超声图像手臂动脉检测及弹性分析

59、超声心动图在心肌梗死早期检测中的应用 本文探讨了超声心动图在心肌梗死早期检测中的应用,重点介绍了一种结合深度学习与传统分类器的三阶段方法。该方法通过引入HMC-QU数据集和伪标签技术实现左心室壁的精准分割,利用心内膜边界位移、节段质心运动和面积变化等特征进行工程化提取,并训练分类器实现心肌梗死的自动化检测。相比传统方法,该方案具有高准确性、强可视化和良好自动化优势,同时面临数据稀缺与低质量图像处理等挑战。未来可通过数据扩充、算法优化、多模态融合及临床推广提升其应用价值。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

动脉血管检测

YOLOv7-tiny的训练与测试

血管弹性分析

血管定位跟踪

血管弹性分析

像素点统计

动脉半径实时预测

使用说明


本文所有资源均可在该地址处获取。

动脉血管检测

YOLOv7-tiny的训练与测试

全自动的超声图像动脉血管弹性分析首先应该将动脉血管检测出来,检测出来之后,我们才能对其进行定位,并分析其弹性。在这里我们提供了一些手臂动脉血管的超声图像以及视频,经过图像增强后并打上了标签,检测模型采用的时YOLOv7-tiny,经过训练之后可以获得一个比较精准的动脉血管实时检测模型。
 


图像数据位于项目datasets文件夹中,至于YOLOv7-tiny如何进行训练,网上大量的教程,再次不做赘述。

检测效果如图苏所示。

血管弹性分析

首先我们来说清楚什么是血管弹性分析。血管弹性就是血管收缩后能否再次扩大的能力,一般老年人的血管弹性较差,在病人接受检查时,超声探测头放在病人手臂上,看到的是病人的手臂横切面,所以动脉是呈现出一个类似于圆形的状态,也就是上面图片中检测到的东西。动脉在不停的收缩,所以这个圆的半径是不停的放大缩小放大缩小的。如何判断其弹性呢?一般在接受检查时,首先计算其动脉的半径变化,接着会在病人的胳膊上绑上一个橡胶带,让血管收缩,这时这个圆会逐渐缩小,经过一分钟,然后将橡胶带松开,这时血管会猛然扩大,如果该患者动脉血管弹性好,扩大后的半径要比绑橡胶带之前要大一些,如果患者血管弹性较差,则和绑橡胶带之前的半径相似,也就是说,我们通过对比帮橡胶带前后血管的大小变化来判断其血管弹性,从而分析疾病。

血管定位跟踪

我们检测到动脉血管后,要实时分析其半径,这是一个持续的过程,我们这时采用了KCF跟踪算法来跟踪此动脉血管,以便在此区域中进行分析。其中我们做了一些优化,来提高跟踪的鲁棒性,代码如下。

        if len(det):#是否有目标
            # Rescale boxes from img_size to im0 size
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
            # 置信度排序
            det = det[det[:, 4].argsort(descending=True)]
            # 最大置信度目标
            max_conf_det = det[0]
            #for *xyxy, conf, cls in reversed(max_conf_det):#循环这张图片里的所有目标
            conf = max_conf_det[4]
            xyxy = max_conf_det[:4]
            cls = max_conf_det[5]
            if conf > 0.5:
                if not tracking_started:
                    # 停止检测,开始跟踪
                    tracking_started = True
                    # 初始化跟踪器
                    tracker = cv2.TrackerKCF_create()
                    bbox = (int(xyxy[0]), int(xyxy[1]), int(xyxy[2] - xyxy[0]), int(xyxy[3] - xyxy[1]))
                    #在bbox的上下左右均扩大1.1倍
                    bbox = (
                        int(bbox[0] - bbox[2] * 0.05),
                        int(bbox[1] - bbox[3] * 0.05),
                        int(bbox[2] * 1.1),
                        int(bbox[3] * 1.1)
                    )
                    tracker.init(im0, bbox)

血管弹性分析

当跟踪到动脉血管后,我们对该目标区域进行分析,目标区域如下图所示。

像素点统计

弹性分析,在超声图像中其实就是看这块黑色圆圈区域像素点的多少,具体的通过阈值分割方法对目标区域进行一个分割,再通过连通区域分析以及像素点的统计,来进行判断,代码如下:

def segmentation(box_img):
    # Convert to grayscale
    gray_img = cv2.cvtColor(box_img, cv2.COLOR_BGR2GRAY)
    # 大津阈值
    # _, thresh_img = cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
    # 自定义阈值(根据您的需求进行调整)
    custom_threshold = 80
    # 使用自定义阈值进行二值化
    _, thresh_img = cv2.threshold(gray_img, custom_threshold, 255, cv2.THRESH_BINARY)
    # 反转二值图像的颜色
    thresh_img = cv2.bitwise_not(thresh_img)
    # 连通组件标记
    _, labels, stats, centroids = cv2.connectedComponentsWithStats(thresh_img)
    # 找到最大连通区域的标签
    largest_label = np.argmax(stats[1:, cv2.CC_STAT_AREA]) + 1
    # 创建一个与原始图像大小相同的掩码图像
    mask = np.zeros_like(thresh_img)
    # 将最大连通区域对应的像素设置为白色(255)
    mask[labels == largest_label] = 255
    # 删除其他连通区域
    thresh_img = cv2.bitwise_and(thresh_img, mask)
    # 闭运算来填充小的黑色区域
    kernel = np.ones((10, 10), np.uint8)
    thresh_img = cv2.morphologyEx(thresh_img, cv2.MORPH_CLOSE, kernel)
    # 统计白色像素
    pixel = np.count_nonzero(thresh_img == 255)  # Count non-zero pixels as vessel area
    # Print vessel area
    #print(f"面积: {pixel} pixels")
    return thresh_img,pixel

可视化效果如下图所示,第一列为绑橡胶带前,第二列为绑橡胶带中,第三列为松橡胶带后。可以看出松绑之后明显要比帮之前要大,说明这个人血管弹性还是比较良好的。


但是这种算法有一个弊端,可以看出由于传统图像算法在进行分割时,往往会将红框中的非动脉区域错误分割,这也是不可避免的,所以我们提出了一种新的弹性分析算法。

动脉半径实时预测

该算法的核心思想为通过确定目标圆心,接着通过圆心计算半径。
圆心决定策略:由最大连通区域通过图像矩得到白色区域重心,并通过与检测框求平均从而决定圆心。
半径计算策略:以圆心为中心向四周以平均角度放出若干条射线,当到达背景区域则记录此射线长度。通过Z-score法过滤异常值,将过滤过的半径集合求平均得到半径。
该算法稍微复杂一些,具体代码如下,代码中的注释也解释了该算法具体如何实施的:

def detect_blood_vessel_radius(thresh_img_normal):

    # 在二值化图像中找到轮廓
    contours, _ = cv2.findContours(thresh_img_normal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    if len(contours) == 0:
        print("未找到血管轮廓。")
        return None

    # 获取最大轮廓(假设它是血管)
    largest_contour = max(contours, key=cv2.contourArea)
    largest_contour = largest_contour.reshape(len(largest_contour), 2)
    # 绘制血管横截面的轮廓
    # cv2.drawContours(image, [largest_contour], -1, (0, 255, 0), 2)  # 这里用绿色绘制轮廓
    # cv2.imshow("Blood Vessel Contour", image)
    # cv2.waitKey(0)
    # cv2.destroyAllWindows()

    # 找到最大轮廓(血管)的中心点,这段代码是计算最大轮廓(血管)的中心点坐标的方法,基于图像矩(Moments)。图像矩是对图像像素值的统计特征,其中 m00 表示图像的零阶矩(图像的总和),m10 表示图像的一阶矩(关于 x 轴的总和),m01 表示图像的一阶矩(关于 y 轴的总和)。
    M = cv2.moments(largest_contour)
    center_x = int(M["m10"] / M["m00"])
    center_y = int(M["m01"] / M["m00"])

    img_center_x = thresh_img_normal.shape[1] // 2
    img_center_y = thresh_img_normal.shape[0] // 2

    center_x_last = (center_x + img_center_x) // 2
    center_y_last = (center_y + img_center_y) // 2

    # 从中心发射线段与血管轮廓相交
    num_rays = 8  # 可根据需要调整线段数量
    angles = np.linspace(0, 2 * np.pi, num_rays, endpoint=False)  # 平分角度
    boundary_points = []
    rs = []

    # 外点线段长度
    n = int(math.sqrt((thresh_img_normal.shape[0] // 2) ** 2 + (thresh_img_normal.shape[1] // 2) ** 2) + 50)

    for angle in angles:
        # 1000是为了射线足够长
        a = 1000 * np.cos(angle)
        ray_x = int(center_x_last + n * np.cos(angle))  # 计算以中心点为起点、长度为 1000 的线段在 x 轴方向的偏移量
        ray_y = int(center_y_last + n * np.sin(angle))  # 计算以中心点为起点、长度为 1000 的线段在 y 轴方向的偏移量

        # 获取直线上的所有点
        line_points = np.linspace((center_x_last, center_y_last), (ray_x, ray_y), num=100).astype(int)

        # 遍历直线上的所有点,查询像素值,找到边界点

        for point in line_points:
            x, y = point[0], point[1]
            if x>=thresh_img_normal.shape[1]:
                x= thresh_img_normal.shape[1]-1
            if y>=thresh_img_normal.shape[0]:
                y= thresh_img_normal.shape[0]-1
            pixel_value = thresh_img_normal[y, x]  # OpenCV的像素访问是 (y, x)
            if pixel_value == 0:
                boundary_points.append((x, y))
                r = int(np.sqrt((center_x_last - x) ** 2 + (center_y_last - y) ** 2))
                rs.append(r)
                break
    if all(i==0 for i in rs):
        print("无目标!")
        return 0,(center_x_last,center_y_last)
    else:
        # 过滤掉异常值的半径(可根据需要调整阈值)
        # 计算平均值和标准差
        mean_radius = np.mean(rs)
        std_radius = np.std(rs)

        # 设置Z-score的阈值(例如Z-score绝对值超过2则认为是离群值)
        z_score_threshold = 2

        # 根据Z-score过滤离群值
        acceptable_radii = [r for r in rs if abs((r - mean_radius) / std_radius) <= z_score_threshold]

        # 计算平均半径
        average_radius = int(np.mean(acceptable_radii))
        print(average_radius)
        # # 在图像中标记边界点
        # for point in boundary_points:
        #     x, y = point
        #     cv2.circle(thresh_img_normal, (x, y), 3, (0, 255, 0), -1)  # 绘制半径为3的绿色实心圆
        # cv2.imwrite(r"E:\maibang\yolo\yolov7-main\image\huizhi.jpg",thresh_img_normal)

        # cv2.circle(image, center, radius, color, thickness)
        # color = (0, 255, 0)  # 绘制圆的颜色,格式为 (B, G, R);这里使用绿色
        # thickness = 2  # 绘制圆的线条宽度,为负值表示实心圆
        # cv2.circle(image, (center_x_last, center_y_last), average_radius, color, thickness)
        # cv2.imwrite(r"E:\maibang\yolo\yolov7-main\image\result.jpg", image)
        return average_radius,(center_x_last,center_y_last)

该算法可以实时计算血管的半径以及收缩状况,我们并将圆心和半径组成的圆实时可视化显示,效果图如所示:

具体的演示效果可以参考演示视频。

使用说明

我们在附件中放入了整个项目文件,包括所有的数据(图像数据和视频数据)以及代码。代码结构为YOLOv7的代码结构,环境参考YOLOv7环境,我们在文件中detect.py中进行了修改,运行detect.py文件进行展示。

​​

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

32、脑网络分析与自主超声引导组织解剖技术研究 本文探讨了脑网络分析与自主超声引导组织解剖技术的研究进展及其潜在影响。在脑网络分析部分,介绍了自动学习聚类方法和监督随机坐标编码(SCC)方法的应用,揭示了多个稳定存在的脑网络及其对手术决策的启示。在自主超声引导组织解剖方面,详细描述了实验设置、系统架构及关键技术如水刀解剖和视觉伺服控制的实现,并展示了实验结果与研究结论。文章还分析了这两项技术在医学领域的应用前景及未来发展方向,包括3D拓展和智能化升级。 阅读详情

相关推荐

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 476

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 537

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

LlamaIndex 入门实战

LlamaIndex是一个“数据框架”,用于帮助构建LLM应用程序。它提供了各种工具,包括数据连接器,用于摄取现有数据源和数据格式(API,PDF,文档,SQL等),以及用于将数据结构化(索引,图形)以便与LLM轻松使用的方式。此外,LlamaIndex还提供了高级的检索/查询接口,可以输入任何LLM输入提示,并返回检索到的上下文和增强知识的输出。它还允许与外部应用程序框架(如LangChain,Flask,Docker,ChatGPT等)轻松集成。

AIGC搞起 1万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

别再死记硬背了!用‘瞬时极性法’5分钟搞定三极管反馈电路类型判断

本文介绍了使用‘瞬时极性法’快速判断三极管反馈电路类型的高效技巧。通过假设输入信号变化并追踪传递路径,该方法能准确区分正负反馈、电压电流反馈、串联并联反馈及交直流反馈,避免传统死记硬背的弊端,显著提升电路分析效率。

weixin_42524708的博客 187

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

xctf攻防世界 MISC高手进阶区 low

1. 进入环境,下载附件 给出的一张bmp图片,没有其他信息 2. 问题分析 扔进binwalk中,没有发现有用信息 使用zsteg,没有有用信息 塞入StegSolve中,发现有点猫腻,如图: 有点二维码的感觉,emmm,需要像素处理,但不知道如何下手,参考网上的wp,发现是让使用lsb隐写,copy代码: from PIL import Image img = Image.open('./pic/low.bmp') img_tmp = img.copy() pix = img_tmp.load()

l8947943的博客 1万+

【微知】关于GB200 NVL72服务器的一些信息?(36CPU72GPU;LPDDR5X 17T;HBM3e 13.5T;5代NVlink 1.8TB; 720P算力FP8;120Kw)

本文仅根据官网介绍分析,存在纰漏仅供参考。

技术札记 5401

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

王者荣耀AI绝悟如何选英雄?

王者荣耀AI绝悟如何选英雄? 【抢射手?抢中单位?「绝悟」在打王者荣耀时是如何选英雄的?】 腾讯 AI Lab 开发的 AI 智能体「绝悟」已让王者峡谷不再只是人类召唤师的竞技场,而且这个 AI 战队在上月底进化成了「完全体」。在一局完整的比赛中,英雄选择阶段是至关重要的(比如五射手或五法师阵容会有官方劝退)。 近日,腾讯 AI Lab 和上海交通大学发布的一篇论文介绍了绝悟的英雄选择策略:Ju...

不断学习,不断进步,提高自己 1万+

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

Claude Code Skills 入门:内置技能与自定义技能开发

│ Skill 的特点 │1. 封装性:把复杂操作封装成简单命令2. 可复用:一次定义,随处使用3. 可定制:支持参数传入4. 可发现:通过 /skill-name 方式调用打个比方,如果说 Claude Code 的基础工具是「原材料」,那 Skills 就是「预制菜」——只需要简单加热(调用),就能得到成品(结果)。你可以创建自己的 Skill 来封装常用操作。Skill 支持参数,通过。

gaoxiang_120的专栏 671

四非人的保研之路,2024(2025届)四非计算机的保研经验分享(西南交通、苏大nlp、西电、北邮、山软、山计、电科、厦大等)

本身我就是福建人,xmu 3小时就能到家,然后导这边毕业要求容易,不想读博,达到要求就能放实习,每周打卡35h,比较自由,遂考虑。北邮弱com,联系了蛮多老师,几乎都给了考核机会,面试的老师好几位都考核人工智能基础,会问你卷积的计算,问的还是蛮细的。当时结果是暂定,以为是稳了,遂没联系其他老师,但是之后询问发现只是候补,懒得联系其他老师,928候补到,放弃。东北大学,2000人大机试,入营点送,全国巡回面试,每个人就面不到10分钟,我就被问了3个问题就结束了,候补。科研组,导师有人脉,想读博出成果可以去。

专注于AI领域前沿知识,业余爱好开发软件 4356

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

漏洞挖掘之工具配置

本文主要讲解burp工具的插件安装。

qq_64775230的博客 3278

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 619

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5168

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 573

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182
上一篇: 复刻OpenAI O1大模型
下一篇: 当卷积遇上积分——无损动态压缩
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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