基于深度学习的焊缝质量检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本视频演示了一套基于YOLO算法的焊缝质量检测系统，包含用户登录、注册、多模态检测等功能模块。系统支持图片、视频及实时检测，具备结果保存和模型切换能力。技术栈采用Python3.10+PyQt5+SQLite，集成YOLOv5/v8/v11/v12多版本模型。实验表明，YOLO12n在COCO数据集... ...
高光谱成像基础（十二）光谱重建（Spectral Reconstruction）
在前面的内容里，我们已经围绕高光谱数据的降维、检测与解混展开了很多方法。 这些方法其实都有一个共同点： 它们都假设光谱数据是“已知且完整”的。 但在实际应用中，这个假设往往并不成立。 例如传感器只能采集少量波段、成像设备成本或带宽受限、数据存在缺失或严重噪声或者仅有 RGB 图像，却希望获得高光谱信 ...
高光谱成像基础（十一）异常检测算法 RX 与 KRX
在上一篇中，我们简单了解了提取端元光谱的基础方法，从而可以应用在我们前面介绍过的 MF 和 ACE 等经典高光谱目标检测方法中。这类方法的共同特点在于：需要预先给定目标光谱 \(\mathbf{s}\)，再通过不同的判别准则衡量像素与目标之间的匹配程度，从而实现目标检测，我们称之为目标检测算法。 但 ...
从直觉到算法：贝叶斯思维的技术底层与工程实现
当你的朋友推荐餐厅时，你已经在进行贝叶斯推理——只是你没意识到而已 引言：为什么82%的医生会答错？ 在医学教育中有一个经典案例：当医生们面对乳腺癌筛查问题时，82%的人给出了错误答案。 问题是这样描述的：1%的女性患有乳腺癌，筛查测试的灵敏度为80%（真阳性率），假阳性率为9.6%。 如果一位女性 ...
基于深度学习的大棚黄瓜检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本文介绍了基于YOLO算法的黄瓜检测系统，该系统集成了YOLOv5/v8/v11/v12四种模型，提供多模态检测、结果保存和模型切换等功能。系统采用Python3.10+PyQt5+SQLite技术栈，支持用户管理、数据可视化等交互操作。通过对比测试，YOLO12n在精度上表现最优（mAP40.6%... ...
高光谱成像基础（十）基于 LMM 的端元提取
在上一篇中，我们已经介绍了光谱解混的基本思想。光谱解混通常以 LMM 为基础模型，其一个像素的光谱被表示为多个端元光谱的线性组合： \[\mathbf{x} = \sum_{i=1}^{p} a_i \mathbf{s}_i + \mathbf{n} \]\(\mathbf{s}_i\) 就是第 \ ...
Vision Transformer (ViT) 技术解析
论文：[2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 概述 Vision Transformer (ViT) 将标准 Transformer 架构直接应用于图像分类任务。模 ...
高光谱成像基础（九）光谱解混基础
在之前的内容中，我们已经介绍了 LMM 的基本思想及其相关概念。根据这一模型，高光谱图像中每个像素的观测光谱都可以表示为若干端元光谱的线性组合。 而在此基础上，MF 和 ACE 这类高光谱目标检测算法，其实可以看作 LMM 的一种特殊应用形式。这类方法通过估计背景像素的统计特性，构建针对目标光谱的滤 ...
基于深度学习的工程车辆检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本文介绍了一个基于YOLO算法的工程车辆检测系统，该系统融合了YOLOv5/v8/v11/v12等多种模型，能高效识别复杂场景中的工程车辆。系统具备用户管理、多模态检测（图片/视频/摄像头）、结果保存导出等功能，并支持模型切换。技术分析显示YOLOv12精度最高（mAP40.6%），YOLOv11速... ...
深度学习笔记-《动手学习深度学习》
本笔记是作为复试应对面试回答做的一些笔记，后期还要去读一些论文加深理解，参考书为《动手学习深度学习》 作为一个研究者，我需要去读很多的文章，去总结很多不同的优秀的研究者对这个世界的认识，然后形成自己独特的观点是很重要的 读论文 读论文的过程：Abstract、Introduction（讲个故事，我们 ...
基于深度学习的井盖破损检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
随着深度学习技术的飞速发展，基于计算机视觉的自动化检测方案已成为解决这一痛点的关键突破口。今天，我们就将目光聚焦于这一前沿应用，为大家详细介绍一套基于 YOLO 算法的井盖破损检测系统。这套系统深度融合了最新的 YOLOv12 及其他多版本目标检测模型，能够精准、快速地识别井盖的多种异常状态，旨在为... ...
更准、更快、更易用！时序数据库 TimechoDB 协变量预测能力详解
在工业级时序预测场景中，精准的趋势研判往往是业务决策的重要依据。然而，传统单变量预测模式很难完整描述真实系统中的复杂关系。 例如在电力系统中，电价不仅与历史价格序列相关，还受到温度、风速、节假日以及能源结构等多种因素影响。在制造、交通和能源等领域，类似的多变量耦合关系普遍存在。 因此，随着时序数据规 ...
高光谱成像基础（八）自适应余弦估计器 ACE
在前面的内容里，我们已经介绍了 MF，并通过线性光谱混合模型解释了其中参数 \(\alpha\) 的物理含义。 与之前的 SAM 不同，MF 不再只是单纯比较光谱之间的几何角度，而是 利用背景协方差矩阵来建模背景统计特性，从而构造一个针对目标光谱的最优线性滤波器，使目标像素在输出中的响应尽可能大，而 ...
高光谱成像基础（七）线性光谱混合模型 LMM
在上一篇中，我们介绍了 MF。在其推导过程中，我们对像素进行了如下建模： \[\mathbf{x} = \mathbf{a} \mathbf{s} + \mathbf{b} \]当时，我们解释这种建模可以分离目标信号和背景信号，直观来看，这个公式的逻辑就是： \[像素光谱=目标光谱+其他干扰 \]但 ...
基于深度学习的茶叶病害检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本文介绍了一套基于YOLO算法的茶叶病害智能检测系统。该系统支持8类茶叶病害与虫害识别，集成YOLOv5/v8/v11/v12多版本模型，提供图片、视频及实时摄像头的全场景检测功能。系统采用PyQt5开发，具有用户登录、多模态检测、结果保存与模型切换等实用功能。技术分析显示，YOLO12n模型表现最... ...
高光谱成像基础（六）滤波匹配 MF
在前面的几篇文章中，我们已经逐步介绍了高光谱图像分析中的一些基础方法，主要围绕 如何降低高光谱数据的维度 和 如何处理或抑制数据中的噪声 两个核心问题展开。 这些步骤本质上都是在为后续更高层的任务做准备，例如：地物分类、异常检测以及目标检测等。 在实际应用中，我们往往并不需要对整幅图像进行完整分类， ...
基于深度学习的灭火器检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本文介绍了一套基于YOLO算法的智能灭火器检测系统。该系统支持图片、视频和实时摄像头检测，适配YOLOv5/v8/v11/v12四种模型，具备置信度调节、语音提醒和数据导出功能。技术栈采用Python3.10+PyQt5+SQLite，通过模型对比显示YOLO12n精度最高（mAP40.6%），YO... ...
高光谱成像基础（五）高光谱成像的噪声估计
在上一篇中，我们介绍了最小噪声分数变换 MNF，它在 PCA 基础上引入噪声建模的一种改进降维方法，但我们也提到了:MNF 依赖噪声估计，其效果很大程度依赖噪声协方差矩阵的估计，如果噪声估计不准确，降维效果可能明显下降。 换句话说，噪声估计的质量，直接决定了 MNF 的最终效果。 因此，如果希望在高 ...
基于深度学习的管道缺陷检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
本文介绍了一套基于YOLO系列算法的管道缺陷检测系统，该系统支持图片、视频、批量文件和实时摄像头检测，具有动态置信度调节、语音报警、数据可视化和结果导出等功能。系统采用PyQt5前端界面和SQLite数据库，支持多模型切换（YOLOv5至v12），其中YOLO12n精度最高（mAP40.6%），YO... ...
高光谱成像基础（四）最小噪声分数变换 MNF
在上一篇中，我们介绍了 PCA ，其通过寻找方差最大的方向来压缩数据维度，在保留主要信息结构的同时减少计算量。 同时，我们也提到，PCA 是数据分析和机器学习领域中一种通用的高维数据降维方法，高光谱成像只是它的一个典型应用场景。 但正如神经网络从最初的前馈网络逐渐发展出针对图像数据的卷积网络以及针对 ...
