<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[moonpac的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/moonpac</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; moonpac]]></copyright><item><title><![CDATA[DEIM-更进一步的检测方法]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/158887247</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/158887247</guid><author>moonpac</author><pubDate>Tue, 10 Mar 2026 16:15:17 +0800</pubDate><description><![CDATA[近年来，基于Transformer的目标检测方法，尤其是DETR（DEtection TRansformer） ，因其端到端的检测框架和简洁的架构设计，受到了广泛关注。然而，DETR在训练过程中存在收敛速度慢的问题，这限制了其在实际应用中的广泛使用。为了解决这一问题，CVPR 2025上提出的DEIM（DETR with Enhanced Matching Mechanism）通过引入改进的匹配机制，显著加快了DETR的收敛速度。]]></description><category></category></item><item><title><![CDATA[HRNet：高分辨率网络在开关关键点检测中的突破]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/157771303</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/157771303</guid><author>moonpac</author><pubDate>Fri, 06 Feb 2026 13:18:18 +0800</pubDate><description><![CDATA[在精密的机房环境中，CT机柜上每一个指针的偏转、每一个旋钮的切换，都可能关乎着系统的稳定运行与潜在风险。传统的人工巡检不仅耗时耗力，且易受主观因素影响。作为致力于智能化运维的蒙帕科技，我们深知，要实现真正可靠的无人值守巡检，机器人的“眼睛”——视觉系统，必须具备亚毫米级的定位精度和对细微状态的敏锐感知能力。

这背后，离不开一项关键的视觉技术突破——高分辨率网络（HRNet）。]]></description><category></category></item><item><title><![CDATA[基于深度引导学习的快速多曝光图像融合方法]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/155808020</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/155808020</guid><author>moonpac</author><pubDate>Thu, 11 Dec 2025 10:25:09 +0800</pubDate><description><![CDATA[​针对任意空间分辨率和曝光次数的静态图像序列，本文介绍一种快速多曝光图像融合(MEF)方法，即MEF-Net。与传统的MEF方法不同，MEF-Net通过在全分辨率训练序列数据库上优化感知校准MEF结构相似性(MEF-SSIM)索引来进行端到端训练。]]></description><category></category></item><item><title><![CDATA[蒙帕视角丨图像高效端到端目标检测]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/153682909</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/153682909</guid><author>moonpac</author><pubDate>Tue, 21 Oct 2025 11:13:05 +0800</pubDate><description><![CDATA[在模型的热图中，小物体的热度值更高，这表明该模型能够更有效地捕捉这些小物体的特征。该框架包括具有频率增强模块的多尺度特征融合，该模块在不同尺度上捕获空间和频率信息。通过三个组件增强了该模型，即带频率增强的多尺度特征融合、以频率为重点的下采样以及语义对齐与校准。傅里叶变换（FFT）：将输入特征图转换到频域，分离高频（边缘、纹理）与低频（背景、主体）成分。逆傅里叶变换（IFFT）：将增强后的频域特征转换回空间域，生成细节更丰富的特征图。分支1（空间保留）：使用3x3卷积（步长2）压缩特征图，保留空间结构。]]></description><category></category></item><item><title><![CDATA[FunASR：面向产业落地的端到端语音识别系统]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/151997083</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/151997083</guid><author>moonpac</author><pubDate>Tue, 23 Sep 2025 13:41:31 +0800</pubDate><description><![CDATA[而蒙帕机器人通过集成 FunASR 的流式语音识别与端点检测（VAD）能力，支持“边说边识别”的自然对话模式，运维人员可随时通过语音指令查询设备温度、环境情况、告警状态等关键信息，实现“即问即答”的高效交互体验。未来，蒙帕将持续深化与前沿语音技术的融合，拓展语音指令控制、异常语音告警识别等新功能，打造真正具备“听、看、判、报”一体化能力的下一代智能巡检终端。同时，通过模型轻量化与本地化部署，确保语音处理全程在边缘端完成，无需联网，兼顾低延迟与数据安全性，满足数据中心对稳定性和隐私保护的严苛要求。]]></description><category></category></item><item><title><![CDATA[二维码辅助回桩之二维码重定位]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/151784043</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/151784043</guid><author>moonpac</author><pubDate>Wed, 17 Sep 2025 09:39:16 +0800</pubDate><description><![CDATA[通过坐标系转换，可以用二维码在地图中的位姿与二维码在机器人坐标系中的位姿的逆相乘则得到了当前时刻机器人在地图中的位姿。至此便得到了二维码相对于相机的位姿信息，再通过坐标转换到机器人坐标系下，便得到了二维码相对于机器人坐标系的位姿信息。通过将二维码相对于相机的坐标系进一步转换到相对于地图坐标系的位姿，这一步便得到了二维码在地图坐标系下的位姿。上篇介绍了基于二维码识别方法，本章介绍将基于Apriltag的二维码位姿识别与基于自适应粒子滤波的定位方法相结合可以实现基于二维码的重定位效果。图2 发布重定位位姿。]]></description><category></category></item><item><title><![CDATA[二维码辅助回桩之二维码识别]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/151783970</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/151783970</guid><author>moonpac</author><pubDate>Wed, 17 Sep 2025 09:36:46 +0800</pubDate><description><![CDATA[其中摄像机的坐标系是相对于世界坐标系的，图像坐标系是摄像机拍摄的平面图形的坐标系，而Apriltag标签的坐标系则是相对于世界坐标系的固定位置。二维码可以提供高精度的位置信息，机器人通过识别二维码可以精确调整自身的位置和姿态，以满足回桩的精度要求。最后，由于Apriltag的二维码具有四个角点，通过精确检测二维码的四个角点，能够确定二维码的位置和方向。利用已知的Apriltag标签的顶点坐标和其在图像中的投影坐标，通过求解单应矩阵H来建立图像坐标系和Apriltag标签坐标系之间的关系。]]></description><category></category></item><item><title><![CDATA[从“脚本式”到“会思考”：VLA技术能否重塑机房巡检机器人的未来？]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/151783841</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/151783841</guid><author>moonpac</author><pubDate>Wed, 17 Sep 2025 09:35:13 +0800</pubDate><description><![CDATA[当前VLA技术尚未形成统一的技术范式，VLA技术虽展现出解决复杂交互任务的巨大潜力，但在实际应用中仍面临诸多挑战，如模型的泛化能力、计算资源需求以及对非结构化数据的理解等。通过这种多模态融合，机器人不再只是机械地执行命令，而是能真正“理解”人类的语言指令，并根据所见环境做出判断和行动，实现从“感知”到“决策”再到“执行”的闭环。通过持续的技术积累与工程实践，我们致力于推动巡检机器人从“任务执行者”向“环境理解者”演进，在确保系统稳定性的前提下，稳步提升智能化水平，为未来更高阶的自适应运维能力奠定基础。]]></description><category></category></item><item><title><![CDATA[蒙帕视角|基于深度相机的物体检测]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/148633648</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/148633648</guid><author>moonpac</author><pubDate>Fri, 13 Jun 2025 15:18:07 +0800</pubDate><description><![CDATA[随着深度相机技术（如结构光、ToF、双目立体视觉）的突破，其能够实时获取RGB-D数据，直接提供物体三维坐标信息，为解决上述问题提供了关键硬件基础，本文将基于深度相机的物体检测进行相关介绍。接着进行边界框的拟合，圆形和四方形的拟合检测，获取对应边界坐标及顶点坐标计算最短边界，并计算其法向量得到y轴法向量后得到具体的点云块物体坐标系转化四元。蒙帕机器人通过深度相机的物体的采集，检测到物体的坐标系、姿态及物体颜色等信息，有效提高了深度相机在复杂场景中的识别精度，从而为后续机械臂抓取做充分准备。]]></description><category></category></item><item><title><![CDATA[Paraformer语音模型：一种语音模型加速方法]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/148342312</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/148342312</guid><author>moonpac</author><pubDate>Fri, 30 May 2025 17:36:10 +0800</pubDate><description><![CDATA[根据模型输入的要求，创建一个符合模型输入维度的虚拟张量（dummy tensor）。随着智能语音技术的普及，语音识别（ASR）、语音合成（TTS）、声纹识别等应用场景对模型推理效率提出了极高要求，本文介绍将Paraformer语音模型从预训练模型导出为ONNX格式，并使用ONNX Runtime进行推理的过程。对于ONNX模型，使用onnx_simplifier库下的optimize方法来实现剪枝：首先遍历计算图中的所有节点，找到不需要剪枝的节点（例如输入节点、输出节点、常量节点等），对其他节点进行剪枝；]]></description><category></category></item><item><title><![CDATA[蒙帕视角|Transformer：AI大模型的基石（五）]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/148004882</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/148004882</guid><author>moonpac</author><pubDate>Fri, 16 May 2025 13:28:27 +0800</pubDate><description><![CDATA[从最初的 GPT-1 到如今支持多模态的 GPT-4o，GPT 系列不仅展示了生成型语言模型的强大潜力，也逐步拓展了 AI 在对话、创作、代码生成等领域的应用边界。这表明，增加模型的层数（以及每层的维度大小，即d_model）是提升模型性能的一种有效策略，这一策略在GPT-2、GPT-3和GPT-4等模型中得到了应用。从BERT的双向理解，到GPT的强大生成，再到DeepSeek的高效创新，每一步都在推动着AI技术的边界，赋予机器更深刻的理解与创造力。GPT-1采用了Transformer的解码器部分。]]></description><category></category></item><item><title><![CDATA[蒙帕视角|Transformer：AI大模型的基石（四）]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/147517559</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/147517559</guid><author>moonpac</author><pubDate>Fri, 25 Apr 2025 17:24:30 +0800</pubDate><description><![CDATA[尽管后来的 GPT、DeepSeek 等模型在生成能力或效率上进一步拓展了边界，但 BERT 的双向理解和预训练-微调范式依然是许多实际应用中的核心工具。微调是指在预训练模型基础上，针对特定任务进行额外的训练，以提高模型在该任务上的表现。"我喜欢吃苹果，因为它____甜。从情感分析到问答系统，从命名实体识别到句子推理，BERT 展现出了强大的通用性和适应性，为后来的大规模语言模型奠定了基础。正如超级英雄各有所长，BERT 以它的独特方式，继续在语言理解的世界中发光发热，成为推动 AI 进步的重要力量。]]></description><category></category></item><item><title><![CDATA[蒙帕视角|Transformer：AI大模型的基石（三）]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/146566481</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/146566481</guid><author>moonpac</author><pubDate>Thu, 27 Mar 2025 17:21:31 +0800</pubDate><description><![CDATA[同时，DeepSeek借助量化技术，将原本高精度的模型参数转换为低精度格式，这不仅大幅减少了模型的存储空间，还显著降低了计算成本。针对这一问题，DeepSeek提出了创新性的多头潜在注意力（MLA）机制，通过低秩压缩技术处理键值对，利用潜向量高效压缩的方式，不仅显著降低了内存占用，还实现了性能的整体提升。DeepSeek基于此提出了更优化的架构设计，通过将传统的前馈网络替换为MoE层，并采用精细的专家分工和共享机制，成功实现了计算效率与模型性能的双重提升。图2 DeepSeek-V3基本架构的示意图。]]></description><category></category></item><item><title><![CDATA[蒙帕视角|Transformer：AI大模型的基石（二）]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/146398336</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/146398336</guid><author>moonpac</author><pubDate>Thu, 20 Mar 2025 15:23:03 +0800</pubDate><description><![CDATA[Self-Attention是Transformer最核心的内容，简单解释为输入向量的每个单词学习一个权重，例如在下面的例子中我们判断‘‘它’’代指的内容，在句子“我有一只小猫，我很喜欢它胖乎乎的肚皮”中，为了理解代词“它”，模型需要从句子中的其他词（如“小猫”）获取信息。自注意力层的输出被送入一个前馈神经网络。在自注意力机制中，计算 Query、Key 和 Value 矩阵的过程是通过将输入的嵌入（embeddings）组织成一个矩阵X，然后与训练好的权重矩阵 WQ，WK，WV相乘来实现的。]]></description><category></category></item><item><title><![CDATA[蒙帕视角|Transformer：AI大模型的基石（一）]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/146100419</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/146100419</guid><author>moonpac</author><pubDate>Fri, 07 Mar 2025 17:11:42 +0800</pubDate><description><![CDATA[通过编码器和解码器的协同作用，Transformer能够高效地捕捉输入序列的语义和上下文信息，并生成高质量的输出序列。举个简单的机器翻译的例子，输入模型的句子为 “我是一个学生” 经过Transformer的编解码器之后，输出首先生成“ I ”,然后生成“ am ”,接着生成“ a ”,最后生成“ student ”，完成了翻译。在编码器的每一层，每个词向量都会通过自注意力机制，计算与其他词的关系，并生成一个新的向量。解码器的作用是根据编码器的输出表示和当前已生成的目标序列，逐步生成目标序列的下一个词。]]></description><category></category></item><item><title><![CDATA[蒙帕视角：LDM时序预测算法解析]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/145601663</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/145601663</guid><author>moonpac</author><pubDate>Wed, 12 Feb 2025 23:06:01 +0800</pubDate><description><![CDATA[为了进行尺度间的交互，将每个尺度序列的seasonal项按照从下到上（bottom-up）的方式进行信息融合，将每个尺度序列的trend项按照从上到下（top-down）的方式进行信息融合。该算法结合Logsparse稀疏建模、可分解结构和多尺度分析，能够有效处理包含周期性和非平稳性特征的复杂KPI数据，克服长序列数据的计算效率瓶颈，同时精准捕捉复杂的时间模式，提高预测的准确性和模型的可解释性。下图1是该算法模型的结构图。自注意力分数揭示了序列内部元素之间的相关性，这是理解和处理序列数据时至关重要的信息。]]></description><category></category></item><item><title><![CDATA[机房巡检机器人指示灯双目检测技术]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/145152767</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/145152767</guid><author>moonpac</author><pubDate>Wed, 15 Jan 2025 09:17:55 +0800</pubDate><description><![CDATA[指示灯检测是数据中心机房巡检过程中的重要一环，然而由于机柜网格遮挡，机房巡检机器人在对指示灯数据进行传统单目检测时，会存在部分有效信息无法被模型检测出来，进而导致目标丢失的问题。为提升初始估计鲁棒性，将右图检测结果按行进行分组，再根据左图检测结果对每组进行初始视差估计。对只有1个检测结果的组，认为其视差估计是不可靠的，根据阈值输出的视差可能不止1个。如上图测试1和测试2所示，通过应用指示灯双目检测技术，巡检机器人能够在原有指示灯检测的基础上识别到被机柜网孔遮挡的指示灯，有效提高了指示灯识别率。]]></description><category></category></item><item><title><![CDATA[蒙帕视角：故障预防实践与技术解析]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/144431093</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/144431093</guid><author>moonpac</author><pubDate>Thu, 12 Dec 2024 17:05:04 +0800</pubDate><description><![CDATA[处理建议，根据当前障碍预防的资源类型对应知识库知识分类，知识名称对应知识名称，关联原因对应知识关键字，例如当前障碍为数据存储，按规范创建知识内容，进行映射关联。蒙帕基于多年故障预防实践及经验，在进行障碍预防配置时，权重范围由轻到重、宽泛设置判断条件指标、通过多个综合指标去定义一个可能发生的潜在故障，从而帮助用户发现一些潜在故障，提前处理预防故障的发生。因此，蒙帕通过增加针对故障预防支持的指标通过算法来识别单个指标值是否存在异常，结合算法判断出的结果进行评估是否存在潜在故障，达到故障预防的目的。]]></description><category></category></item><item><title><![CDATA[数据中心机房指示灯增强检测算法]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/144271635</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/144271635</guid><author>moonpac</author><pubDate>Thu, 05 Dec 2024 17:21:06 +0800</pubDate><description><![CDATA[切片推理器参数包括模型，切片大小，重合度，后处理器。指示灯检测是数据中心机房日常巡检过程中的重要一环，但实际检测过程中，普遍存在成像目标过小，亮度暗，颜色、形状与训练数据偏差大，导致无法被模型检测到进而目标丢失的问题。所有参数配置好后就可以进行推理，因为不同模型输出结果格式不一样，所以需要对结果进行整形，使所有模型都有统一的输出格式。蒙帕指示灯增强检测技术对图像切片、推理、结果融合，进行封装，对外展示的接口与之前检测方法类似，便于现有代码修改。1、左侧是正常检测结果，右侧是增强检测结果，红圈标出差异。]]></description><category></category></item><item><title><![CDATA[蒙帕数据同步实践：Flink CDC实现Zabbix到Prometheus的数据同步]]></title><link>https://blog.youkuaiyun.com/moonpac/article/details/143840818</link><guid>https://blog.youkuaiyun.com/moonpac/article/details/143840818</guid><author>moonpac</author><pubDate>Sun, 17 Nov 2024 23:10:00 +0800</pubDate><description><![CDATA[蒙帕当前的技术架构中使用了 Zabbix Agent 来采集指标数据，鉴于 Prometheus 近年来的迅猛发展，以及在监控领域的广泛应用， 计划将Zabbix采集到的数据同步到Promtheus的时序数据库，以支持后续的业务需求。即使在高负载或部分节点故障的情况下，系统依然能够稳定运行，保证了数据同步的连续性和一致性，提升了系统的可靠性和可用性。相比于定时查询，Flink CDC 直接从 binlog 中获取数据变更，避免了频繁的全量或增量查询，显著减轻了 MySQL 的查询压力，保护了数据库的性能。]]></description><category></category></item></channel></rss>