XiaoMi-AI文件搜索系统
World File Search System视觉的
职位描述：项目助理 - 使用计算机视觉的2D零件检查
精通Python和计算机视觉库，例如OpenCV，TensorFlow或Pytorch。图像处理技术和机器学习算法的经验。相机校准，原型制作和单板计算机（SBC）的知识。
基于机器视觉的DC断路器中开放运动特征的检测
牙菌菌生物膜内链球菌与白色链球菌之间的生态相互作用是驱动龋齿发病机理的重要因素。这项研究旨在调查s。mutans c。白色疾病的生长和通过细胞外膜囊泡（EMV）和泛素化调节（一种关键蛋白转化后修饰）的调节。我们建立了一个Transwell共培养模型，以实现s之间的“联系 - 独立”相互作用。mutans and c。白色唱片。s。mutans eMV与c直接关联。白色念珠菌细胞并促进生物膜的形成和生长。Quantertative泛素化分析显示了s。Mutans极大地改变了c。白色唱片。我们确定了整个c的10,661个泛素化位点。白色唱片蛋白质组及其在与翻译，代谢和应激适应性相关的途径中的富集。与s共同培养。突变导致对糖分解代谢和减少功率产生的398种蛋白质上的泛素化上调。s。mutans上调了c的超氧化物歧化酶3。白色念珠菌，诱导其降解和高度增强的活性氧水平，并同时刺激c。白色唱片的生长。我们的发现阐明了EMV和泛素化调制，作为控制s的关键机制。mutans-c。白色唱片相互作用，并为促进性口服生物膜环境提供新的见解。这项研究显着提高了对牙齿斑块营养不良和龋齿发病机理基础的复杂分子相互作用的理解。
基于计算机视觉的实时识别桥梁结构性健康监测的车辆负载
摘要：各种加载条件的耦合效应可能会导致偏转，定居点甚至在服务桥梁的失败。不幸的是，尽管它是最关键的负载之一，但通过桥梁监控系统目前为可持续操作，很难实时捕获行驶车辆的加载条件。要充分了解桥梁的状态，必须在动态的交通环境中获得瞬时车辆负载分布。尽管有一些可以识别超重车辆的方法，但捕获的车辆相关信息却分散且不完整，因此无法支持有效的桥梁结构性健康监测（BSHM）。本研究提出了一种基于视觉的非接触式方法，用于识别车辆负载，以实时监测桥梁结构健康。该提出的方法由四个主要步骤组成：（1）使用Yolov7为车辆建立双对象检测模型，（2）在桥面上开发一个混合坐标转换模型，（3）为移动车辆的实时轨迹监视的多对象跟踪模型，以及（4）建立级别融资模型的车辆和位置，并为车辆的负载和位置确定型号和位置。所提出的方法有效地可视化3D时空车辆载荷分布，速度低30fps。结果表明，混合坐标转换可确保车辆位置误差在1 m以内，与传统方法相比降低了5倍。轴距是通过双对象检测和转换来计算的，是车辆位置校正的主要参考。与传感器测得的速度相比，保留了车辆的轨迹和实时速度，平滑速度误差均低于5.7％。作者设想所提出的方法可以构成一种新的方法来进行实时的服务桥梁。
基于视觉的情况图利用基于语义实体的集成基金标记
情境图（S图）合并了通过同时定位和映射（SLAM）将3D场景图的接近的几何模型合并到多层联合优化因子图中。作为一种优势，S-graph不仅是通过将几何图与一个图中的各种层次组织的语义界面及其拓扑关系相结合，因此更全面的机器人情境意识，还可以改善本地化的性能，并通过Exploit-exploit-exploit-neploit-neploit-opploit-依靠语义信息绘制。在本文中，我们介绍了基于视觉的S-Graphs版本，其中使用传统的视觉猛击（VSLAM）系统用于低级功能跟踪和映射。此外，该框架利用了ducial标记的潜力（可见以及我们最近引入的透明或完全看不见的标记）来编码有关环境及其内部对象的全面信息。标记有助于识别和绘制结构性的语义实体，包括环境中的墙壁和门，在全球参考中具有可靠的姿势，随后与包括走廊和房间在内的高级实体建立了有意义的关联。然而，除了包括语义实体外，还利用了公爵标记物施加的语义和几何约束来提高重建的地图的质量并减少本地化错误。使用腿部机器人收集的实际数据集上的实验结果表明，我们的框架在制作更丰富的多层分层图方面表现出色，并同时增强了机器人姿势精度。
在基于视觉的端到端驾驶政策中学习稳定性的关注
今天的端到端学习系统可以学会从感知中明确推断控制。很难保证这些系统的稳定性和鲁棒性，因为它们通常是针对非结构化，高维且复杂的观察空间的（例如，来自像素输入流的自动驾驶）。我们建议利用控制控制的Lyapunov功能（CLFS）为基于端到端视觉的策略配备具有稳定性的策略，并在CLFS（ATT-CLF）中引入稳定性注意力，以解决环境变化并提高学习灵活性。我们还提出了一种不确定性传播技术，该技术被紧密整合到ATT-CLF中。我们通过与经典的CLF，模型预测控制以及在光真实的模拟器和实际的全尺度自动驾驶汽车中进行比较，证明了ATT-CLF的有效性。关键字：端到端学习，稳定性，自主驾驶
开发具有计算机视觉的POS系统的自动零售结帐
销售点（POS）是一种计算机化的硬件和软件系统，可用于完成销售交易。在处理总计之前，在常规POS设置中，收银员手动扫描单个产品条形码。此手动程序很费力，通常会导致长期排队和等待时间，尤其是在高峰时段，最终影响了客户体验和保留。这项工作旨在通过计算机视觉方法自动化产品扫描程序，从而加快了销售流程。在马来西亚零售店中发现的常见产品的自定义数据集上训练了一个有效的Yolov4对象检测模型。最初获取了550张图像，并将80:20分为培训和验证组；进一步的增强培训组的大小增加了1,320张图像。以0.0013的学习率进行了10,000个时期的训练。在训练期间，该模型获得了99.19％的地图，平均IOU的87.42％，平均损失为0.40。随后，该模型被部署在运行事务通知程序的低功率单板计算机上。为了评估其性能，使用该系统处理了10种具有随机产品组合的购物车实例。系统通过其视频供稿自动识别和量化了所有产品，并实时生成逐项账单。以0.9置信度阈值固定，系统在所有对象类中产生98％的平均精度。在短短14秒内处理了从产品检测到将逐项账单交付给系统管理员的交易。此POS系统具有与无人商店集成的潜力，可提供无缝的购物体验。
使用 Unitree A1 四足机器人构建基于视觉的 AI 演示器
展示人工智能 (AI) 能力的挑战之一是找到有效的方式来以切实的方式展示其能力。在本文中，我们使用 Unitree A1 四足机器人展示了一个基于视觉的 AI 演示器。该演示器旨在供苏黎世应用科技大学人工智能中心 (CAI) 使用，以在现实环境中展示 AI 的能力，例如展览。为了实现这一点，我们开发了一个应用程序，允许机器人响应四种特定的手势。该软件从机器人的集成摄像头接收实时图像，并利用 MediaPipe 框架进行手部跟踪和界标点生成，这些界标点实时显示在远程 PC 上。我们根据 3768 个手势记录训练的逻辑回归模型随后会检测站在机器人前面的用户做出的手势。该模型与机器人的系统进行通信，允许通过用户界面控制其检测和姿势。在我们的实验室测试中，机器人展示了每个手势的平均准确率为 91%。然而，我们发现在强光或弱光环境中，机器人的性能不太可靠，准确率仅为 70%。为了提高机器人在这些条件下的性能，我们建议实施额外的算法或微调 MediaPipe 管道。总的来说，我们的演示器为 CAI 部门提供了一个展示 AI 的宝贵工具，因为它允许观众使用直观的手势与机器人互动，并通过观察机器人的即时反应来亲身体验 AI。
关于帮助和指导视障人士的人工智能和基于视觉的方法的最新进展的调查
方法 % 至论文参考。到论文 SLAM 16.7 [ 19 , 26 , 29 , 38 , 40 ] 编码器/解码器 16.7 [ 22 , 28 , 40 , 46 , 48 ] RANSAC 16.7 [ 23 , 24 , 26 , 29 , 47 ] A* 16.7 [ 19 , 25 , 26 , 29 , 30 ] 卡尔曼滤波器 16.7 [ 23 , 25 , 26 , 30 , 39 ] YOLO 16.7 [ 32 , 33 , 35 , 42 , 45 ] VGG 13.3 [ 25 , 28 , 36 , 44 ] Inception 10 [ 37 – 39 ] 特定算法 20 [ 28 , 30 , 41 , 42 , 47 , 48 ]
基于计算机视觉的自适应半自治控制四肢的个体上肢外骨骼
摘要：我们建议使用计算机视觉对上肢外骨骼进行自适应半自治控制，以帮助患有严重四方的用户增加独立性和生活质量。将基于舌的界面与半自主控制一起使用，因此，尽管从颈部瘫痪，但具有完全四倍体的人能够使用它。半自主控制使用计算机视觉来检测附近的物体，并估算如何掌握它们以帮助用户控制外骨骼。测试了三个控制方案：非自主（即使用舌头的手动控制）对照，半自主控制具有固定自治水平的，以及具有基于结合的适应性自治水平的半自主控制。进行了有或没有四肽的实验参与者的研究。根据其性能，对控制方案进行了评估，例如完成给定任务所需的时间和命令数以及用户的评分。研究表明，当使用任何一种半自主控制方案时，性能和用户评分都有明显的改善。自适应半自主控制在某些情况下，在更复杂的任务中，在使用该系统方面进行了更多培训的用户，在某些情况下，固定版本优于固定版本。
折叠至：对机器人和无人机的深度学习技术和计算机视觉的调查
摘要。在万伦大都会地区，城市森林（UFS）在提供景观服务方面起着至关重要的作用，尤其是在巴巴卡·西里瓦吉（Babakan Siliwangi）城市森林（BSUF）内。BSUF目前正面临多重发展挑战，需要科学证据来阐明其在万隆城市景观中的作用。这项研究分析了BSUF在碳存储，碳固存和氧气产生中的功能，并制定了管理建议以提供最佳的未来收益。在14个样本图中进行了数据收集，并使用I-Tree Eco来分析景观服务并根据计划的种植预测未来的植被结构。调查结果表明，（1）BSUF具有较高的树木多样性，鉴定出3.3香农指数和41种树种； （2）它储存381吨碳，每年隔离25.17吨碳，每年产生65.07吨的氧气； （3）为了提高未来30年的景观服务价值，每年必须至少种300棵树。这些结果表明了BSUF的重要性以及树木多样性在维持UF提供的景观服务中的重要性。此外，这项研究介绍了I-Tree Eco作为进行植被分析的宝贵工具，可帮助利益相关者监视和制定改进的景观管理策略。