目标检测YOLO实战应用案例100讲-【目标检测】机器视觉（四）

最新推荐文章于 2025-05-23 20:35:28 发布
最新推荐文章于 2025-05-23 20:35:28 发布
阅读量363 收藏 1
点赞数 5
分类专栏： 目标检测YOLO系列实战应用案例精讲100例 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/qq_36130719/article/details/136523638
版权

目录

前言

几个高频面试题目

知识拓展

光与被测物之间的相互作用

1光与被测物相互作用

2镜面反射

3漫反射

4定向透射&漫透射

原理 

分辨率，精度，公差

分辨率（Resolution）

精度（Accuracy）

公差（Tolerance）

相机/镜头/光源/系统 

机器视觉应用场景

工业检测应用

测量应用

图像识别

定位应用

物体分拣

视频/监控分析

食品包装与制药行业应用

图像及视频编辑

汽车制造行业

消费电子行业

无人驾驶

机器人视觉三维成像技术

一、机器视觉系统组成

二、机器人视觉成像的结构形式

三、机器人视觉三维成像方法

四、性能比较

 

前言

   随着工业4.0时代的到来，机器视觉在智能制造业领域的作用越来越重要，为了能让更多用户获取机器视觉的相关基础知识，包括机器视觉技术是如何工作的、它为什么是实现流程自动化和质量改进的正确选择等。小编为你准备了这篇机器视觉入门学习资料。

        机器视觉是一门学科技术，广泛应用于生产制造检测等工业领域，用来保证产品质量，控制生产流程，感知环境等。机器视觉系统是将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

图片

机器视觉优势：</

了解本专栏 订阅专栏 解锁全文
目标检测YOLO实战应用案例100讲-分布式光纤振动传感的深度学习图像检测
qq_36130719的博客
02-21 938
分布式光纤振动传感技术(Distributed Acoustic Sensing, DAS)是近年来快速发展的一项光纤传感技术，可将通信光纤转变为地震传感器台阵，使得光纤不仅可以传输数据，还可以实现实时监测环境和结构的变化。与传统的传感技术相比，DAS技术的最大优势在于它可以实现对整条光纤的监测，而不需要在特定的位置安装传感器。因此，它具有较高的可扩展性、可靠性和经济性。DAS技术可以实现高精度的振动检测，其灵敏度可达到纳米级别，具有很高的空间分辨率和时间分辨率。一台。
目标检测YOLO实战应用案例100讲-面向辅助驾驶的道路目标检测
qq_36130719的博客
09-29 1098
根据2021年1月发布的机动车和驾驶人数据显示，截至2021年，我国机动车保 有量达3.95亿辆，与2020年相比同比增长6.32%。机动车的普及为人们带来出行的 便利，但另一方面，持续增长的机动车数量也带来了一系列诸如交通拥堵、交通事故 频发、环境污染等社会问题。数据显示，行车事故的数量在与日俱增，仅2021一年 里因为行车事故造成的伤亡人数达31万人。安全问题不容小觑，这永远是业内研究 人员的关注焦点。
目标检测YOLO实战应用案例100讲-【目标检测】机器视觉
qq_36130719的博客
02-10 1084
当每个啤酒瓶移动经过检测传感器时，检测传感器将会触发视觉系统发出频闪光，拍下啤酒瓶的照片。采集到啤酒瓶的图像并将图像保存到内存后，视觉软件将会处理或分析该图像，并根据啤酒瓶的实际填充液位发出通过-未通过响应。如果视觉系统检测到一个啤酒瓶未填充到位，即未通过检测，视觉系统将会向转向器发出信号，将该啤酒瓶从生产线上剔除。操作员可以在显示屏上查看被剔除的啤酒瓶和持续的流程统计数据。
目标检测YOLO实战应用案例100讲-基于弱监督学习的目标检测（下）
qq_36130719的博客
09-22 1288
目录 基于回归的弱监督目标检测算法 4.1弱监督学习下的回归问题 4.1.1回归中伪标签生成的难点分析 4.1.2弱监督目标检测中提议框筛选算法的不足 4.2加入回归的弱监督目标检测算法 4.2.1目标检测任务中边界框回归策略 4.2.2加权的自训练网络损失函数 4.2.3改进的基于评分的提议框筛选算法 4.2.4回归中伪标签的生成算法 4.3实验结果及分析 4.3.1消融实验 4.3.2实验结果 4.3.3回归方法与注意力方法的对比分析与讨论 本文在第三章提出的弱监督目标检测算法主要通过融入注意力机制来
目标检测YOLO实战应用案例100讲-【目标检测】机器视觉（五）
qq_36130719的博客
05-24 285
线扫相机一次只取图像的一行，随着被检测物体运动，一行接一行地采集，因此用线扫相机采集的一个2D图像的每一行都是在不同时间点采集的。与面阵相机最大的不同就是光源的搭建，为了获取相同的行（物体运动很快），你必须要照亮一条线，但由于速度很快（一般在us级别），因此线扫相机经常需要很高亮度的光照（高达1000000lux）。但是作为线扫相机，提供很高的分辨率（最高16K/线），相机需要拥有高质量镜头与合适的MTF。线扫相机需要物体或者相机运动，最后的图像大小一方面取决于相机的分辨率，另一方面取决于主机拼接的线数。
目标检测YOLO实战应用案例100讲-TDI线阵相机
qq_36130719的博客
08-27 400
对于测试数字成像设备非常重要的参数是分辨率。但有不同的方式来表达数码相机的分辨率，有时令人困惑。下面介绍的是是最常见的单位。“这台相机有1000万像素的分辨率”是我们经常在广告上看到的数据，但是从技术上看，这是错误的。一个1000万像素的相机有一千万像素，可以采集镜头投射到传感器上的图像。但这并不意味着，每个像素真的拥有关于图像内容的有用信息。所以像素的数量与分辨率有些相关，但是没有定义它。一个好的1000万像素摄像机与12或14万像素摄像机相比，具有相同的分辨率并不罕见。
目标检测YOLO实战应用案例100讲-光伏电站热斑检测
qq_36130719的博客
12-17 962
近年来，由于各国政策的驱动以及发电成本的大幅度降低，全球光伏发电每年新增装 机容量逐年增加。特别是我国的光伏发电行业，在2020年9月我国提出“双碳”目标的背 景下，我国光伏发电每年新增装机容量也得到了稳步的增长。正是因为我国光伏发电行业 持续稳步地发展，一部分与光伏发电相关的方面也在革故鼎新，其中就包括光伏运维方面。随着无人机的应用在许多领域内都得到了普及，在光伏运维方面，无人机通常被用于 搭载红外或者双光相机，来检测光伏阵列中的热斑。
目标检测YOLO实战应用案例100讲-基于深度学习目标检测的白细胞分类技术研究
qq_36130719的博客
07-04 767
白细胞（White Blood Cell，WBC）是血液的主要组成部分，也是人体免疫系 统中极其重要的安全卫士，它们可以清除细菌，抵抗感染，为人体健康筑起坚固 的防线。在血常规计数领域，常常把白细胞分成单核细胞、粒细胞和淋巴细胞[ 7]。粒细胞（Granulocyte）由骨髓中的造血干细胞分化而成，是一类细胞质中包含颗 粒体的白细胞，根据在瑞氏染色下的表现可进一步分为嗜碱性粒细胞（Basophil）、 嗜酸性粒细胞（Eosinophil）和中性粒细胞（Neutrophil）。
目标检测YOLO实战应用案例100讲-【目标检测】机器视觉（六）
qq_36130719的博客
07-24 2387
一旦检测到有缺陷的瓶装饮料，系统需要能够进行识别和登记缺陷瓶子的信息，以便在长长的产线中定位缺陷瓶子，通过无线传输的方式将数据传送给产线下游的专门站点，从而在最终打包环节前将有缺陷的瓶装饮料剔除出去。Laplace 算子是一种各向同性的二阶微分算子［5］，而图像的边缘灰度是阶跃变化的，在数学上表示为其二阶导数过零点，故可利用 Laplace 算子对进行图像锐化，可以有效地定位边缘点，并通过加强边缘的灰度值，使图像的对 比度增强，同时使边缘细节得到提升。其次，图像，国内外差距目前已经很小，好发重要期刊；
目标检测YOLO实战应用案例100讲-自动驾驶复杂场景下目标检测
qq_36130719的博客
12-16 699
自动驾驶是最近几年计算机科学和机械工程领域研究的热点之一，其目标是实现无 人驾驶车辆的自主行驶。自动驾驶目标检测技术是自动驾驶技术的重要组成部分之一，它 利用图像或传感器数据等方式来检测和识别车辆周围的行人、车辆、交通标志和信号等目 标物体。自动驾驶目标检测在复杂场景下是一个重要挑战。在这种情况下，目标物体数量 增多，形状多样，运动模式复杂，并且环境光照、天气等因素会影响目标检测的准确性和 鲁棒性。在当前越来越复杂的交通场景下，出现了遮挡目标漏检和多尺度目标检测不一致 的问题。
YOLO中model.predict方法返回内容Results详解
qq_63075864的博客
05-20 353
③data：是一个数组，每个数组的内容是[x_center, y_center, width, height,confidence, class_id]，对应某个检测框的坐标、置信度、类别。③masks：包含检测掩码的掩码对象（就是目标检测的进一步好像，之前是用框来判定对象，现在是用掩码，这里没涉及）②keypoints：关键点对象，包含每个对象的检测关键点（关键点估计那里会用上，这里没涉及）⑦shape：边界框数据的形状（3个框，每个框6个属性）①boxes对象：存有每个预测框的信息（下边细讲）
从YOLOv5到YOLO11！改进有多大？
yyyyyybw的博客
05-21 1002
mAP从YOLOv5的~37%提升至~52%（假设YOLOv11），主要得益于动态标签分配、更优的损失函数和架构创新。
YOLO12改进-Backbone-引入Swin Transformer替换backbone
qq_64693987的博客
05-23 523
在计算机视觉领域，卷积神经网络（CNNs）和Transformer架构分别在不同任务中取得了显著成功。受Transformer在自然语言处理中的启发，研究人员将其应用于视觉任务，但面临计算复杂度高等挑战。SwinTransformer通过引入滑动窗口机制和层次化设计，有效降低了计算复杂度，同时保持了Transformer的建模能力。改进后的SwinTransformer结合了移位窗口自注意力和相对位置偏差，进一步提升了模型性能。此外，SwinTransformer与YOLOv12的结合，通过层次化特征图和移
YOLO11解决方案之速度估算探索
mx9818的博客
05-23 661
YOLO11速度估计结合物体检测与跟踪技术，通过计算物体在帧间的移动距离和帧频来估算速度，适用于交通分析、自动驾驶和安全分析等场景。本文展示了如何使用Python实现速度估计的演示界面，支持在图像中画线或框，并输出叠加了类别和速度的视频。文章还介绍了基于Tkinter的GUI演示程序，用户可以通过界面打开视频文件、绘制检测区域，并实时查看物体速度信息。
python使用yolo训练模型
susu1083018911的博客
05-20 101
python使用yolo训练模型
根据YOLO数据集标签计算检测框内目标面积占比（YOLO7-10都适用）
最新发布
qq_48873240的博客
05-23 47
该程序用于计算时频图中信号面积与检测框面积的比值，并将结果保存为Excel文件，以便后续绘制论文实验图。程序首先定义了标签文件和图像文件的路径，并确保输出目录存在。通过读取标签文件，程序解析每个检测框的类别、中心坐标和尺寸，并将其转换为像素值。接着，程序从图像中提取检测框区域，进行二值化处理，并计算信号面积与检测框面积的比值。根据类别ID，程序将结果分别存储在不同的列表中。最后，程序将所有结果保存为Excel文件，并生成二值化图像以供进一步分析。该程序适用于多信号参数估计的实验数据处理，能够有效支持论文中的
第二章：YOLOv11 核心技术深度解析
u012133341的博客
05-22 579
通过极致的模型压缩和对各种硬件推理引擎的深度适配，YOLOv11 能够真正在边缘设备、移动端等资源受限的环境中实现高性能的实时目标检测，使其成为无处不在的智能视觉解决方案。这些训练策略的融合，使得 YOLOv11 不仅能够从标注数据中高效学习，还能利用大规模的无标注数据，这对于降低对标注数据的依赖、提升模型泛化能力和在低资源场景下的应用具有重要意义。颈部网络是连接骨干网络和检测头的桥梁，它的任务是有效地融合来自骨干网络的不同尺度的特征图，生成一个语义和空间信息都更加丰富的特征金字塔。
YoloV10改进策略：卷积篇|风车卷积|即插即用
m0_47867638的博客
05-23 10
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。
辣椒成熟腐烂检测数据集VOC+YOLO格式2644张3类别
FL1623863129的博客
05-22 142
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["ripe","rotten","unripe"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：2644。标注数量(txt文件个数)：2644。标注规则：对类别进行画矩形框。
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

林聪木

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