墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.4k累计阅读
1.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
可以看出 能够定位到缺陷的位置
更换成别的图像的检测结果
图 图像预处理的检测
由于照明方式等缘故，我们发现原始图像中的金属表面缺陷和整个金属表面背景之间的灰度差较小，灰度范围较小，因而其对比度较低，金属缺陷并不明显，这不利于图像的后期处理，我们需要使用一些方法来增加图像的对比度。常见的对比度增强方法有对数变换，幂律变换，灰度级分层，灰度归一化，对比度拉伸，直方图均衡化，直方图规定化等。考虑到不同照片的背景光强并不相同，所以恒定参数的方法(如对数变换，幂律变换，灰度级分层，对比度拉伸)并不对所有图片适用
基于MATLAB的缺陷检测系统
通过导入图像数据集、数据预处理、特征提取、模型训练和测试以及缺陷定位，我们可以实现一个功能强大的缺陷检测系统。这只是基于MATLAB的缺陷检测的一个简单示例，您可以根据具体需求进一步扩展和改进系统。我们将使用MATLAB提供的图像处理工具和算法来检测和定位图像中的缺陷。一旦我们的系统对图像进行了分类，我们可以使用一些图像处理技术来定位缺陷区域。一旦我们提取了图像的特征，我们可以使用这些特征来训练一个分类器，以区分缺陷和非缺陷区域。可以使用MATLAB的。在这里，我们将使用基于纹理的特征来描述图像中的缺陷。
使用Matlab实现划痕检测算法
Morlet小波变换是一种局部频率分析方法，可以检测图像中的纹理特征。接下来，我们需要使用得到的纹理特征图像来进行划痕检测。该函数的输入参数包括图像、Morlet小波的最小和最大半径、角度数以及局部方差与全局方差的比较系数。在数字图像处理领域，划痕检测是一个重要的应用。本文将介绍一种基于Matlab的划痕检测算法，并提供相应的源代码。该函数的输入参数包括图像、Morlet小波的最小和最大半径以及角度数。通过使用以上代码，我们可以很容易地实现基于Matlab的划痕检测算法，并应用于数字图像处理领域。
毕设题目：Matlab瑕疵检测
毕设题目：Matlab瑕疵检测 完整代码，方可直接运行，适合小白！可提供运行操作视频！
【图像检测】基于支持向量机SVM算法实现金属表面缺陷分类与测量matlab代码
1 简介 针对人工检测金属表面缺陷效率低,主观意识强,无法长时间工作等缺点,提出一种基于支持向量机监督检测,分类以及测量的金属表面缺陷的方法,并使用Matlab软件设计一个图形用户界面(GUI),便于检测人员使用.研究中先对工厂采集的图像进行Gabor滤波和对比度增强的前处理.然后使用方向梯度直方图(HOG)和灰度共生矩阵(GLCM)进行特征提取,为后续提高检测准确率打下基础.最后对于每种缺陷类型都采用270张图片进行模型训练,利用训练好的模型对测试图片进行测试.实验结果表明,最终3种缺陷类型的总正确率为
划痕检测 MATLAB 代码
划痕检测是一种常见的图像处理任务，它旨在识别和定位图像中的划痕或破损区域。最后，我们可以使用MATLAB的regionprops函数来获取每个连通组件的属性，如面积、中心点等。请注意，这只是一个基本的实现，实际应用中可能需要更复杂的算法和技术来处理各种类型的划痕。您可以选择适当的阈值，根据图像的特性和划痕的大小来调整。接下来，我们可以将图像转换为灰度图像，这样我们可以更容易地处理图像的亮度信息。接下来，我们可以使用MATLAB的bwconncomp函数来标记和计算二值图像中的连通组件。
MATLAB在工业缺陷检测中的应用
传感器技术是图像采集的核心，目前广泛使用的包括CCD（电荷耦合设备）传感器和CMOS（互补金属氧化物半导体）传感器。CCD传感器：这种传感器依靠光子激发产生电信号，并通过像素间耦合，将光信号转化为电信号，最后通过逐行扫描的方式读取信号。CCD传感器以其高灵敏度和低噪声特性在高质量图像采集领域占据重要地位。CMOS传感器：CMOS传感器则在每个像素点集成了放大器和信号处理电路，相比较于CCD，其具有更低的功耗和更高的读取速度。
MATLAB划痕检测图像二值化技术教程
为了开始图像处理，我们必须熟悉一些基础函数，如：imread：用于读取图像文件到工作空间中；imshow：显示图像；imbinarize：将灰度或彩色图像转换为二值图像。% 读取一张图像% 显示图像% 将图像转换为二值化形式本章为整个图像处理系列文章的基础部分，通过掌握MATLAB图像处理的基础知识，您可以逐步深入理解更为复杂的技术，并将其应用到具体的项目中去。划痕定位技术是图像处理领域中用于检测和分析图像表面缺陷的一种技术。
基于MATLAB的钢板表面缺陷检测系统设.zip
基于MATLAB的钢板表面缺陷检测系统设
避开ANSYS SOLID65钢筋模拟的坑：从材料TB到实常数R的完整配置清单
本文详细解析了ANSYS SOLID65单元在钢筋混凝土模拟中的关键配置与优化技巧，涵盖材料TB设置、实常数R配置及收敛性优化。特别针对钢筋建模的分布式钢筋模型进行深度解析，提供实战验证的参数设置手册，帮助工程师避免常见错误，提升模拟精度与效率。
别慌！Oracle MOS登录页面大变样？5分钟搞定新旧账号登录全流程
本文详细解析Oracle MOS登录页面改版后的新旧账号登录流程，帮助用户快速适应账号体系变革。针对传统MOS账号和OCI账号的不同应用场景，提供5分钟内完成无缝切换的实用指南，包括登录步骤、书签设置和密码管理策略，助力数据库管理用户高效访问Oracle技术支持资源。
消费级显卡跑大模型：RTX 3060 12G 部署 70 亿参数 AI 编程助手的优化实战
本文详细介绍了如何在消费级显卡RTX 3060 12G上，通过量化、投机解码和分页KV-Cache等核心优化技术，成功部署并流畅运行70亿参数的CodeLlama-7B编程助手。文章提供了从环境配置、模型准备到参数调优的完整实战笔记，实测显存占用降至7.3GB，生成速度达21.7 token/秒，为开发者和技术爱好者提供了可行的本地AI部署方案。
SAP 与 Palantir 合作全景解析：这不是普通集成，而是把 ERP、数据语义层、云迁移与企业级 AI 串成一条价值链
SAP与Palantir的战略合作聚焦企业数字化转型核心痛点，通过深度技术整合构建"数据-决策-执行"闭环。合作包含四大主线：云迁移连续性保障、SAP业务数据云与Palantir平台对接、联合工程开发、高监管行业优先落地。技术实现上采用SAP认证插件，支持双向数据交互和实时业务动作触发。该合作突破了传统ERP系统局限，将业务语义与AI执行相结合，特别适合制造业供应链优化、财务争议处理等高价值场景，为企业在云迁移过程中实现业务连续性与智能化升级提供新范式。
路径规划 | 详解混合A*算法Hybrid A*(附ROS C++/Python/Matlab仿真)
Hybrid A*算法通过结合连续状态空间搜索、运动约束考虑和轨迹优化等技术，弥补了普通A*算法在高维连续空间和的不足，提高了路径规划的效率和鲁棒性，广泛应用于车规级路径规划。本文详细图解Hybrid A*算法的原理——启发式、维诺耗散项、节点扩展法则等，并给出ROS C++、python、matlab三种语言的仿真实现加深理解
飞腾平台(FT2000/4 D2000/8)配置GPIO引脚
飞腾平台配置CPU的引脚为GPIO工作模式的方式有永久型和暂时型： - 永久型是通过UEFI中的MmioWrite32函数来实现的，该方法可以在UEFI阶段就对复用引脚的工作模式配置为GPIO，并且在进入操作系统后仍然不会发生便会； - 临时型是通过rw工具，在系统下手动修改复用引脚的工作模式，该方法在系统重启后会失效，所以是暂时型的。
【OpenClaw从入门到精通】第73篇：30天OpenClaw实战挑战——从零搭建个人数字助理（Day15-21）万字超详细高阶实战版
经过前两周的基础部署与功能搭建，你已拥有可自动化干活的AI助理与数字员工团队，但距离“高阶精通”仍有差距。本文聚焦第三周（Day15-21）核心实战，围绕安全审计、语音能力接入、Token成本控制、Agent Loop优化、One-Liner指令五大核心模块，结合真实落地案例与踩坑经验，提供超详细实操指南。通过本文，你将掌握生产级安全加固方案、语音交互全流程配置、低成本高性价比使用策略、Agent自主闭环优化技巧，以及一句话搞定复杂任务的高效指令用法，同时完成中期复盘与最后九天冲刺规划
Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-单端信号
Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析，通过搭建简易拓扑用于前仿真分析通道的时域性能，下面搭建一个简易的单端拓扑进行说明，以下图为例，准备好发送接收端的IBIS模型, (ibis_se.ibs，本例发送接收端都使用相同的IBIS模型)，以及传输线的S参数模型(welement_se.sp)最上方的图形界面是传输线的模型，本例是一个上下都有参考平面的带状线，右侧的梯形是蚀刻角度，根据W1和W2以及铜厚来确定。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
1131
扫一扫
