计算机视觉

加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

计算机视觉是一门研究如何使机器“看”的科学,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。

计算机视觉是一门研究如何使机器“看”的科学,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。收起

查看更多
  • 虹软科技:一半收入砸研发,手机算法隐形冠军在搏什么?
    虹软科技2026H1营收4.40亿元(+7.19%)、归母净利7714万元(-12.87%)。增收不增利主因研发费用2.35亿元、费率53.4%,押注车载DMS/OMS、SouthLake、AI眼镜及机器人。手机算法授权高毛利但行业承压;车载收入0.72亿元(+11.71%)、DMS国内份额第三。后续看新业务放量与现金流。
    虹软科技:一半收入砸研发,手机算法隐形冠军在搏什么?
  • 工业物联网 + 计算机视觉 + 边缘计算:重塑未来工业的“智慧三剑客”
    本文阐述工业物联网、计算机视觉与边缘计算融合正重塑智能制造:相机实时采集缺陷与行为数据,边缘侧毫秒级分析并通过IIoT联动控制,云端留存关键信息。已应用于汽车质检、安全防护、预测维护和柔性分拣等,需高分辨率工业相机与低功耗边缘算力;成本、安全仍是挑战。
  • 超越模型大小:使用YOLOv8n平衡准确性、速度与效率
    人工智能在图像、视频和文本理解方面日益成熟,但计算资源的限制使其在实际应用中面临挑战。轻量级模型如YOLOv8n因其高效性和适应性受到关注。YOLOv8n是一种小型化的物体检测模型,适用于资源受限环境,如边缘设备和嵌入式系统。尽管牺牲了一定的准确性,轻量级模型在制造业、农业、交通等领域展现出巨大潜力。选择合适的模型应综合考虑准确性、速度、计算成本等因素,以满足特定应用场景的实际需求。
  • 深度学习实战-基于Resnet50的极端天气物体探测识别模型
    本项目聚焦于极端恶劣天气条件下的计算机视觉模型鲁棒性挑战,特别是暴雨、大雪、浓雾、强霾、洪涝、龙卷风、野火等罕见且破坏力大的自然灾害。项目团队使用XWOD数据集,基于预训练的ResNet50残差网络,构建了一个高性能、多轴向的流式数据预增强防御管线。 #### 主要方法: 1. **数据预处理**:采用分层采样策略确保各类别样本权重一致,加入空间与色彩扰动算子增强数据集,保证模型在复杂气象条件下的泛化能力。 2. **模型构建**:使用ResNet50作为骨干网络,定制化全连接决策头,配合AdamW优化器进行参数微调。 3. **模型训练**:通过多轮次迭代训练,确保模型在极端天气图像中精准识别物体轮廓。 4. **模型评估**:通过流式无偏置置信度提取和多类目细粒度分类报告,全面评估模型在恶劣环境下的性能。 #### 结果: - 总体验证集准确率达到99.29%,在多个关键天气场景下表现出色,尤其是在大雪、洪涝等场景下达到完美命中。 - 大幅提升了计算机视觉模型在极端恶劣天气条件下的鲁棒性和可靠性,为自动驾驶、智能安防监控等领域的全天候应用奠定了坚实基础。 该项目的成功验证了预训练残差连接网络在复杂非线性噪声干扰环境下的通用先验优势,为解决极端天气下的计算机视觉问题提供了有效的解决方案。
  • 计算机视觉开发者都应掌握的10个必备工具
    计算机视觉领域正迅速扩展至医疗、自动驾驶等多个行业。本文介绍了十个关键工具,从入门级的OpenCV到高级的PyTorch和TensorFlow,涵盖了图像处理、机器学习、标注工具、GPU加速、对象检测等方面,助力不同水平的开发者构建强大模型。
    计算机视觉开发者都应掌握的10个必备工具
  • 深度学习实战-基于EfficientNetB0的观赏鱼图像分类识别模型
    该项目旨在通过计算机视觉技术解决观赏鱼表面纹理多样性和复杂水体环境下的快速准确识别难题。实验采用了多个卷积神经网络模型,包括自定义CNN、MobileNetV2、EfficientNetB0和ResNet50,进行了详细的性能比较和评估。结果显示,基于复合缩放机制的EfficientNetB0模型在验证集上的准确率达到97.04%,成为最优模型。此外,还对最优模型进行了混淆矩阵和分类报告分析,证明了其在不同观赏鱼品种识别上的优异表现。
  • 基于计算机视觉实现图像相似性搜索
    本文介绍了图像相似性搜索系统的构建方法,对比了传统特征检测方法(如SIFT、SURF、ORB)与基于深度学习的方法(如CLIP、FAISS)。作者首先尝试了SIFT和ORB的关键点检测与匹配,使用RANSAC进行空间验证,最终实现了高效的小型图像数据库搜索。同时,还展示了CLIP和FAISS方法的优势,特别是其在大规模图像数据集上的快速查询能力。
    基于计算机视觉实现图像相似性搜索
  • 深度学习图像增强:常用方法及应用场景介绍
    图像增强是训练计算机视觉模型的关键步骤,尤其是应对实际部署中的光照、角度和传感器噪音等问题。本文介绍了常用的图像增强方法,包括翻转、旋转、亮度变换、对比度调节、灰度变换、随机裁剪、随机噪声、图像模糊、边界框级别增强和马赛克增强。每种方法都有其适用场景和局限性,选择合适的方法可以显著提高模型的泛化能力和鲁棒性。
  • 基于YoloV11自定义数据集实现车辆事故检测
    该项目利用先进的计算机视觉技术,特别是最新的 YOLOv11 模型,旨在实时检测和分类车辆事故,以提高道路安全。具体步骤包括数据准备、模型训练、模型评估、模型推理以及最终的 ONNX 转换和推理测试。通过这一系列过程,项目不仅提升了模型的性能,还实现了更高效的部署和优化。
  • 视频孪生的前世今生:技术演进、体系架构与应用价值研究
    摘要 随着数字孪生技术从概念验证走向规模化应用,面向高动态场景的实时感知与空间映射需求日益增强,视频孪生(Video Twin)作为一种融合计算机视觉、三维GIS与数字孪生体系的新型技术路径逐渐兴起。本文从技术演进视角出发,系统梳理视频孪生的起源背景、关键提出方、发展阶段及核心技术体系,并在此基础上分析其在智慧城市、智慧交通及工业场景中的应用价值。研究认为,视频孪生通过构建“视频流—空间坐标—数字
  • 计算机视觉人群计数实测:YOLO、CSRNet与ViT的性能、速度与成本全对比
    本文介绍了三种模型(YOLO、CSRNet、ViT)用于解决人群计数问题。YOLO模型因边界框逻辑失效而在密集场景下表现不佳;CSRNet通过密度图有效解决了重叠问题,但训练时间较长;定制的视觉变换器ProViTCrowd利用全局注意力机制,在短时间内达到最高准确度,成为最优解。
  • 基于OpenCV实现Gamma校正、单应变换和人脸检测
    Python和OpenCV用于图像处理的三种基本技术:伽马校正、单应性变换和Haar级联分类器。伽马校正用于亮度调整;单应性变换用于透视校正;Haar级联分类器用于人脸检测。这些技术适用于图像增强、文档扫描和人脸识别等领域。
  • 什么是姿态估计:关键点检测原理、主流模型与评估指标(2026 版)
    姿态估计是一种计算机视觉任务,用于检测和定位图像或视频帧中的解剖关键点,如肘部、膝盖、手腕和脚踝。通过将这些关键点与预定义的边连接,模型生成一个骨架表示,捕捉人物、动物或关节物体的姿态和运动。截至2026年,姿态估计模型已显著成熟,主流模型架构包括YOLO26-Pose、ViTPose、RTMPose等。应用场景广泛,包括体育分析、医疗和物理治疗、工作场所安全监控、手势识别等。评估指标主要包括平均精度(AP)、正确关键点百分比(PCKh)等。
  • 计算机视觉中的 ROI 和 AOI 有什么区别?
    本文介绍了计算机视觉系统中ROI(兴趣区域)和AOI(兴趣领域)的概念及其在图像处理中的作用。通过对比ROI和AOI的不同之处,强调了在计算机视觉中需要明确区分这两个概念的重要性。文章通过一个数字分类示例展示了如何利用AOI/ROI感知特性提升模型性能,最终达到了0.9867的宏F1得分。
    计算机视觉中的 ROI 和 AOI 有什么区别?
  • 深度学习实战-基于迁移学习MobileNet的可回收物与生活垃圾图像分类模型
    该项目旨在通过计算机视觉技术解决生活垃圾精准分类难题,采用轻量级MobileNetV3模型在Kaggle数据集上训练分类器,实现了对30种废弃物类型的快速分类,达到81%的整体准确率。
  • 深度学习实战-基于MobileNetV3的眼部疾病图像分类识别模型
    该项目旨在利用深度学习中的计算机视觉技术,构建一套基于轻量化架构MobileNetV3的全自动眼疾识别流水线。通过高质量临床眼底图像数据集和医疗专家标注,模型实现了超过86%的临床初筛准确率,为偏远地区提供了数字化辅助诊断范式。
    深度学习实战-基于MobileNetV3的眼部疾病图像分类识别模型
  • 使用YOLO11实现区域内目标跟踪
    计算机视觉领域正因生成式AI的发展而迅速进步,特别是物体跟踪技术的应用,能更准确地识别和追踪物体,尤其适合智能交通管理、零售和库存管理、生产线监控等领域。Ultralytics提供了TrackZone解决方案,通过聚焦特定区域优化跟踪速度和精度,支持Python和CLI操作,适用于低功耗边缘设备。
  • 纯视觉自动驾驶能识别出高透明玻璃墙吗?
    纯视觉自动驾驶面临高透明玻璃墙识别难题,需借助复杂算法和深度学习模型进行空间感知和语义推理。通过占用网络、Transformer模型和运动视差技术,系统能有效应对玻璃墙带来的视觉干扰,提高自动驾驶的安全性和适应性。
  • 传统计算机视觉已死?
    本文介绍了经典计算机视觉方法及其应用场景,强调了在深度学习盛行的时代,传统方法仍具有不可替代的优势。作者分享了图像处理、特征提取、背景减除器、视角转换等经典技术的应用实例,并指出这些方法在特定场景下的独特价值。无论是初学者还是从业者,理解和掌握这些经典技术都能提高项目的灵活性和可靠性。
    传统计算机视觉已死?
  • 人工智能与制造业的关系
    工业和信息化部等八部门联合发布《“人工智能+制造”专项行动实施意见》,明确到2027年推动人工智能在制造业深度应用,形成特色化、全覆盖的行业大模型,推广典型应用场景。人工智能与制造业深度融合,成为推动智能制造的关键举措。机器学习、计算机视觉、生成式AI、数字孪生、边缘AI等技术在预测性维护、质量控制、流程优化等方面发挥重要作用,助力制造业向智能化转型。
    人工智能与制造业的关系

正在努力加载...