XiaoMi-AI文件搜索系统
World File Search System视觉检测
通过Microwave
摘要：玻璃纤维增强聚合物（GFRP）被广泛使用，并在现代社会中起着重要作用。GFRP的多层结构可以导致生产和服务过程中的分层缺陷，这可能会对设备的完整性和安全性产生重大影响。因此，在设备服务过程中监视这些分层缺陷很重要，以评估它们对设备性能和寿命的影响。微波成像测试具有高灵敏度和非接触性质，显示出有望作为检测GFRPS中分层缺陷的潜在方法。然而，目前，关于该场中缺陷图像的定量表征的定量表征有限。为了实现视觉定量非损害测试（NDT），我们提出了与GFRP中分层缺陷的2D成像可视化和定量表征方法，并实现了视觉检测和定量检测的组合。我们构建了一个微波测试实验系统，以验证所提出的方法的有效性。实验的结果表明该方法的有效性和创新能力可以有效地检测GFRP内部0.5 mm厚度的所有分层缺陷，其准确性很高，2D成像的信噪比（SBR）可以达到4.41 dB，位置的定量误差在0.5 mm内，并且区域内的相对误差在0.5 mm之内，相对误差为11％。
人工智能在动物营养与饲料科学中的应用
摘要：人工智能技术作为新兴技术革命和畜牧业革命的重要力量，在我国畜牧业数字化、信息化、智能化进程中发挥着至关重要的作用。人工智能技术的应用涵盖动物饲料配方与生产管理、动物饲养环境监测与调控、动物健康管理等多个领域，并已取得初步成效。人工智能通过大数据分析和机器学习算法实现精准饲料配方，提高营养水平和生产效率；利用传感器和物联网技术对饲养环境进行实时监测与调控，改善动物生长环境；利用生物识别技术实现动物健康监测预警，提高管理水平。目前，智能监测技术已应用于放牧羊福利研究，主要包括音频分析、视觉检测、行为监测、行为特征识别、卫星定位、无人机巡航等关键技术。尽管智慧畜牧面临多视角、多尺度、多场景、小样本等挑战，但人工智能技术在畜牧业的应用显著提高了生产效率和管理水平，相比传统技术优势更加显著。
![arxiv：2406.09201v3 [CS.CV] 2024年6月21日](/simg/3\320ae63d161446b01044352944f9cd48014236d4.webp)
arxiv：2406.09201v3 [CS.CV] 2024年6月21日
当前使用广泛使用的对象检测数据集，例如Coco [23]，Objects365 [32]和OpenImages V4 [19] [19]，提供大量图像和类别，仍然具有有限的词汇。这些数据集的有限词汇限制了班级检测器的训练潜力，因为理想的检测器应该能够识别培训集外的新类别。即使是LVIS [16]（例如LVIS [16]）的大型词汇检测数据集，就类别的数量和多样性而言，也无法完全代表现实世界的复杂性。V3DET为研究社区提供了一个大型的对象检测数据集，该数据集可以加速对更通用的视觉检测系统的探索。基线级联结构非常适合处理V3DET数据集的分层类别结构。使用常见的检测改进策略，我们将监督轨道I视为具有复杂标签的传统对象检测任务。通过改善特征金字塔网（FPN）结构，我们希望网络可以有效地学习更深入的语义信息。此外，我们通过调整损失函数来构成标签。
AG 30. 基于机器视觉的除草点喷洒
甘蔗产业的自动精准除草点喷洒技术有望提高产量，同时减少除草剂的使用。然而，基于杂草光学特性感知的商用技术通常仅限于检测土壤背景下的杂草（即检测棕色上的绿色），不适合检测生长中的作物中的杂草。机器视觉和图像分析技术可能使叶子的颜色、形状和纹理能够区分植物种类。国家农业工程中心 (NCEA) 开发了一种基于机器视觉的除草点喷洒演示装置，以甘蔗作物中的杂草 Panicum spp. (几内亚草) 为目标，这需要区分绿草杂草和绿草作物。该系统在夜间对成熟的几内亚草有效运行，但需要进一步研究使系统在更广泛的条件下运行（例如一天中的不同时间和作物生长阶段）。可能需要多光谱成像和形状分析等技术来实现更强大的杂草识别。考虑了机器视觉检测甘蔗作物中的几内亚草和其他杂草物种的影响。简介甘蔗作物中的杂草竞争会显著降低产量（Hogarth 和 Allsopp，2000 年），并可能缩短作物周期（即宿根数量）。自动化、有针对性的喷雾
使用 OPENCV 实现人工智能虚拟鼠标
鼠标是人机交互 (HCI) 技术的一项伟大发明。目前，无线鼠标或蓝牙鼠标仍然使用设备，并且并非完全摆脱设备，因为它使用电池供电并使用加密狗将其连接到 PC。在所提出的 AI 虚拟鼠标系统中，可以通过使用网络摄像头或内置摄像头捕捉手势并使用计算机视觉检测手指尖来克服这一限制。系统中使用的算法利用了机器学习算法。基于手势，可以虚拟控制计算机，并且可以执行左键单击、右键单击、滚动功能和计算机光标功能，而无需使用物理鼠标。该算法基于深度学习来检测手部。因此，所提出的系统将通过消除人为干预和对设备控制计算机的依赖来避免 COVID-19 传播。Python 编程语言用于开发 AI 虚拟鼠标系统，此外，AI 虚拟鼠标系统还使用了计算机视觉库 OpenCV。在所提出的 AI 虚拟鼠标系统中，该模型利用 MediaPipe 包来跟踪手部和手尖，同时还利用 Py input、Autopy 和 PyAutoGUI 包在计算机窗口屏幕上移动以执行左键单击、右键单击和滚动等功能。所提出的模型的结果显示出非常高的准确度，并且所提出的模型可以在使用 CPU 而无需使用 GPU 的情况下在实际应用中很好地工作。
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
案例研究：食品饮料行业的人工智能
如今，食品制造公司要想保持竞争力，就必须保持最高质量的产出和最佳的生产力。为了实现这一点，食品制造公司需要能够自动对产品进行分类，并过滤掉生产线上流经的缺陷产品。实施支持人工智能的机器视觉可以大大简化和加速这一检测过程。通过集成人工智能，自动光学检测 (AOI) 可以通过深度学习增强其功能，实现无与伦比的速度和准确性，提供人工或传统基于规则的视觉检测无法实现的一致可靠结果。 挑战 需要支持人工智能的嵌入式视觉系统来实现下一代机器视觉。为了在几毫秒内扫描大量产品图像并识别细微特征，理想的系统不仅需要高性能的 Intel® Xeon® 或 Core TM 处理器，还需要依靠强大的 GPU（图形处理单元）或 VPU（视觉处理单元）加速器来执行自动缺陷检测，而这在很大程度上依赖于图像解释和深度学习技术。此外，系统必须集成实时视觉I/O，用于连接触发器和光学传感器，并支持多个摄像头接口，以实现涉及机器视觉的各种应用。主要要求
估计国际边界的可读性
社会科学的研究人员对越来越多的机构的后果感兴趣。可能在国家之间进行协商的机构可能会在微观上产生后果，因为当地人口调整了他们的期望，甚至最终甚至最终将其行为考虑到机构规则。然而，大尺度的细粒分析测试了该机构本地机构的复杂证据很少见。本文侧重于关键机构：国际边界。使用计算机视觉技术，我们表明可以产生特定地理，验证和可复制的方式来表征边界的透明度，这意味着我们意味着能够视觉检测物理空间中国际边界的存在。我们开发和比较了计算机视觉技术，以自动估计来自世界上每个边界的627,656个图像瓷砖的可读性得分。我们评估了统计和数据驱动的计算机视觉方法，发现在一小部分人类判断的一小部分审计的视觉识别模型中，我们能够在全球范围内产生与人类可读性概念良好相符的局部知名度得分。最后，我们将这些分数解释为国家边界取向的有用近似，这一概念以前的文献用来捕获国家在边境地区进行的可见投资，以维持管辖权的领土。我们使用人类判断和五个法令验证指标来验证我们的测量策略。
基于CRISPR-CAS13A系统，为禽流感病毒建立快速的视觉检测方法
迅速，特定且敏感地检测禽流感病毒（AIV），这项研究建立了一种基于定期群散布的短palindromic重复序列（CRISPR）和CRISPR相关蛋白13A（Cas13a）的重组酶辅助扩增（RAA）的视觉检测方法。在这项研究中，根据AIV核蛋白（NP）基因的保守序列设计了特定的引物和CRRNA RNA（CRRNA）。raa技术用于放大目标序列，并通过侧流量尺（LFD）视觉检测到放大产物。评估了Raa-Crispr-Cas13a-lfd的特定峰，敏感性和可重复性。同时，使用该方法和聚合酶链反应（PCR） - 琼脂糖电泳方法检测临床样品，并计算了两种检测方法的重合速率。结果表明，RAA-CRISPR-CAS13A-LFD方法可以实现目标基因片段的特定扩增，并且可以通过LFD视觉观察到检测结果。同时，与感染性支气管炎病毒（IBV），传染性喉咙痛病毒（ILTV）和纽卡斯尔病毒病毒（NDV）没有交叉反应。灵敏度达到10 0拷贝/ µL，比PCR-琼脂糖电泳方法高1,000倍。临床测试的巧合率为98.75％，总反应时间约为1小时。在这项研究中建立的RAA-CRISPR-CAS13A-LFD方法具有快速，简单，强大的特异性和高灵敏度的优点，这为AIV检测提供了新的视觉方法。
定量光诱导荧光数字（QLF-D）在体外检测近端龋齿的验证
随着人们认识到龋齿的发生发展依赖于病理因素和保护因素之间的平衡，当病理因素占主导地位时龋齿就会发展，而当保护因素占主导地位时龋齿则可以被阻止或逆转，龋齿病变的治疗原则逐渐转向对牙釉质病变进行预防性治疗，这样病变才有机会逆转。1–3 为了实施预防性治疗，需要在早期发现龋齿病变。然而，由于龋齿的解剖位置，早期发现龋齿可能很困难，尤其是邻面龋齿。研究发现，75% 的邻面病变位于接触区，25% 位于接触区下方，这使得视觉检测变得复杂。4 因此，当弱化的边缘脊破裂并形成空洞时，通常会检测到邻面病变。5 因此，仅通过目视检查可能会低估邻面龋病的数量。射线检查是另一种检测邻面病变的常用方法，但众所周知，射线检查通常会在晚期阶段检测到龋病，而这些龋病已经超出了再矿化干预的范围。此外，使用电离辐射会使患者面临风险，因此需要考虑替代方法来检测邻面病变。由于目视检查在检测早期邻面龋病方面的表现不够，因此已经开发了增强的视觉评分系统。其中之一是国际龋齿检测和评估系统 (ICDAS)，大量研究报告称，该系统是一种准确且可重复的方法，可以检测早期病变，也可以检测病变的纵向变化。6–8