计算机视觉应用

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇计算机视觉应用范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

计算机视觉应用范文第1篇

关键词：计算机工程；视觉领域；深度学习技术

引言

计算机视觉简言之即是依靠电子设备成像来代替生物视觉系统，随后依靠提前写好的程序对获取的图像信息实施处理。该技术的短期应用目的在于完成相对简单的智能视觉工作，而深度学习技术在计算机视觉领域的应用，在很大程度上丰富了其功能，提高了识别效率，让其能够在更多行业发挥出自身价值。

1计算机视觉领域的深度学习技术

1.1图像分类中的深度学习技术

基于深度学习技术，卷积神经网络得到了进一步的发展，其应用范围也更为宽泛，例如说在图像分类中的运用。图像分析需要对图像实施扫描分析，随后对其具体类别予以划分，更加注重其整体语义。目前相对普遍进行图像分类的数据集为ImageNet，其中囊括了非常丰富的内容，存储了近1500万个图像的URL并将图像划分为数万余个类型。ImageNet每年组织开展的大规模视觉识别挑战赛（ILSVRC）中，图像分类算法与技术也不断创新，图像分类的准确性也持续提升。ImageNet数据集表现出规模大、类型多的突出特点，所以更加适用于迁移学习，即是把部分核心技术或结构拓展应用到各个领域，对于视觉领域的深度模型来说，能够把模型内的网络结构和参数直接共享到其他数据集，从而对数据实施微调。图像分类属于计算机视觉领域最为基础的环节，对于图像分类模型创建和数据分析处理经验也能够迁移应用到其他领域中。

1.2目标检测中的深度学习技术

目标检测相对于图像分类而言表现出更多的复杂性，主要任务是在囊括多种不同类型物体的图像内精确定位和识别某一物体，恰恰是出于这一目的，深度学习技术在目标检测中的应用更为复杂，要实现更加精准的效果也相对更难。近年来针对目标检测的算法日益更新，如优化后的R-CNN算法，是借助于卷积神经网络思想，对物体进行分类，提取物体特征。而SelectiveSearch算法的出现有了进一步的创新和突破，有效促进了检测准确性的提高，这也给通过卷积神经网络进行目标检测带来了更多可能性，随后的FastR-CNN算法极大地促进了目标检测效率的提升，该算法对提取候选区的问题予以优化，大大减少了候选区提取和目标检测过程的时间。目标检测网络以FastR-CNN算法作为支撑，于输出位置设置滑动窗同时和候选区域网络实施连接，目标检测的关键在于卷积神经网络，依靠它把各个点的特征进行提取，再借助回归算法获得对应范围出现目标的概率[1]。

1.3人脸识别中的深度学习技术

人脸识别主要是借助相应算法对人脸特征实施提取，因为其建立的人脸模型表现出一定的不稳定性，因此模型建立往往也表现出一定的难度，相对于建立刚体模型而言更为困难。人脸识别通常来说涉及人脸检测定位以及特征提取两个方面，人脸检测定位是基于背景图像中将人脸目标分割出来，实施归一化处理，而人脸特征提取算法不变。前者存在的技术难点是人脸目标具有多样性以及背景图像具有复杂性，所以对背景情境实施合理假设并予以简化是十分关键的。与此同时，高维空间人脸模型的建立较为复杂，精确度估算难度较大，人脸特征提取的技术难度是因为人脸属于弹性模型，其难度超过刚体模型。一般来说，较为常见对人脸特征实施提取与识别的方法有几何特征法、特征脸算法以及弹性模型法，CNN算法和过去的特征提取算法比起来表现出更高的稳定性和适用性，同时能够有效抵抗外部干扰，促进人脸识别技术的推广应用。

2应用实例

2.1安防领域的应用

深度学习技术在计算机视觉领域中的应用可以为安防行业提供更佳的解决方案，比如说人脸识别技术的应用，很多大型企业如Facebook、腾讯、阿里巴巴等都将非常关注和重视。作为深度学习技术在计算机视觉领域应用的重要内容，人脸识别在安检以及反恐等领域中也能够发挥出很好的效果。与此同时，对行人角度的REID技术实施研究，依托于深度学习强化目标检测，对目标特征实施提取和刻画，能够为异常行为监控和跟踪带来支持[2]。

2.2无人驾驶领域的应用

对于无人驾驶领域来说，选择激光或雷达这类传感器的成本更高，基于深度学习的计算机视觉技术也能够提供新的解决方案。依靠摄像机对视频画面进行采集，对获取到的图像实施分析，提供类似于前车碰撞预警等功能。在这一过程中，计算机视觉技术可以实现对目标的检测识别、对目标车辆的跟踪分析、对车道线是否偏离进行检测等。基于深度学习技术的检测识别表现出更加强大的优势，现阶段深度学习芯片日益增多，对于无人驾驶技术的发展也带来了更加有力的支持。

2.3智能家居领域的应用

过去的很多智能家居产品一般都是依靠智能手机蓝牙或者WiFi等途径来实现对家居产品的控制，这一方案即便能够做到家居智能化，但其水平依旧有待提高。基于深度学习技术，能够有效促进智能家居行业的更新发展，除开语言、语音识别之外，还能够利用计算机视觉技术实现人际交流与互动，比如说手势识别控制。2.4教育领域和图片搜索领域的应用基于深度学习的计算机视觉技术也能够在智慧教育中得以普及应用，如近年来很多新的拍照解题App，使用者只需要利用手机相机拍照上传即可获得相关题目的分析解答，促进学习者学习效率的提升。此时视觉技术包括了对文字的检测与识别，另外针对个人简历识别、文档识别等方面也能够进行拓展应用。同时计算机视觉技术还可以在图片搜索领域中得以应用，使用者通过拍摄上传相应的图片，即可从数据库中找出与原图相似的图片，深度学习属于一种非常高效的技术手段，能够提供更加快速高效的图像检测功能，结合图像搜索引擎，为用户带来更加便捷的服务[3-5]。

2.5医疗影像数据中的应用

医学影像直接关系到对患者疾病诊断的准确性，对于放射科的医务人员来说，依靠医学影像能够促进诊断效率的提升。现阶段国内外诸多医学专家队伍，在心血管、肿瘤、神经内科以及五官科等都建立了精准深度学习模型，极大地推动医疗水平的提升，为广大患者带来了更加便捷和高效的医疗服务。基于深度学习技术的计算机视觉在医疗影像数据中的应用主要集中在如下几个方面：（1）能够提供临床诊断辅助等医疗服务；（2）依靠数据分析技术，能够在很大程度上促进医疗机构经营管理水平的提升；（3）在医学影像中的应用，能够让医务工作者更加直观便捷地获取患者影像；（4）深度学习技术能够为医疗大数据的可视化带来便利；（5）在药企研发工作中的应用，可以处理好过去一直以来药物研发周期长和成本居高不下的问题；（6）在健康管理领域中的应用，借助于可穿戴设备来对个人健康数据实施监测，进而对疾病风险予以提前预测。

计算机视觉应用范文第2篇

关键词：计算机视觉；研讨式教学；小组探讨；课前回顾

作者简介：陈芳林（1983-），男，湖南株洲人，国防科学技术大学机电工程与自动化学院，讲师；周宗潭（1969-），男，河南洛阳人，国防科学技术大学机电工程与自动化学院，教授。（湖南 长沙 410073）

中图分类号：G643.2 文献标识码：A 文章编号：1007-0079（2013）26-0065-02

进入21世纪，创新型人才的培养成为各国政府和高等教育界关注的一个焦点。世界各国研究型大学的共同特点是在研究生教育阶段致力于培养富有创新意识和创新能力的高级人才。[1]研讨式教学是培养研究生创新精神、科研能力的有效途径，教师讲解与学生探讨两部分相结合是研讨式教学采用的主要模式。[2]将课程分成两部分之后，教师讲解的时间就必须压缩，教师一方面需要思考如何在较短的时间内完成课程的讲解，同时还需要考虑课程讲解要与学生探讨部分紧密结合。因此，如何上好研讨式教学教师讲解这部分课，越来越受高等院校的重视。本文针对笔者教授工科研究生课程“计算机视觉”的实践与经验，阐述了笔者对于如何上好研讨式教学教师讲解这部分课的个人体会。总结为两点：第一，首先要充分做好课程准备；第二，上课环节采取回顾—案例—小结的讲解方式。下面从课程准备、课前回顾、课程讲解、课后小结四个方面分别阐述（如图1所示）。

一、“计算机视觉”课程准备

要上好一门研讨式教学的课程，一定要结合该门课程的特点，量身定制课程内容，进行精心准备。本节先介绍“计算机视觉”课程的特点，然后结合该门课程的特点，介绍笔者对于“计算机视觉”的课程准备。

1.“计算机视觉”课程特点

“计算机视觉”是“数字图像处理”和“模式识别”等课程的后续课程。该课程重点在于图像或者图像序列的分析理解。课程知识在机器人导航、侦查、测绘、测量、精密加工和目标跟踪等多个领域都有广泛的应用。[3]近年来基于视觉信息的控制反馈也开始受到广泛关注。国内高校一般都为研究生开设了此门课程。

计算机视觉技术应用广泛、算法原理涉及面广：涉及到概率与数理统计、信号与系统、图像等基础知识。“计算机视觉”是一门重要的控制类、电子类及计算机类专业研究生的选修课程，它内容广泛、综合性强，研讨能力的培养显得非常关键。

2.课程准备

首先，结合“计算机视觉”课程内容广泛、技术日益更新和丰富的特点，将课程36学时分为12次课，每次课为3小时，每堂课教师讲解一个专题。这种设计，一方面可以更广地涉及计算机视觉的各个领域；另一方面以专题的形式来讲解，可以将学生带入到该专题，介绍基本背景、理论、知识和方法，让学生有一个初步的了解，方便课后学生对感兴趣的专题进一步深入挖掘与研究。

其次，在课程开始之前，教师仔细统筹，安排好每次课的专题，这样既方便学生一开始对整个课程有一个整体的了解，也方便学生选择课堂研讨的题目与内容。根据12个专题，将各个专题讲解的内容与课件在开课之前准备好，这样有利于把握各个专题之间的前后承接关系。例如，“区域”与“分割”是既有区分又有联系的两个专题，在课程开始之前，将课件准备好，就有利于宏观把握，在“区域”专题提到的分割算法，就不需要在“分割”专题再次重复，而在“分割”专题可以结合前面“区域”专题进行互相补充，以帮助学生融会贯通。

最后，在每个专题上课之前，再对课件进行精雕细琢，主要是对内容分好层次，对方法进行分类，力图在较短的时间内，让学生对该专题有较全面的认识。例如，在讲解图像分割时，由于图像分割方法非常多，可以将分割方法分为若干个大类，每个大类只讲1～2个方法。这样既可以尽可能涉及更广的领域，又可以提高讲解的效率。

二、“计算机视觉”课前回顾

课前回顾是指每堂课的前面一小段时间用来回顾上一堂课的内容。虽然课前回顾时间非常短，一般为3～8分钟，但是课前回顾是课堂教学中的一个重要环节。课前回顾可以帮助学生加强将要学习的内容与已学过内容之间的联系。通过课前回顾，学生可以回忆前续课程所讲解的概念、理论、算法的步骤等内容，有助于解决新问题或者理解新知识。

课前回顾最重要的是既要复习前续课程的内容，又要注意将前续内容与当前内容联系起来。由于讲解时间有限，要使研讨式教学的教师讲解部分效率高，教师帮助学生回忆上堂课的概念、模型、算法等内容，就变得非常重要。如果不做课前回顾，那么当讲到某处新知识时，往往需要停下来，将前续课程再讲一遍，否则学生无法理解新的知识，这样就降低了教学的效率。

课前回顾的时间，一般以3～8分钟为宜。课前回顾的形式可以多样化，如讲解课后作业、回顾概念、提问等。笔者认为应根据当天课程与前续课程的关系，采取合适的方式。各种方式结合使用，提高课前回顾的效率。

三、“计算机视觉”课程讲解——案例教学

案例教学已经成功地应用于数学、计算机科学等领域的教学。通过案例，学生可以很快地掌握相应的概念、算法的步骤等，从而提高教师讲解部分的效率。[4]例如，在讲解马尔科夫随机场时，笔者通过案例式教学，将马尔科夫随机场用一个生活中的例子来向学生解释。首先，将马尔科夫随机场分解成两个重要的概念，分别是随机场与马尔科夫性，然后将它们对应到例子中，帮助学生理解。

随机场包含两个要素：位置（site）和相空间（phase space）。当给每一个“位置”中按照某种分布随机赋予“相空间”的一个值之后，其全体就叫做随机场（如图2（a））。[5]这个概念非常抽象，难以理解。笔者应用案例式教学，拿庄稼地来打比方。“位置”好比是一亩亩农田，“相空间”好比是种的各种庄稼。给不同的地种上不同的庄稼，就好比给随机场的每个“位置”，赋予“相空间”里不同的值。所以，可以形象地理解随机场就是在哪块地里种什么庄稼的布局（如图2（b））。

马尔科夫性指的是一个随机变量序列按时间先后顺序依次排开时，第N+1时刻的分布特性，与N时刻以前的随机变量的取值无关。为了更直观地理解马尔科夫性，笔者仍然拿庄稼地打比方，如果任何一块地里种的庄稼的种类仅仅与它邻近的地里种的庄稼的种类有关，与其他地方的庄稼的种类无关，这种性质就是马尔科夫性。

符合上述两个特征，那么这些地里种的庄稼的集合，就是一个马尔科夫随机场。通过案例式教学，笔者发现可以加深加快学生对课程内容的理解，提高教师讲解环节的效率。

四、课后小结

课后小结指的是一堂课将要结束时，教师对本堂课进行一个简短的总结。许多成功的教师都会在其教学中坚持课后小结这个环节，给学生一个总体的印象，以帮助学生消化本次课程的内容。

研讨式教学教师讲解部分的课后小结与普通教学方式应有所区别。笔者认为这主要是因为通过课后小结可以将本次课程所讲内容与学生的研讨环节结合起来，而不仅仅是对内容进行简单的总结。

为了达到课后小结使本次课程内容与学生探讨环节建立联系的目的，笔者在教学中常采用如下方式：首先，像普通教学方式一样，总结本次课程内容；然后，在此基础上，抛出若干问题，这些问题，不需要学生马上解答，而是留给学生课后思考，提供他们选择研讨主题的素材；最后，介绍其他在本次课程中没有涉及到的前沿知识、方法与理论，拓宽学生的视野，从而增加学生选择探讨主题的覆盖面。

通过应用这种方式，笔者发现学生的思维更开阔，在探讨环节，学生往往可以选择一些比较新颖的主题（例如视频中不动点的检测等），而不仅仅局限于教师所讲内容，从而提高了研讨式教学的效果。

五、结论

在“计算机视觉”课程中引入研讨式教学，通过总体设计规划好整门课程内容，课堂讲解注意采用回顾—案例—小结的方式，笔者对如何上好研讨式教学教师讲解这部分课进行了个人经验的总结。通过本次教学改革，笔者体会到如果要提高教学效果，一定要注意教师讲解与学生探讨两个环节的紧密结合。

参考文献：

[1]侯婉莹.我国研究型大学本科生科研研究[D].济南：山东大学，

2009.

[2]张晴，李腾，韦艳，等.研讨式教学模式的理论研究[J].中国科技纵横，2011，（10）.

[3]D.H .巴拉德.计算机视觉[M].北京：科学出版社，1987.

计算机视觉应用范文第3篇

一、计算机视觉检测技术含义

计算机的视觉又叫做机器视觉，通过利用计算机或者是其他的一些机械设备来帮助人们视线事物到图片的过程，从而进行三维世界的感知活动。计算机的快速发展，离不开神经心理学，心理学和认知科学方面的研究和发展，计算机视觉检测技术的发展方向就是对周围的三维空间进行感知和分析。一旦能够拥有这种能力，计算机不仅能感知到周围的总体环境，而且，还能够具有对物体进行描述，识别理解和储存的能力。

二、计算机视觉检测的基本原理

要实现人工智能对视觉的计算机处理是很重要的方面在计算机视觉应用领域中如果要让我们的计算机明白图像的信息就必须经过一系列的处理过程―――数字图像处理.数字图像的处理包括5个步骤：图像预处理（去除噪声）、分割处理分割后区域、测量、图像判读、图像技术.根据抽象程度和处理方法的不同图像技术可分为三个层次：图像处理、图像分析和图像理解.这三个层次的有机结合也称为图像工程.而计算机视觉（Computer vision）则是用计算机实现人的视觉功能对客观世界三维场景的感知、识别和理解.视觉检测按其所处理的数据类型又大致可分为二值图像、灰度图像、彩色图像和深度图像的视觉检测.另外还有X射线检测、超声波检测和红外线检测。

作为新兴检测技术计算机视觉检测充分利用了计算机视觉研究成果采用像传感器来实现对被测物体的尺寸及空间位置的三维测量能较好地满足现代制造业的发展需求.与一般意义上的图像处理相比计算机视觉检测更强调精度、速度和无损性以及工业现场环境下的可靠性.例如基于三角法的主动视觉测量理具有抗干扰能力强、效率高、精度合适等优点非常适合制造业生产现场的在线、非接触产品检测及生产监控.对人类视觉感知能力的计算机模拟促进了计算机视觉技术的产生和发展制造业上获取这些信息的目的有：（1）计算出观察点到目标物体的距离；（2）得出观察点到目标物体的运动参数；（3）甚至可以判断出目标物体的内部特性；（4）推断出目标物体的表面特征有时要求形成立体视觉。

三、亚像素检测技术

随着工业检测等应用对精度要求的不断提高，像素级精度已经不能满足实际检测的要求，因此需要更高精度的边缘提取算法，即亚像素算法。亚像素级精度的算法是在经典算法的基础上发展起来的，这些算法一般需要先用经典算法找出边缘像素的位置，然后使用周围像素的灰度值作为判断的补充信息，利用插值、拟合等方法，使边缘定位于更加精确的位置。现在的亚像素提取算法很多，如重心法、概率论法、解调测量法、多项式插值法、滤波重建法、矩法等。由于这些算法的精度、抗噪声能力和运算量各不相同，他们的应用场合也是各不相同的。

边缘是图像的基本特征，所谓边缘是指图像中灰度存在阶跃或尖顶状变化的像素的集合，边缘广泛存在于物体与物体、物体与背景之间。图像测量是通过处理被测物体图像中的边缘而获得物体的几何参数的过程，边缘的定位精度直接影响最终的测量结果。因此，图像边缘提取方法是检测的基础和关键之一。在视觉测量领域中，早期使用的都是像素级边缘检测方法，例如常用的梯度算子、Lapacian算子和门式算子等。以上的边缘检测方法的精度可以达到像素级精度，即可以判断出边缘位于某个像素内，但不能确定边缘在该像素内的更精确的位置。如果一个像素对应的实际长度较大，就会产生较大的误差，传统的整像素边缘检测方法就不再适用。

四、计算机视觉检测技术在机加工零件检测中的应用要素与过程

（一）曲阵CCD相机

面阵CCD是本项目图像采集系统中的主要设备之一，其主要功能是采集实验图像。该CCD相机主要由CCD感光芯片、驱动电路、信号处理路、电子接口电路和光学机械接口等构成。

（二）工业定焦镜头

在图像测量系统中，镜头的主要作用是将目标聚焦在图像传感器的光敏面上。镜头的质量直接影响到图像测量系统的整体性能，合理选择并安装光学镜头是图像测量系统设计的重要环节。

（三）数字图像采集卡

随着数字信号处理技术和嵌入式处理器技术在图像采集卡中的应用，使得图像采集卡向高速度、多功能和模块化方向不断发展。这类图像采集卡不仅具有高速图像采集功能，同时还具备部分图像处理功能，因此又可以称之为图像处理卡。

（四）标定板

为提高测量精度，需要进行摄像机标定。标定过程中，采用NANO公司的CBC75mm}.0型高精度标定板，外形尺寸为75mmx75mmx3.0mm，图形为棋盘格，其尺寸为2.0mmx2.0mm，精度为1级，即图形尺寸精度与图形位置精度为。

（五）背光源

背光方式只显示不透明物体的轮廓，所以这种方式用于被测物需要的信息可以从其轮廓得到的场合。因此，为精确提取轴的图像中的边缘特征，需采用背光源。为使图像边缘更锐利，光源颜色选择红色。

五、结语

随着计算机技术和光电技术的发展，已经出现了一种新的检测技术―基于计算机视觉的检测技术，利用CCD摄像机作为图像传感器，综合运用图像处理等技术进行非接触测量的方法，被广泛地应用于零件尺寸的精密测量中。本文以面阵CCD为传感器，研究了零件在线测量的方法，实现了零件尺寸的图像边缘亚像素定位测量，对面阵CCD在高精度测量方面的应用作了进一步的探索和研究，为面阵CCD在复杂零件尺寸高精度测量的实现打下了基础。

【参考文献】

计算机视觉应用范文第4篇

关键词：数据挖掘；考试成绩；数据分析

中图分类号：TP391 文献标识码：A 文章编号：1007-9599 （2013） 01-0055-02

计算机等级考试已运行多年，日积月累，数据越来越多，形成海量数据。这些数据是否还有意义呢？能否挖掘出些规则、知识反馈到学校教学中，促进教育发展？

1 数据挖掘技术

数据挖掘是从大量的、不完整的、有噪音的、模糊的、随机的数据中提取出隐含在其中的，事前不知道的，但又是潜在的有用的信息和知识的过程，致力于数据分析和理解。其处理对象是大量的日常业务数据，目的是为了从这些数据中抽取一些有价值的知识或信息，提高信息利用率，原始数据是形成知识的源泉。数据挖掘包括数据描述、聚类、分类、预测、孤立点分析、关联规则等多方面。其中数据描述又称为数据总结，目的是对数据进行浓缩，给出它总体的综合性描述，实现对原始数据的总体把握。常用数据描述方法是统计学的传统方法，如计算机数据项的总和、均值、所在比例、方差等基本描述统计量，或是绘制直方图、折线图等统计图形。数据分类是指研究已分类资料的特征，分析对象属性，据此建立一个分类函数或是分类模型，然后运用该函数或模型计算总结出据特征，将其他未经分类或新的数据分派到不同的组中，计算结果通常简化为及格离散值，常用来对资料做筛选工作。

2 数据挖掘在计算机等级考试中的应用

大量的计算机等级考试数据，结构完好，数据全面，但是目前这些数据没充分利用起来，每次的数据都各自成为一个信息孤岛。为改变这种局势，打通信息孤岛的局面，把数据挖掘技术应用到计算机等级考试数据中，挖掘出潜在的、有意义的规则或知识。

2.1 数据对象。在计算机等级考试中，涉及的数据繁多，如报名数据，成绩数据，考点数据等等。本文需要挖掘的对象是学生的成绩，成绩数据表包含如下字段，准考证号，姓名，民族、性别、出生年月日、身份证号、身份证号等，如表1。

从表中可以看出，成绩有笔试客观成绩、笔试主观成绩、笔试成绩，上机成绩和总成绩，其中笔试客观成绩和笔试主观成绩都是百分制，笔试成绩、上机成绩和总成绩都是等第数据，笔试成绩由笔试客观成绩和笔试主观成绩组成，总成绩由笔试成绩和上机成绩组成。

2.2 数据预处理。本次挖掘的数据为我校多年形成的全国计算等级考试和省计算机等级考试的成绩数据。在实际的数据挖掘过程中，还必须对这些数据进行一系列预处理工作，转为适合的可用的数据。数据预处理方法很多：如数据抽取，数据清理，数据转换等。

2.2.1 数据抽取。首先分别从两个考试数据中抽取出需要的成绩数据，具体信息包括笔试客观成绩、笔试主管成绩、笔试总成绩，上机成绩和总成绩。

2.2.2 数据清理。挖掘的原始数据可能不完整，如某些记录表中有些字段的值为空，对这样的记录要做相应处理，可以将这些字段为空的值补全，或赋最常见的值，或根据数值的分布情况赋其他值等处理。

在全国计算机等级考试的数据中有少许社会考生数据，直接做删掉处理，因为我们研究的目的之一为了反馈给我校的教学，促进教学改革和发展。

2.2.3 数据转换数据转换将数据变成统一的格式，以适合数据挖掘。如关联规则Apriori算法中在处里类似分数值之类的数据时，需要转换为等第形式的成绩，因此对前面处里的数据进行如下转化，优秀——100～90，良好——89～80，及格——79～60，不及格——59～0，如表2

3.1 结果分析。由挖掘结果进一步分析，在总成绩未通过的记录中，因为笔试未通过的人数为466人，占未通过人数的7%，因上机成绩未通过的人数为1078，占未通过人数的16.19%，二者合计占总成绩未通过的23.19%，这比较发现：因上机成绩未通过的学生比因笔试成绩未通过的多，且近四分之一都是因为笔试或者上机成绩未通过。

总成绩通过记录中，总成绩分为三档：及格、良好和优秀，大致比例24：5：1。可见通过的学生中绝大部分都仅仅是及格而已。具体为及格人数达到2418人，占通过人数的79.58%，占总报名人数的24.94%；良好人数为512人，占通过人数的16.85%，占总报名人数的5.28%，优秀人数为108人，分别占通过人数的3.55%，占总报名人数的1.11%。由此可见，获得优良成绩的人数太少。

在总成绩为及格的记录中，笔试和上机成绩为均及格的1127人，占此部分的46.61%，另外笔试成绩为及格，上机成绩为优良的929人，占成绩为及格一档人数的38.42%，上机成绩为及格，笔试为优良的仅362人，占成

绩为及格一档人数的14.97%，这说明上机考试只要会做就容易取得好成绩。

总成绩为良好的512人，优秀的108人，分别占通过人数的的16.85%和3.55%，占总报名人数的5.28%和1.11%，二者合计仅20.41%和6.40%。

3.2 建议。通过上面的结果分析发现：首先整个计算机等级考试的通过率太低，其次因笔试或上机成绩未通过的大约占1/4，且因上机未通过的大约是因笔试未通过的3倍；再次取得优良成绩的人数太少。因此建议：

第一、计算机的相关任课教师反思自己的教学方式方法以及相应内容。计算机等级考试是国家教育司或省教育厅推出的一种考试，具有至高权威性、科学性和公平性，通过率（通过的人数与报名人数的百分比）在一定程度上表现了一个学校的计算机教育教学水平。

第二、学校相关职能部门应该制定相关政策及制度，加强学生积极报考和备考教育，降低缺考，提高通过率。在我们考试组织工作中，发现缺考现象较重，尤其是省计算机等级考试。

第三、相关计算机教师应加强上机课程的指导。因为挖掘结果表明因上机成绩未通过的人数大约是因笔试成绩未通过的3倍，足以说明需要大大加强上机课程指导。

第四、加强学生课后动手能力学习。在通过的学生中，取得上机成绩优良的人数远远多于笔试成绩优良的人数，因为上机考试的题型大多都是程序题，只要能调试运行出正确结果就容易取得好成绩。

4 结束语

计算机等级考试一般都由笔试考试和上机考试组成，笔试考试主要考察学生理论水平，上机考试主要考察学生运用知识的动手能力。因此不仅要把理论知识学好，还要加强课堂和课后上机操作练习，才能获得好成绩，取得计算机等级证书。

计算机等级考试的成绩好坏涉及到方方面面，上述分析到的仅仅是少许，成绩数据中潜在的可能还有很多，需要更加科学的方法分析。

参考文献：

[1]聂永红.计算机等级考试信息的数据挖掘分析[J].微计算机信息，2008年底24卷第2～3期.

[2]王永生.数据挖掘在考试系统中的应用[J].2005年北京工业大学工程硕士学位论文.

[3]湛德照.基于关联规则的考试数据挖掘[J].五邑大学学报2009年5月第23卷第2期.

计算机视觉应用范文第5篇

关键词：会计电算化；高校；应用

中图分类号：F23 文献标识码：A 文章编号：1001-828X（2013）11-0-01

一、会计电算化简介

会计电算化狭义的讲就是利用计算机技术和计算机软件代替人来进行计算，记账，输出的过程，简单的说就是代替人来进行比较复杂的计算过程。广义来说，会计电算化是一门系统的科学，包括计算机科学，管理科学，预算科学，会计科学等，可以实现会计人员所实现不了的大型计算任务，并且可以科学准确的进行预测，决策过程。使用会计电算化可以极大的提高工作效率以及工作准确度，减轻从业人员负担和工作强度。是会计业走向现代化的一个必要武器。

二、会计电算化在高校中的应用

1.会计数据的处理。会计数据处理是任何一个系统最基础的业务，高校也不例外。高校的会计数据处理主要是数据核算，主要是学生所缴纳的各项费用汇总以及学校各个科室，各个子系统费用的支出统计，并且开具凭证。在此基础上进行算账，报账，转账等业务。高校会计工作复杂，繁琐，是一个很庞大的系统。会计电算化的应用，使得高校会计工作效率极大提高，并且规范了高校会计工作。使得数据处理有据可查，并且使数据处理更及时，准确度也大幅度提高，减轻了工作人员的负担。

2.建立了高校系统内部的互联。现代高校分支多，结构复杂，校区大，科室之间的联系交流较之前难度大。在此环境影响下，高校的会计信息和数据处理难度加大，但是在应用会计电算化之后，高校之间个部门与财务的联系方便快捷的多，而且可以形成一个数据库，实现资源共享。方便了各部门之间的信息交流，节省了以前信息交流的多个步骤，提高了信息交流的准确度。

3.数据信息的管理。在高校会计工作多元化的今天，高校会计工作收入与支出也越来越多渠道化，数据信息管理的难度越来越大，会计电算化的应用，使得数据信息的管理更加完整，把传统的计算转为现在的预算，使高校的财政支配更加合理，更加切合实际。会计电算化的应用也使得信息的备份，保存，恢复等功能得以实现，提高了会计工作的质量。

三、会计电算化在高校应用中存在的问题

1.专业型人才少。在当代，会计算机软件的人很多，会计专业的人也很多，但是掌握会计电算化的却不多，会计电算化是一门综合性专业，不仅要对计算机软件、编程等非常熟悉，也要对会计专业非常熟悉。但是现在高校会计人员只熟悉会计电算化软件的使用，还和以前一样注重数据的计算，而忽略了会计电算化的其他功能。一旦电脑或系统出现问题，则不会解决，就需要从外面请一些计算机专业的人员来修复。而专业软件设计人员又对财务方面内容不熟悉，这就导致修复工作不方便。严重影响工作效率以及数据安全性。

2.忽视会计电算化的其他功能。在高校财务体系中，即便是应用了会计电算化系统，从业人员也只是用会计电算化系统进行日常的数据处理，输入输出功能，而忽视了会计电算化的其他功能，譬如说管理功能、预算功能，实际上只是利用计算机的计算功能来代替了以前的手工计算，数据信息没有得到合理的应用，只是局限于简单的数据处理，没有对其进行进一步的分析解读。可以说是“大材小用”。

3.会计电算化管理体系不完善，存在安全隐患。虽然高校在应用会计电算化上有一定的要求，但是没有完善的管理体系，导致高校内的会计电算化存在一定得安全隐患。在信息经济越来越明显的今天，一旦系统被非法破坏或者信息的人为流传则会导致很大的隐患，严重威胁了系统的安全性。给高校带来很多不利的影响。

四、解决措施

1.转变思想，增加从业人员业务深度。高校必须增加对会计电算化在高校应用中的重视程度，培养出一批优秀的高校会计综合人才，不仅对财务工作熟悉也要对计算机软件的应用熟悉。定期组织人员的培训，提高财务人员会计电算化工作的水平。不仅如此，还要对工作人员进行思想教育以及控制风险的风险教育，提高从业人员的责任意识和危机意识。从而培养出一批业务能力和思想水平都高的高校会计电算化从业人员。

2.会计电算化的应用从“一元”到“多元”。应该深入了解会计电算化的强大功能，使会计电算化在高校会计工作中发挥强大的功能。加快会计电算化在高校应用中的转型。发挥会计电算化的管理功能、预测功能，完善功能。选择满足高校实际需要的会计电算化软件，使高校财务工作更加快捷有效。满足高校发展要求。

3.改善外部环境，完善内部体制。首先，应该配置强大的电脑硬件和高效大容量的储备设备，保证服务器的安全，避免因为环境或其他外部条件造成的数据缺失。其次，注重软件的选择和应用，应该选用正版软件并且做好电脑的杀毒，防止恶意破坏所使用的软件系统，导致数据的遗失或破坏。

在保证外部环境的基础上，应该完善管理体制，避免人为原因的泄露或是失误，保证数据的正确性以及安全性。高校应该出台合理全面的管理制度，譬如说人员工作分配，避免工作扎堆或是工作盲点的出现。可以设置密码解锁等安全机制，从而保证数据的安全和系统的完善。

五、结语

会计电算化在高校中的应用越来越多，功能也越来越多，随之而来的隐患问题也就越来越多。随着电子信息，软件工程的发展，会计电算化也会向网络化发展。面对现在的会计电算化发展形势以及应用形势，我们必须正视现有问题，然后尽全力解决现有问题，使会计电算化在高校的发展中越来越完美，起到应起的作用，为高校发展提供财务管理保障。使会计电算化在高校的应用与发展更加全面、健康、快速。

参考文献：

[1]刘敏.小企业会计电算化系统实施研究[D].辽宁大学，2011（09）.