新建题库06180524_在线真题试卷与模拟练习_新建题库06180524_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

（含图）以下程序与运行结果输出的图片相对应的是？其中原图像素尺寸为1316×116。

关于软件镜像源的作用，以下哪些描述是正确的？

在YOLOv5环境配置过程中，关于镜像源的配置，以下哪些说法是正确的？

conda创建一个名为yolov5的新环境，以下哪个命令是正确的？

已经创建了名为opencv、yolov5共两个新环境，目前Anaconda Prompt界面如下图所示，（含图）在该界面中要继续输入哪些指令，才可以成功在opencv环境下安装opencv-python呢？

对于该机房，若要安装Pytorch，可以输入以下哪些指令？

import cv2 Import numpy as np def find_objects(target_path, template_path, match_thresh=0.8, nms_thresh=0.3): # 读取图像和模板 origin = cv2.imread(target_path) target = cv2.cvtColor(origin, cv2.COLOR_BGR2GRAY) template = cv2.imread(template_path, 0) if template is None: raise FileNotFoundError(f"模板文件 {template_path} 不存在") H, w = template.shape[:2] # 模板匹配（使用归一化相关系数） res = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED) # 获取候选匹配坐标 loc_y, loc_x = np.where(res >= match_thresh) scores = res[loc_y, loc_x] boxes = np.column_stack((loc_x, loc_y, np.full_like(loc_x, w), np.full_like(loc_y, h))) # 非极大值抑制（NMS） indices = cv2.dnn.NMSBoxes(boxes.tolist(), scores.tolist(), match_thresh, nms_thresh) # 转换索引格式 if isinstance(indices, tuple): indices = np.array(indices[0] if len(indices) > 0 else []) else: indices = np.array(indices) # 绘制检测结果 final_boxes = [] for i in indices: x, y, _, _ = boxes[i] final_boxes.append((x, y, x + w, y + h)) cv2.rectangle(origin, (x, y), (x + w, y + h), (0, 0, 255), 1) print(f"检测到 {len(final_boxes)} 个目标") cv2.imshow('Optimized Detection', origin) cv2.waitKey(0) cv2.destroyAllWindows() If __name__ == "__main__": find_objects('id.png', 'template/2.png', match_thresh=0.8, nms_thresh=0.3) (1)、h, w = template.shape[:2]中 h 和 w 的数值分别为______, ______。其中，h 为 ______（A.目标图片的高，B.目标图片的宽，C.目标图片的水平坐标位置，D.目标图片的垂直坐标位置，E.模板图片的高，F.模板图片的宽） (2)、该程序中目标图片 id.png 的尺寸为宽______像素，高______像素。 Res = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED) 中返回值 res 尺寸为宽______像素，高______像素。目标图片宽度和 res 的宽度之差为______，两者的高度之差为______。两者的宽度和高度之差与模板尺寸______（有，无）存在关联。 (3)、res = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED) 在该项目的程序中，返回值 res 数组中的最大值为______。（四舍五入，取整数）其中，数值越大表示______（A.目标区域与模板的像素分布高度相似；B.目标区域与模板无显著相关性。） (4)、loc_y, loc_x = np.where(res >= match_thresh) Loc_y 中有3个数字，分别为______, ______, ______（从小到大排列） Loc_x 中有3个数字，分别为______, ______, ______（从小到大排列）以下哪项描述是正确的？______（不定项选择）A. loc_x 和 loc_y 分别表示满足条件的候选框在目标图像中的 x 和 y 坐标（左上角）。B. 该代码执行非极大值抑制（NMS）以去除重复的候选框。C. np.where 返回的是所有匹配得分大于等于 match_thresh 的位置坐标。D. loc_x 中的每个值对应候选框的宽度，loc_y 对应高度。 (5)、scores = res[loc_y, loc_x] 该项目程序中的 scores 数组有3个数，分别为______, ______, ______（四舍五入，保留1位小数）以下哪项描述是正确的？______（不定项选择）A. scores 存储了所有候选框的宽度和高度信息。B. 这行代码通过非极大值抑制（NMS）过滤低分候选框。C. scores 中的每个值对应 loc_x 和 loc_y 位置的原始匹配得分。

完善程序，将上述验证码预处理为下图的效果。（含图） Import cv2 Import numpy as ______ Img = cv2.imread('code_line.jpg', ______) Thresh, img = cv2.threshold(img, ______, 255, cv2.THRESH_BINARY_INV) Cv2.imshow('img2', img) Kernel = np.ones((______,______), dtype=int) Open_img = cv2.morphologyEx(img, cv2.______, ______) Cv2.imshow('blackImg', open_img) Contours, hierarchy = cv2.findContours(open_img, cv2.______, cv2.CHAIN_APPROX_SIMPLE) N = len(contours) For i in range(n): x, y, w, h = cv2.boundingRect(contours[i]) if w∗h < 400: open_img = cv2.drawContours(open_img, contours, ______, ______, -1) Cv2.imshow('blackImg2', open_img) Cv2.waitKey(0) Cv2.destroyAllWindows()

（含图）完善程序，使上图数字变为实心，如下图所示。（含图） Import cv2 Import numpy as np Img = cv2.imread('phone_num.bmp', 0) _, img = cv2.threshold(img, 160, 255, cv2.______) Cv2.imshow('img2', img) Kernel = np.ones((______,______),dtype=int) BlackImg = cv2.morphologyEx(______, cv2.______, ______) Cv2.imshow('blackImg',blackImg) Contours, _ = cv2.findContours(______, cv2.______, cv2.CHAIN_APPROX_SIMPLE) N = len(contours) For i in range(n): x,y,w,h = cv2.boundingRect(contours[i]) if w ∗ h < 700: cv2.drawContours(blackImg, contours, ______, 0, ______) Cv2.imshow('blackImg2',blackImg) Cv2.waitKey(0) Cv2.destroyAllWindows()

图片 id_big.png 如下图所示。（含图）数字模板详见以下压缩包。 [template.zip] 理解以下程序中通过模板匹配识别数字的逻辑。 Import cv2 Import numpy as np Target0 = cv2.imread("id_big.png", 0) _, binary = cv2.threshold(target0, 50, 255, cv2.THRESH_BINARY) Cv2.imshow('binary', binary) Contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) Print(len(contours)) # contours中的轮廓数量是【第1空】个。 Boxes = [] For contour in contours: box = cv2.boundingRect(contour) boxes.append(box) Print(boxes) # boxes中记录着各个轮廓的外接矩形参数 # 其中第0个轮廓的外接矩形左上角y坐标是【第2空】 # 第0个轮廓的外接矩形的宽度是【第3空】，高度是【第4空】。 # 此时boxes中各个轮廓【第5空】（是，不是）依据x坐标从左到右排列的。 Sorted_boxes = sorted(boxes, key=lambda x: x[0]) Print(sorted_boxes) # sorted_boxes 中第0个轮廓的外接矩形左上角x坐标是【第6空】 # sorted_boxes 中第1个轮廓的外接矩形左上角x坐标是【第7空】 # 此时sorted_boxes中各个轮廓【第8空】（是，不是）依据x坐标从左到右排列的。 # 截取目标数字，存入 digits 列表 Digits = [] For (x, y, w, h) in sorted_boxes: digit = binary[y:y+h, x:x+w] digit = cv2.resize(digit, (30,50)) digits.append(digit) Cv2.imshow('digits[2]', digits[2]) # 以下说法正确的是【第9空】A. digits中存着各个数字轮廓外接矩形的参数B. digits中存着各个数字的图片 # 读取模板数字图片，存入 templates 列表 Templates = [] For i in range(10): template = cv2.imread('template/'+str(i)+'.png', 0) template = cv2.resize(template, (30,50)) templates.append(template) Cv2.imshow('templates[2]', templates[2]) Results = [] For digit in digits: max_score = -1 matched_num = -1 for i, template in enumerate(templates): res = cv2.matchTemplate(digit, template, cv2.TM_CCOEFF_NORMED) score = np.max(res) if score > max_score and score > 0.5: # 阈值过滤 max_score = score matched_num = i results.append(matched_num) Print(f"识别结果: {results}") # 上述程序共进行了【第10空】次模板匹配 Cv2.waitKey(0) Cv2.destroyAllWindows()

[testA.zip] # 完善附件中的程序，使其能正常展示预处理后的银行卡图片。 Def process_card_image(card: np.ndarray) -> np.ndarray: """银行卡图像处理流程""" # 自适应阈值处理 thresh = cv2.adaptiveThreshold( ______, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 13, 3 ) # 去除小面积噪声 contours = cv2.findContours(______, cv2.______, cv2.CHAIN_APPROX_SIMPLE)[0] for cnt in contours: if cv2.contourArea(______) < 60: cv2.drawContours(thresh, [cnt], ______, ______, ______) # 形态学操作 kernel = np.______((17, 17), np.uint8) blackhat = cv2.morphologyEx(thresh, cv2.______, ______) # 腐蚀操作 kernel = np.ones((5, 5), np.uint8) eroded = cv2.erode(blackhat, kernel, iterations=1) # 筛选有效区域 contours = cv2.findContours(eroded, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[0] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) area = w ∗ h aspect_ratio = w / h if (area < 2000) or not (0.5 < aspect_ratio < 0.7): cv2.drawContours(eroded, [cnt], -1, 0, -1) # 膨胀操作 kernel = np.ones((5, 5), np.uint8) return cv2.dilate(eroded, kernel, iterations=1)

该指导书中，YOLOv5环境配置的流程是？A、创建Python 3.8的conda环境B、修改 .condarc 镜像源C、安装对应版本的PyTorchD、运行 detect.pyE、获取YOLOv5源码F、查看电脑的GPU及其驱动版本G、安装YOLOv5所需要的库H、测试Pytorch是否成功安装

1