计算机毕业设计--基于深度学习(U-Net与多尺度ViT)的车牌模糊图像修复算法设计与实现(含Github代码+Web端在线体验界面)
基于深度学习的U-Net架构下多尺度Transformer车牌图像去模糊算法设计与实现
如果想对旧照片进行模糊去除,划痕修复、清晰化,请参考这篇CSDN作品👇
计算机毕业设计–基于深度学习的图像修复(清晰化+划痕修复+色彩增强)算法设计与实现(含Github代码+GUI+Web端在线体验界面)
如果想对有大面积破损的图像进行修复,请参考这篇CSDN作品👇
计算机毕业设计–基于深度学习技术(生成对抗网络GAN与Transformer)的专一或多类别图像修复算法(含Github代码+桌面应用GUI+Web端在线体验界面))
更多基于深度学习方向的毕业设计请关注专栏 --- 深度学习相关计算机毕业设计
✨ 车牌去模糊样例演示
✨ 图像修复算法Web端界面展示与终端批量指标测试演示视频
Web应用:
- 代码刚开发完毕,演示样例稍后上传
终端批量指标测试:
车牌去模糊终端指标测试演示样例
🌍车牌去模糊Web端在线体验!
Web端在线体验地址:✅点击这里进行车牌去模糊系统在线体验✅ (预计2025.6月上线,暂无法访问)
😀在线体验链接已经集成了训练好的模型,并且在下方提供了若干张模糊车牌图样例,您只需点击选择样例即可自动加载到上方输入框!
图像修复论文开题报告&&任务书
说明: 本科生做深度学习毕业设计是比做系统更容易通过答辩与毕业的,学校对本科生掌握深度学习知识的程度不高,只需要能大致讲述出模型的设计流程,并在论文中写清楚即可
另外,本科生做深度学习的项目一般不能纯做算法(因为老师清楚本科生并不具备单独研究算法的能力),所以本科生的算法方向毕业设计应该以算法+应用为主,因此一定需要一个为算法配套的可视化交互程序(Web
端或者GUI
应用程序,不需要像做系统的学生一样太复杂,简洁明了的应用作为辅助即可)
为此,该项目设计了配套的Web
应用系统作为应用,Web
端采用了简洁的Gradio
框架搭配了轻量级内嵌Sqllite
数据库
项目提供直接可用的开题报告与任务书供免费使用(开题报告不查重,开题后内容也可变,开题报告只在开题时有用,后续一切以你的毕业论文为主)
📦:基于U-Net
与ViT
的车牌图像修复系统设计开题报告&&
任务书下载链接:
通过网盘分享的文件:基于U-Net与ViT的车牌图像修复系统设计开题报告.docx
链接: https://pan.baidu.com/s/1Nw5dKppssCW7sDXJAYIXuw?pwd=7j4b 提取码: 7j4b
模型的训练日志(Loss损失曲线图等,采用Tensorboard日志工具)
模型研究背景与模型结构设计
在经济迅猛发展、人们生活水平持续提升的大背景下,机动车保有量呈现出不断攀升的态势。在此情形下,车牌图像复原与修复技术于智能交通系统中的重要性日益凸显。以交通违规管理、停车场收费系统、高速公路收费以及城市安防等诸多领域为例,车牌识别已然成为其中的核心环节。
然而,实际拍摄环境往往极为复杂,诸如光照不足、恶劣天气状况以及摄像头分辨率较低等不利因素普遍存在。受此影响,车牌图像经常出现模糊不清、带有噪声干扰以及分辨率低下等一系列问题,进而严重影响到车牌识别的准确性与效率。
本课题构建了一个多阶段车牌模糊图像复原网络,并运用基于车牌图像边缘轮廓的无监督修复方法,能够卓有成效地应对车牌图像在实际交通监控场景中,因运动模糊和部分遮挡所引发的质量下降难题。这一成果可显著提高车牌识别的准确率,极大地增强智能交通系统的性能与可靠性,为交通管理、安防监控等领域提供更为高效、精准的技术支持。
本课题在运动模糊复原和部分遮挡修复方面展开创新探索,通过U-Net
网络结构、并行注意力机制、Transformer
模块等技术,为车牌图像复原与修复开辟新方法,推动其在复杂场景的实际应用;同时结合深度学习技术与智能交通领域实际需求,促进深度学习技术在交通监控、车牌识别等领域的广泛应用与推广,为智能交通系统向更高智能化水平发展提供有力技术支撑。
模型性能指标测试、消融实验
- 包括
SSIM(Structural Similarity)
结构相似性指标、PSNR(Peak signal-to-noise ratio)
峰值信噪比指标以及训练过程中Acc
和Loss
等的评估。如果你是在私有数据集上训练的模型,那么上述测试数据需要在自己训练过的模型上才能完成指标测试,相关测试以及模型消融实验评估代码请联系作者(联系方式见文末)
🚀 算法获取
- Giuhub:基于U-Net与ViT的车牌图像修复系统
😮注意:如果通过Github访问项目,需要科学上网。但是注意最好不要通过“加速通道”访问,因为我的代码常有更新维护,加速通道中的项目版本同步不及时可能较老
⚡️环境配置及算法使用方法(Windows / Linux / Mac均适用)
运行要求
- 运行算法与Web前端需要
Python >= 3.8
- 建议使用带有
Nvidia
(英伟达)系列的显卡,例如常见的GeForce 1060、5090
等都是Nvidia
系列的(深度学习训练需要显卡) - 如果电脑没有独立显卡也可使用该模型(需通过
CPU
加内存进行模型推理,不过速度会较显卡慢一些)
使用conda在本地部署环境(Anaconda或者Miniconda)
# 从github上Clone项目(需要安装过git工具才行)
git clone https://xxx# 使用conda创建环境(其中blurtosharp是环境名,可任取)
conda create -n blurtosharp python=3.8
# 环境创建完毕后执行
conda activate blurtosharp# 安装依赖
pip install -r requirements.txt
启动Web端应用(电脑与手机端口页面均自适应) * 效果同上述在线体验连接
部署好环境后使用如下命令启动web
端(会启动在127.0.0.1:xxxx
的本机环回地址下,图中示例为9091
端口)
cd Plate_deblur/
python main.py
回车后会自动启动Web
服务,在控制台看到如下信息代表成功启动,在浏览器打开弹出的URL
即可👇
项目也支持进行基于Python
的FastApi
框架后端服务器部署。如有需要,联系作者,联系方式在文末
批量模糊车牌图像去模糊与评估指标测试
准备好待测试的图片后跟随执行如下命令:
# 首先cd到算法代码Plate_deblur根目录下
cd to/your/path/Plate_deblur# 将待修复图片放在文件夹Plate_deblur/test_images文件夹下
略# 执行shell脚本文件test.sh(这里需要根据您的修复需求添加相关参数)
sh ./test.sh# 脚本参数解释
!/bin/bash --> 表明这是shell脚本文件,可直接执行
CUDA_VISIBLE_DEVICES=0 -->如果系统中存在多张GPU,指定第0张可用,计算机中0就是第一张的意思(用CPU则写0即可)
python test.py --> 执行当前目录下的test.py代码文件、
--test_datalist --> 指定测试文件路径,注意这个txt的内容指定了要批量测试的图片相对路径,更换测试图片参考原有格式即可、
--data_root_dir --> 存放数据集的根目录,如果你直接下载了我百度云提供的数据集,那么写为 xx/xx/Plate_blur_sharp/ 即可(注意最后有个斜杠'/'不要丢了)
--load_dir --> 加载训练好的模型权重参数文件(检查一下这个路径下的文件是否存在)
--outdir --> 去除模糊后的图片保存路径
--gpu --> 使用的GPU编号,个人电脑一般就一张卡,写为0即可,如果显卡不可用,会自动转为使用CPU进行推理
--wf、--scale、--vscale --> 超参数,不要修改
--is_eval --> 是否为推理模式,不要修改
--is_save --> 是否保存清晰化后的图片,如果只需要看指标,不要产生结果图,就把这行删掉,反之不删
控制台在将目录下所有图片修复完成后会自动计算与原图相比的PSNR
指标,显示如下代表成功👇
🌠如何在本地自行训练模型?
- 训练自己想要的定制化图像去模糊模型,只需要准备好原图以及与原图一一对应的模糊图片即可,训练过程已包装为
shell
脚本,修改脚本中数据集路径即可直接一步开始训练
# 使用单个GPU或者多个GPU进行数据并行训练(将数据划分为多个子集,在多个计算节点GPU上同时进行模型训练)
sh ./train.sh # 要求显卡数量>=1
# 使用多个GPU并进行分布式训练(将一份数据分割到多个GPU进行计算,每个进程控制一个 GPU,这种方式效率更高)
sh ./train_ddp.sh # 要求显卡数量>=2
- 车牌模糊图像修复算法多卡分布式训练与单卡训练时间效果对比图
📬作者联系方式:
- VX:Accddvva
- QQ:1144968929
Github
提供训练好的模型文件以及调用该文件进行测试的代码,但不含模型定义源码、训练代码以及Web
端代码,提供可供测试的模型文件,拉取Git
代码后安装环境可进行修图测试- 💰该项目完整代码 + 详细环境配置(提供模型远程部署)+ Web端 + 训练方式 == 价格300RMB
- 如果你的电脑没有合适的
GPU
,或需要自行训练私有数据而自己的GPU
显存不够,作者另提供GPU
服务器免费使用服务(到当年6
月底毕业季结束,7月10日清空上年度所有服务器上内容,如有特殊情况提前与我联系),免费提供60G显存+256G内存云服务器(可使用Vscode、OpenSSH、PuTTY、Xshell、SecureCRT、MobaXterm
等远程工具直接连接使用)
🎊广告
- 作者于浙江某985高校就读人工智能方向研究生(
CSDN
已认证),可定制算法模型,并提供相应技术文档以及各种需要,只需要描述需求即可 - 深度学习领域,尤其是计算机视觉(Computer vision,CV)方向的算法模型 or 毕业设计,只要你想得出,没有做不出
相关文章:
计算机毕业设计--基于深度学习(U-Net与多尺度ViT)的车牌模糊图像修复算法设计与实现(含Github代码+Web端在线体验界面)
基于深度学习的U-Net架构下多尺度Transformer车牌图像去模糊算法设计与实现 如果想对旧照片进行模糊去除,划痕修复、清晰化,请参考这篇CSDN作品👇 计算机毕业设计–基于深度学习的图像修复(清晰化划痕修复色彩增强)算…...
塑料材料工程师简历模板
模板信息 简历范文名称:塑料材料工程师简历模板,所属行业:其他 | 职位,模板编号:DEEBPX 专业的个人简历模板,逻辑清晰,排版简洁美观,让你的个人简历显得更专业,找到好工…...
Nginx核心功能与LNMP部署
目录 一、引言 二、Nginx 简介 2.1 Nginx 的起源与发展 2.2 Nginx 的特点 三、Nginx 核心功能详解 3.1 HTTP 服务器功能 3.1.1 静态资源处理 3.1.2 HTTP 协议支持 3.2 反向代理功能 3.2.1 反向代理的原理 3.2.2 Nginx 反向代理配置 3.3 负载均衡功能 3.3.1 负载均…...
爬虫学习笔记(五)---数据解析之re
数据提取 前面的爬虫笔记学习的都是如何爬取整个页面的内容,服务器渲染中,数据是直接放在源代码html里面的,大多数情况下整个页面的内容真正需要的只是一小部分,那把这一小部分提取出来的过程就叫做数据提取 数据解析方式 re解…...
ESP32- 开发笔记- 软件开发 4 - GPIO 口
1 背景介绍 GPIO(General Purpose Input/Output) ——通用输入输出口,就是能由软件自由控制输入(接收外界信号)或输出(发出电平信号)的引脚。 ESP32 最核心的功能之一,能被用来控制…...
大前端开发——前端知识渐变分层讲解 利用金字塔原理简化前端知识体系
Web开发基础 核心概念 HTML、CSS和JavaScript:Web开发的三大基石,分别负责结构、样式和行为。 代码管理:随着项目规模扩大,需要将代码拆分成小块,便于维护。 作用域污染:早期所有代码共享全局作用域&…...
面向网络安全的开源 大模型-Foundation-Sec-8B
1. Foundation-Sec-8B 整体介绍 Foundation-Sec-8B 是一个专注于网络安全领域的大型语言模型 (LLM),由思科的基础人工智能团队 (Foundation AI) 开发 。它基于 Llama 3.1-8B 架构构建,并通过在一个精心策划和整理的网络安全专业语料库上进行持续预训练而得到增强 。该模型旨在…...
长效住宅IP是什么?如何获取长效住宅IP?
在当今的互联网世界里,IP地址作为连接用户与网站之间的桥梁,其重要性不言而喻。对于跨境电商、社交媒体运营以及数据采集等领域的专业人士而言,普通的IP地址已无法满足日益复杂的需求。他们更需要一种稳定、安全且持久的长效住宅IP来完成各类…...
零基础实现把知识库接到聆思CSK6大模型开发板上
前言 大模型作为一个语言模型,实际上没有真正的记忆功能。所谓的对话记忆只是开发者将对话历史向GPT发送消息时将最近的对话历史通过提示工程组发送给ChatGPT。换句话说,如果对话历史超过了大模型的最大上下文,GPT会忘记之前的部分࿰…...
docker 部署前、后端分离项目详细步骤(从打包到部署)
在平常的开发工作中,一个项目经历需求、开发、测试、上线等步骤。在开发测试完成后,我们需要部署测试环境、生产环境等,那么我们用 docker 方式应该怎么部署呢?前后端分离的项目又该如何部署呢?那么,今天我…...
【深度学习的灵魂】图片布局生成模型LayoutPrompt(1)
🌈 个人主页:十二月的猫-CSDN博客 🔥 系列专栏: 🏀《深度学习理论直觉三十讲》_十二月的猫的博客-CSDN博客 💪🏻 十二月的寒冬阻挡不了春天的脚步,十二点的黑夜遮蔽不住黎明的曙光 目…...
BG开发者日志429:故事模式的思路
1、故事模式已有的一关试验关中,直接揭示了一些重要真相,白给了。 /原设计思路是玩家可以直接玩故事模式,很快就能通关本模式的所有关卡,知道所有真相。 /原表现方式是步行模拟,到地点看对话。 (现在看来…...
Linux批量管理:Ansible自动化运维指南
引言 在服务器规模化的时代,Ansible就像一位"自动化指挥官"🎖️,让你轻松管理成百上千台Linux主机!本文将带你全面掌握Ansible的核心用法,从基础架构到高级Playbook,从主机管理到应用部署。无论…...
【AI提示词】第一性原理
提示说明 擅长运用第一性原理思维进行深度问题分析与创新解决方案构建的专家。 提示词 # Role: 第一性原理思考导师## Profile - language: 中文 - description: 擅长运用第一性原理思维进行深度问题分析与创新解决方案构建的专家 - background: 具备理论物理学与哲学复合背…...
【LeetCode】螺旋矩阵
题目 题目链接 请按照 顺时针螺旋顺序 ,返回矩阵中的所有元素,示例如下: 思路 整体思路为模拟。具体地,可以采用“减而治之”的思想,将整个遍历过程拆分为一次次对每一行和每一列的遍历,每次只考虑一行/…...
给 BBRv2/3 火上浇油的 drain-to-target
最近彻底跟 BBR 杠上了,再读一篇落实性论文 Promises and Potential of BBRv3,结论依然是 BBRv3 并未如声称的那般优化公平性,反而可能更糟糕,不得不说又是任重而道远。 说一个我遇到的,讲理之外顺带吐槽。 BBRv1 在…...
后端id类型为long类型时,返回给前端浏览器四舍五入,导致id精度缺失问题
背景 今天在代码里,掉了别人写的接口,有个id的字段是long类型的,我这边加点参数返回给前端,然后前端根据id修改,结果修改的数据记录有,但是没起作用,后来发现根据他传给我的id在后台数据库查不…...
《云原生》核心内容梳理和分阶段学习计划
🤟致敬读者 🟩感谢阅读🟦笑口常开🟪生日快乐⬛早点睡觉📘博主相关 🟧博主信息🟨博客首页🟫专栏推荐🟥活动信息文章目录 云原生核心内容梳理和分阶段学习计划一、云原生核心技术栈(2025年重点方向)二、分阶段学习计划(6-12个月系统性进阶)**阶段1:基础入…...
跟我学C++中级篇——控制死锁
一、同步和死锁 在前面学习多线程和网络编程时,都对线程中数据的同步和数据结构多线程访问的安全问题进行了分析和说明。其实,多线程编程之所以难,难点之一就在这里,数据同步意味着效率和安全的平衡,而这里的安全有一…...
「Mac畅玩AIGC与多模态08」开发篇04 - 基于 OpenAPI Schema 开发专用 Agent 插件
一、概述 本篇介绍如何在 macOS 环境下,通过编写 OpenAPI Schema,开发自定义的专用插件,让智能体可以调用外部 API,扩展功能至任意在线服务。实践内容基于 Dify 平台,适配 macOS 开发环境。 二、环境准备 1. 确认本地开发环境 macOS 系统Dify 平台已完成部署并可访问本…...
“兴火·燎原”总冠军诞生,云宏信息《金融高算力轻量云平台》登顶
“兴火燎原”创新马拉松公开赛2024年度全国总决赛于4月18日在福州举办,云宏科技股份有限公司(以下简称:云宏)的《金融高算力轻量云平台》项目脱颖而出,夺得全国总冠军。 作为数字中国创新大赛金融领域的核心赛事&…...
MySQL 索引与事务详解
MySQL 索引与事务详解 一、索引(Index) 1. 索引的作用与原理 索引是数据库的"目录",能够大幅提高查询速度,但会增加写入开销。MySQL 使用 BTree 作为主要索引结构。 2. 索引类型 (1) 普通索引 CREATE INDEX idx_n…...
洛谷题解 | CF111C Petya and Spiders
目录 题目描述输入格式输出格式输入输出样例 #1输入 #1输出 #1 输入输出样例 #2输入 #2输出 #2 说明/提示题目简化题目思路AC 代码 题目描述 Little Petya loves training spiders. Petya has a board $ nm $ in size. Each cell of the board initially has a spider sitting…...
【深度对比】Google Play与IOS 马甲包处理差异分析
在移动应用发布与推广过程中,马甲包(Cloned App / Alternate Version) 曾被广泛用于流量测试、风险隔离、多品牌运营等场景中。随着 Google Play 与 Apple App Store 审核政策不断收紧,开发者们越来越关注两个平台对“马甲包”的态…...
【C++】C++11新特性(二)
目录 完美转发 引用折叠: lambda表达式 完美转发 引用折叠: 引用折叠是 C的类型系统规则,用于处理“引用的引用”(如 T& &)。 在推导过程中,必须折叠成有效的单一引用类型。直接声明引用的引用…...
高等数学-第七版-下册 选做记录 习题9-4
1. 3. 4. 8....
特殊权限管理
特殊权限的类型 SUID(Set User ID):当一个可执行文件设置了 SUID 权限后,在执行该文件时,进程会以文件所有者的身份运行,而不是以执行用户的身份。例如,/usr/bin/passwd文件用于修改用户密码&a…...
最新的30个Android Kotlin面试题
以下是2025年最新的30个Android Kotlin面试题及其核心解析,综合了协程、密封类、高阶函数、扩展函数等高频考点,并附有相关引用来源: 一、协程与并发编程 协程与线程的核心区别是什么? 协程是轻量级线程,通过挂起而非阻…...
牛客周赛 Round 91
赛时成绩如下: A. while 题目描述 小歪找到了一个由五个字符构成的字符串,它一次可以选择任意一个字符,将其修改为另一个字符,他想要知道,将这个字符串修改为 "while" 需要的最少操作次数。 解题思路&#x…...
Kafka 的服务端的物理存储架构是什么?零拷贝,mmap,sendfile、DMA gather又是什么?
Kafka 服务端的物理存储架构 Kafka 的物理存储架构设计旨在支持高吞吐、低延迟的数据处理,其核心特点包括: 1. 分区与日志段 主题(Topic)与分区(Partition): Kafka 将每个主题划分为多个分区&…...
1.7 点云数据获取方式——视觉SLAM
图1-7-1 Visual SLAM生成的点...
双向流热固耦合的收敛
1 收敛性 如果想把流固耦合计算过程的收敛性弄清楚,必须理解流固耦合的求解过程和对流场与固体场的定义设置: -这个与其他的真实物理场可能有所不同 -例如你的初始条件可能是不同的当遇到收敛困难时,需要看一下的求解过程用户使用监测点和…...
C++之类和对象:构造函数,析构函数,拷贝构造,赋值运算符重载
前提:如果一个类是空类,C中空类中真的什么都没有吗,不是的,编译器会自动生成6个默认成员函数。默认成员函数:用户没有显式实现,编译器会生成的成员函数称为默认成员函数。 默认成员函数:构造函…...
Vue2 相关知识点整理
一、Vue2 核心机制 1. Vue2 的响应式原理是什么? 答案: Vue2 通过 Object.defineProperty 给对象的每个属性添加 getter 和 setter,当数据被访问或修改时,自动触发视图更新。通俗解释: 就像给每个数据绑了一个“监控…...
CSS:编写位置分类及优先级
文章目录 一、行内样式二、内部样式三、外部样式(推荐)四、优先级五、编码风格 一、行内样式 最好不这样写 二、内部样式 可以使用 三、外部样式(推荐) 四、优先级 行内样式 > 内部样式 外部样式 五、编码风格...
Tauri 跨平台开发指南及实战:用前端技术征服桌面应用(合集-万字长文)
厌倦了笨重的Electron应用?想要构建体积小、性能高、安全可靠的跨平台桌面应用?Tauri将是你的不二之选!本教程带你从入门到精通,掌握这个下一代桌面应用开发框架,并通过实战APK分析工具项目,将理论知识转化…...
深入解析 Linux 进程池:原理、实现与高并发优化
引言 当你的服务器需要同时处理 10,000 个客户端请求时,传统的"来一个请求创建一个进程"模式会导致严重的性能瓶颈。此时,进程池(Process Pool) 便成为关键解决方案。它像一支训练有素的特种部队,通过预先创…...
[Python]非零基础的快速上手
从js转的python,没有从初学者阶段开始,主打一个快速上手能写再说. pycharm:一种编辑器 数据类型 基本数据类型:整型(整数)、浮点型、字符型、布尔型 复杂数据类型:列表(数组)、集合区{1,2,3}、元组(1,3.4)字典{n’:2,b:1} 模板字符串 输出模板字符串…...
《算法笔记》10.5小节——图算法专题->最小生成树 问题 E: Jungle Roads
题目描述 The Head Elder of the tropical island of Lagrishan has a problem. A burst of foreign aid money was spent on extra roads between villages some years ago. But the jungle overtakes roads relentlessly, so the large road network is too expensive to mai…...
数据中心网络架构:高效规划与自动化设计实践
在数据中心网络架构规划设计中,面临如下难点: 设备数量庞大: 服务器、交换机等设备数量多,如何合理规划机柜布局和空间分配,避免资源浪费或密度超标,成为设计难点。 线缆设计复杂: 海量线缆…...
Mysql存储引擎、锁机制
Mysql存储引擎 InnoDB(MySQL 5.5 及以后版本中的默认存储引擎) 事务支持:支持 ACID 事务,适合需要高可靠性的场景(如支付、订单)。 锁机制:默认使用 行级锁…...
UVA1537 Picnic Planning
目录 题目算法标签: 最小生成树, k r u s k a l kruskal kruskal重构树, 树形 d p dp dp思路重构树代码 题目 UVA1537 Picnic Planning 算法标签: 最小生成树, k r u s k a l kruskal kruskal重构树, 树形 d p dp dp 思路 将 1 1 1号点设置为终点, 然后执行重构树计算度数…...
通过AWS Console连接服务器,简化运维过程
简单通过AWS Console连接您的Linux服务器 本文作者: 封磊 Eclicktech SA | AWS Community Builder DevTool | AWS UGL | 亚马逊云科技云博主 阿里云&InfoQ&CSDN签约作者 文章目录 简单通过AWS Console连接您的Linux服务器本文作者: 封磊Eclicktech SA | AWS Community …...
公交实时查询小程序功能点开发
线路查询:用户可输入公交线路号码,小程序实时显示该线路车辆位置与发车信息,能一键切换行驶方向,助用户依实时情况选合适候车站点。站点查询:输入车站信息,小程序呈现经过该站所有公交线路及公交信息&#…...
nginx配置集群服务器中的tcp负载均衡器
文章目录 前言1. Ubuntu下nginx安装2. nginx的tcp负载配置 前言 假设一台机器支持两万的并发量,现在我们需要保证八万的并发量。首先想到的是升级服务器的配置,比如提高 CPU 执行频率,加大内存等提高机器的物理性能来解决此问题。但是单台机…...
Qt/C++开发监控GB28181系统/获取设备信息/设备配置参数/通道信息/设备状态
一、前言 设备注册成功后,接下来要做的就是获取设备的信息,尤其是通道信息,根据国标协议,永远只有两个层级,一个是设备,然后就是设备下面多个通道,设备编码在整个系统中唯一,通道编…...
Linux系统基础:基础指令简介(网络概念部分)
简介:Linux 是一种开源的类 Unix 操作系统内核,由 Linus Torvalds 于 1991 年首次发布。经过多年发展,它已成为服务器、嵌入式设备和个人计算机领域的重要操作系统。 网络基础概念 初始协议 简单来说,协议是一种约定࿰…...
labview项目文件架构
为了使 LabVIEW 项目更具可扩展性和易于维护,合理规划和设计项目文件结构是非常重要的。 以下是一些基于行业经验和最佳实践的建议: 1. ### 文件夹层次划分 将不同的功能模块分开存储在一个清晰的分层目录结构中是一个常见的做法。通常情况下ÿ…...
nuxt项目中引入并配置 iview
安装iview npm install iview --save注:想要加入其它的配置,可以在 nuxt.config.js 的 plugins 配置项中加入,同时在 plugins 文件夹下加入引入逻辑。 在nuxt.config.js文件中写: {src: ~plugins/iview, ssr: true}同时新建 plugi…...
Origin绘图操作:点线图符号显示不全解决方法
一、问题说明 在用origin绘制点线图时,图表刻度线处的点符号显示不完全,如图所示: 二、解决方法 方法一:调整坐标轴刻度,使其能够显示全部数据点。 方法二:有时为了图表美观,则不对坐标轴刻…...