的质量，检测实时性差，检测种类少，检测效率低，缺乏对产品的表面质量的综合评估。当图像获取不理想时，会增加图像处理的难度。根据图像饱和度、像素分布、目标图像边沿、亮度等信息转换成计算机识别的数字信号，利用先进的算法对图像进行特征识别，将特征识别出来的结果进行评价，输出最终的缺陷结果，包括缺陷、尺寸、角度、个数、合格与不合格、有无等，实现自动识别功能。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】3D视觉
getusushu的博客
11-21 484
在3D相机中，取代光源的是激光发射器，通过复杂的光学系统设计，激光发射器发出的激光会形成一条直线，激光投射到物体表面就会形成反射，在光学系统的设计下，反射光会被镜头捕捉到，最后通过镜头反射到感光芯片上。下面我们来了解一下3D激光相机的测距原理，我司采用的是激光三角测距法，一般工业领域都是普遍采用这个方法，因为激光三角测距法的精度比较高，抗干扰能力也很强，此外，还有很多的测距方法，主要分为两个大类，分别是被动测量类和主动测量类。在传统的2D视觉中，一套详细的解决方案最基础的是相机、镜头、和光源。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】计算机视觉
getusushu的博客
11-12 332
一言蔽之，计算机视觉是让计算机理解并标记图像内容的技术领域。对于人类来说，你很难向从没穿过衣服的原始人解释什么是连衣裙或者什么是鞋。计算机视觉也是如此，如果它并没有相关输入，就不会理解上图的东西都是什么。所以，我们需要收集并标记大量关于衣服、鞋、包包的图片，输入进计算机“告诉”它这些图片里的东西是什么，在经过不断的学习和训练后，计算机将会识别出哪个是连衣裙，哪个是鞋、哪个是包包。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】点云
getusushu的博客
11-22 316
功能目标是基于点云的轨迹引导，即无论待引导物体以何种位姿摆放（要求该位姿在机械臂的行程范围内），视觉系统均能定位到该物体，并引导机械臂按需要的轨迹实现一定的工艺流程（比如鞋底涂胶等）。应用场景是鞋底涂胶等需要轨迹引导的工业现场。经过四十多年的改革开放，我国制鞋产业迅猛发展，但大而不强，主要依靠大量廉价劳动力维持生产。而鞋底涂胶作为制鞋的重要工序，目前主要依靠工人手工生产或半自动设备生产，喷涂质量良莠不齐，生产效率低，并且粘胶剂挥发出的毒性气体对操作工人的身体健康有着严重的威胁。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉（基础篇）
getusushu的博客
11-12 304
当（x，y）和f为离散、有限的数值时，光强度幅值f的变化将以类似矩阵的形式被记录，此时所记录的图像就称为数字图像，而所记录的值对应在图像中的每个点称为像素（pixel），横向及纵向像素的个数称为图像的分辨率（image resolution），如图3所示。C接口镜头的后焦距是17.526mm，CS接口镜头后焦距则为12.5mm，因此，只要为C接口镜头配备一个5mm的扩展管（转换器），就可以得到CS接口的镜头，但CS镜头却不能与C接口的相机搭配使用。C接口是镜头的国际标准，因此有很多C接口的镜头可供选择。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】计算机视觉（基础篇）
getusushu的博客
12-12 1143
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器人视觉
getusushu的博客
11-21 559
机器人研究的核心就是：导航定位、路径规划、避障、多传感器融合。定位技术有几种，不关心，只关心视觉的。视觉技术用到“眼睛”可以分为：单目，双目，多目、RGB-D，后三种可以使图像有深度，这些眼睛亦可称为VO（视觉里程计：单目or立体），维基百科给出的介绍：在机器人和计算机视觉问题中，视觉里程计就是一个通过分析处理相关图像序列来确定机器人的位置和姿态。当今,由于数字图像处理和计算机视觉技术的迅速发展,越来越多的研究者采用摄像机作为全自主用移动机器人的感知传感器。
YOLOv11改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新C3k2)
最新发布
qq_42591591的博客
10-18 56
本文记录的是利用模块优化的目标检测网络模型。 将静态上下文和自注意力学习动态上下文统一在一个架构中，有效地提升了在 2D 特征图上进行视觉表示学习时自注意力学习的能力，本文将深入研究的原理，并将其应用到中，进而更有效的增强模型对视觉信息的学习和表示能力。Contextual Transformer Networks for Visual Recognition如图所示，假设输入的2D特征图为XXX，键K=XK = XK=X，查询Q=XQ = XQ=X，值V=XWvV = XW_{v}V=XWv​。首先使用k
YOLOv11改进-注意力-引入双层路由注意力机制（Biformer）解决小目标、遮挡等问题
qq_64693987的博客
10-17 613
BiFormer 旨在通过双层路由注意力机制（Bi-level Routing Attention, BRA）实现动态、查询感知的稀疏注意力。双层路由注意力机制区域级路由：首先在粗粒度的区域级别过滤掉大部分不相关的键值对，仅保留少量相关区域。细粒度注意力：在保留的区域内进行细粒度的token-to-token注意力计算。Biformer的实现步骤区域划分和输入投影：将输入特征图划分为多个不重叠的区域，并通过线性投影生成查询、键和值张量。区域间路由。
基于YOLOV4的垃圾分类检测识别系统【python源码+Pyqt5界面+训练代码+测试代码】
ANDROID6666666的博客
10-16 876
系统基于深度学习网络 YOLOV4，使用的主要编程语言是 Python，并依赖于 Torch（版本需求=1.9）、OpenCV 和 PyQt5 等库。项目包含以下几个关键组成部分：深度学习网络： 使用了 YOLOV4网络，这是一种在计算机视觉领域表现优异的深度学习模型，特别适合处理图像分类和对象识别任务。运行环境： 要求配置 Python 版本为3.7，并安装 Torch 版本不低于 1.8、OpenCV 和 PyQt5 等库。这些库和工具支持项目中的数据处理、模型训练和图形用户界面的开发。
YOLOv11改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势，弥补传统方法不足
qq_42591591的博客
10-12 265
本文记录的是利用优化的目标检测网络模型。传统卷积和池化操作会导致信息丢失和压缩缺陷，且传统的注意力机制通常产生固定维度的注意力图，忽略了背景中的丰富上下文信息。本文的利用改进，以在特征传递和融合过程中增加多尺度的学习能力。Exploiting Scale-Variant Attention for Segmenting Small Medical Objects包含一个3×33×33×3卷积和一个1×11×11×1卷积，接着是两个Transformer块和两个卷积操作。它通过堆叠和拆分特征图来连接卷积和Tr
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
qq_64693987的博客
10-16 458
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
YOLOv8模型改进 第十讲 添加全维度动态卷积（Omni-dimensional Dynamic Convolution，ODConv）
qq_64693987的博客
10-17 1005
全维度动态卷积（ODConv），一种通过在卷积核的不同维度上引入注意力机制来增强特征表示的方法。动态卷积的概念：传统的卷积神经网络（CNN）使用静态的卷积核，而动态卷积通过使用多个卷积核的线性组合，并根据输入数据的不同加权，来提高模型的准确性。ODConv的设计：ODConv在卷积核的四个维度（空间尺寸、输入通道、输出通道和卷积核数量）上引入多维度注意力机制。这些注意力机制可以动态调整卷积核的权重，从而提高特征提取能力。性能提升。
YOLOv11改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新
qq_42591591的博客
10-16 80
LSK module是。
基于YOLO11/v10/v8/v5深度学习的安检X光危险品检测与识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
阿旭的博客
10-11 1434
基于YOLO11/v10/v8/v5深度学习的安检X光危险品检测与识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
YOLOv8模型改进 第七讲 一种新颖的注意力机制 Outlook Attention
qq_64693987的博客
10-14 773
Outlook Attention 是一种新型的注意力机制，旨在增强模型在处理特征图时的上下文理解能力。它通过结合局部卷积操作与全局注意力计算，使得模型能够同时关注特征图中的细节和整体信息。这种设计特别适用于图像处理和计算机视觉任务，如目标检测、图像分类和图像分割等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值