当前位置: 首页 > news >正文

工业相机选型

工业相机选型

  • 一、工业相机分类
  • 二、相机的主要参数
    • 2.1 分辨率
    • 2.2 速度
    • 2.3 光学接口 / 接口类型
    • 2.4 相机靶面尺寸
    • 2.5 像元尺寸
    • 2.6 精度
  • 三、镜头介绍及选型方法
    • 3.1 工作距离(WD)
    • 3.2 视场角(FOV)
    • 3.3 (镜头)靶面尺寸
    • 3.4 帧率
    • 3.5 光圈(F5.6)
    • 3.6 焦距(focal length)
    • 3.7 景深(DOF)
  • 四、如何选择工业相机?
  • 五、实例应用

一、工业相机分类

在这里插入图片描述
1、按芯片类型分:有 CCD 相机和 CMOS 相机,二者在成像原理和特性上各有千秋,恰似相机家族中的两大流派。
2、按输出色彩分:分为单色(黑白)相机和彩色相机,如同绘画中的黑白素描与绚丽水彩,满足不同场景需求。
3、通讯方式(接口)

  • USB接口:(USB3.0接口简单易用,实时性好)支持热拔热插、使用便捷、标准统一、可连接多个设备、相机可通过USB线缆供电。
  • Gige千兆以太网接口:(简单方便的进行多相机设置,支持100米线材输出)是一种基于千兆以太网通信协议开发的相机接口标准;
  • Camerlink接口(最快):(专门针对高速图像数据需求的标准接口)是一种串行通讯协议。采用LVDS接口标准,具有速度快、抗干扰能力强、功耗低。
    目前在机器视觉中,应用最广泛的接口是Gige(以太网)接口,以太网接口在传输速度、距离、成本等方面较其他接口具有很大的优势。

4、按分辨率大小分:普通分辨率相机和高分辨率相机,分辨率高低决定了相机 “看” 细节的能力。
5、按输出信号速度分:普通速度相机和高速相机,速度快慢影响着对动态物体的捕捉效果。

二、相机的主要参数

2.1 分辨率

相机的分辨率是指单位距离的像用多少个像素表示。
相机的分辨率与像元尺寸大小有关。
一般分辨率长短边比是4比3,如:
130w镜头分辨率是1280 * 1024
500w镜头分辨率是2592 * 2048, 2592 * 1944
600w镜头分辨率是3072 * 2048
2000w镜头分辨率是5472 * 3648

面阵相机分辨率常用水平和垂直分辨率表示,如 1920(H)x 1080 (V) ,就像告诉我们每行有 1920 个 “小眼睛”,一共 1080 行。现在常以多少 K 来描述,1K(1024),2K (2048) 等。分辨率越高,在同样视场下,对细节的展示就越清晰,就像高清电视与普通电视的区别。

2.2 速度

相机的帧频 / 行频体现其采集图像的频率。
面阵相机用帧频表示,单位 fps ,如 30fps 意味着 1 秒最多能抓拍 30 帧画面;线阵相机用行频,单位 KHz,12KHz 即 1 秒最多采集 12000 行图像数据。在拍摄运动物体时,相机速度必须达标,才能让物体成像清晰准确,速度就像相机抓拍运动物体的能力指标。

2.3 光学接口 / 接口类型

常用镜头接口有 C 口,CS 口,F 口等。M42 镜头适配器源于高端摄像标准,相机 Z 轴一般依据适配器优化,不要轻易拆卸,接口就像相机与镜头连接的重要纽带。

2.4 相机靶面尺寸

靶面尺寸即用于接收光信号的传感器的尺寸,指的是传感器(工作区域为矩形)对角线长度,单位为英寸。
相机的靶面尺寸越大则可获得的视野范围越大,一般情况下优先选大的。
常用的靶面尺寸:
1.1英寸——靶面尺寸为宽12mm * 高12mm,对角线17mm
1英寸——靶面尺寸为宽12.7mm * 高9.6mm,对角线16mm
2/3英寸——靶面尺寸为宽8.8mm * 高6.6mm,对角线11mm
1/1.8英寸——靶面尺寸为宽7.2mm * 高5.4mm,对角线9mm
1/2英寸——靶面尺寸为宽6.4mm * 高4.8mm,对角线8mm
1/3英寸——靶面尺寸为宽4.8mm * 高3.6mm,对角线6mm
1/4英寸——靶面尺寸为宽3.2mm * 高2.4mm,对角线4mm
在这里插入图片描述
在这里插入图片描述

靶面尺寸=传感器对角线尺寸
靶面面积=传感器宽度x传感器高度

传感器尺寸大,在同样的像素密度下,像元尺寸也会大,这样会增加每个像元的感光面积,对提高图像的质量有益。传感器的尺寸,还能决定视野大小与工作距离。在同样的工作距离、同样的镜头下,传感器尺寸大,可以拍摄更大的视野。

2.5 像元尺寸

像元尺寸(Pixel Size),也称为像素尺寸,是指图像传感器上单个像素的物理尺寸,通常以微米(μm)为单位来表示。

像元尺寸=传感器尺寸/分辨率(像元个数) 在保证像素数够用的前提下,像元面积越大越好,画幅越大越好。

2.6 精度

精度指一个像素表示实际物体的大小,用(um * um)/pixel表示。注意,像元尺寸并不等于精度,像元尺寸是相机机械构造时固定的,而精度与相机视野有关,是变化的。精度值越小,精度越高。

三、镜头介绍及选型方法

镜头作为机器的眼睛,其主要作用是将目标物体的图像聚焦在图像传感器(相机)的光敏器件上。数据系统所处理的所有图像信息均需要通过镜头得到,镜头的质量直接影响到视觉系统的整体性能。
在这里插入图片描述

3.1 工作距离(WD)

工作距离指的是镜头的最下端到景物之间的距离。

3.2 视场角(FOV)

视角FOV是指镜头所能覆盖的范围。(相机实际拍摄到的区域尺寸)
一个摄像机镜头能涵盖多大范围的景物,通常以角度来表示,这个角度就叫镜头的视角FOV。
焦距与FOV的关系可以归纳为以下几点:
焦距越长,FOV越小:当镜头的焦距增加时,其视角(即FOV)会相应减小。这意味着相机能够捕捉到的画面范围会变得更小,但画面中的细节会更为清晰。因此,长焦镜头通常用于需要放大远处物体或捕捉细节的场景。
焦距越短,FOV越大:相反,当镜头的焦距减小时,其视角会增大。这意味着相机能够捕捉到的画面范围会变得更广,但画面中的细节可能会相对模糊。因此,短焦镜头通常用于需要捕捉广阔场景或监控大范围区域的场景。

3.3 (镜头)靶面尺寸

镜头靶面尺寸是指镜头能够产生清晰图像的最大直径区域。镜头靶面尺寸要大于等于sensor传感器的对角线尺寸。

3.4 帧率

帧率是对帧数随时间变化的一种度量,指的是每秒钟播放多少帧。单位是fps。

3.5 光圈(F5.6)

光圈是一个用来控制光线透过镜头进入机身内感光面光量的装置。当光线不足时,我们把光圈调大,自然可以让更多光线进入相机,反之亦然。
一般通过调整通光孔径大小来调节光圈,完整的光圈数值系列如下:F1,F1.4,F2,F2.8,F4,F5.6,F8,F11,F16,F22,F32,F44,F64。用F表示,以【镜头焦距f和通光孔径D的比值】(即,相对孔径的倒数,也就是“焦距÷有效孔径”)来衡量,每个镜头上都标有最大F值,例如:8mm/F1.4代表最大孔径D为5.7mm,

F值越小,光圈越大,进光量越大; F值越大,光圈越小,进光量越小。

3.6 焦距(focal length)

焦距就是镜头到成像面的距离,比如:50mm镜头,8mm镜头还是75mm镜头等。这些就是镜头到成像面的距离,也就是焦距。单位是毫米。

3.7 景深(DOF)

景深与视野相似,不同的是景深指的是纵深的范围,视野指的是横向的范围。在最小工作距离到最大工作距离之间的范围称为景深,景深内的物体都可以清晰成像。景深一般可以通过光圈调节,光圈越小,景深越大。
在这里插入图片描述
景深与镜头使用光圈、镜头焦距、拍摄距离以及对像质的要求(表现为对容许弥散圆的大小)有关。
这些主要因素对景深的影响如下(假定其他的条件都不改变)

四、如何选择工业相机?

1 明确检测任务:先搞清楚自己的检测任务,是静态拍照还是动态拍照、拍照频率、检测类型(缺陷、尺寸测量、定位等)、产品大小(拍摄视野)、精度要求、所用软件性能、现场环境及特殊要求等,这是选择相机的基础。
2 考虑动态因素:若是动态拍照,要根据运动速度选最小曝光时间和相机扫描方式。相机帧率和像素有关,分辨率越高帧率越低,不同品牌帧率有差异。
3 计算分辨率:根据检测任务、产品大小、分辨率要求和软件性能计算机分辨率。相机像素精度 = 单方向视野范围大小 / 相机单方向分辨率,可据此算出相机单方向分辨率。
在这里插入图片描述
4 关注现场环境:现场的温度、湿度、干扰情况以及光照条件都会影响相机选择。
5 依据精度选相机:根据待观察或测量物体的精度选择相机分辨率,相机像素精度公式可帮助我们确定合适的相机。

五、实例应用

1、已知:目标长宽1515mm,要求0.008mm的精度
幅宽按1.5倍,即1.5
15=22.5mm
(1).像素计算
相机像素=幅宽/检测精度=22.5mm/0.008mm= 2812.5 pixel,相机分辨率只为2812.5x2812.5=791万像素,考虑检测稳定性,按4个像素对应一个检测精度(边缘像素4,实际对长边和短边各放大2倍)。实际相机分辨率为
791x4=3164万像素
综上,3100万像素相机,这里考虑海康的MV-CH310-10GM 相机

(2)镜头焦距计算
假设工作距离60mm
系统放大倍率=芯片短边/视野短边=16.7/22.5=0.7422

系统的分辨精度=像元尺寸/放大倍率=3.45/0.7422=4.648微米<8微米(客户需求),满足要求
黄色的为所选相机参数中查得的参数,22.5为项目需求的视野大小。

镜头焦距为:f=工作距离/(1+1/放大倍率)=60/(1+1/0.7422)= 25.56 毫米

补充:
公式1:放大倍率=所选相机芯片短边尺寸/相机短边的失业范围
公式2:物镜焦距=工作距离/(1+1/放大倍率)

2、假设检测物体表面划痕,物体大小 108mm,检测精度 0.01mm 。
假设拍摄视野1210mm,相机最低分辨率应为(12/0.01)(10/0.01)=12001000,约 120 万像素。但为提高系统精准度和稳定性,最好让缺陷面积在 3 到 4 个像素以上,所以相机分辨率应在 130 万乘 3 以上,通常 300 万像素相机最佳。
再看相机最小曝光时间与目标运动速度的关系。若目标运动速度 1mm/S,测量精度 0.01mm/pixel,为保证物体运动拖影小于精度,相机曝光时间必须小于 10ms 。一般工业相机最快曝光时间几十至一百多微秒,如此短曝光时间对光能量要求大,需选择合适光源与光源控制器。

3.相关链接
工业相机选型和镜头焦距计算

相机靶面尺寸详解+工业相机选型

相关文章:

工业相机选型

工业相机选型 一、工业相机分类二、相机的主要参数2.1 分辨率2.2 速度2.3 光学接口 / 接口类型2.4 相机靶面尺寸2.5 像元尺寸2.6 精度 三、镜头介绍及选型方法3.1 工作距离&#xff08;WD&#xff09;3.2 视场角(FOV)3.3 &#xff08;镜头&#xff09;靶面尺寸3.4 帧率3.5 光圈…...

Vue3:构建高效用户界面的利器

一、Vue.js 简介​ Vue.js&#xff08;读音 /vjuː/, 类似于 view&#xff09;是一套构建用户界面的渐进式框架。它只关注视图层&#xff0c;采用自底向上增量开发的设计。Vue 的目标是通过尽可能简单的 API 实现响应的数据绑定和组合的视图组件 &#xff0c;学习起来非常简单…...

mysql与redis的日志策略

MySQL 和 Redis 在日志记录方面采用了不同的策略&#xff0c;分别对应写前日志&#xff08;Write-Ahead Logging, WAL&#xff09;和写后日志&#xff08;Write-After Logging&#xff09;。以下是它们的详细说明&#xff1a; 1. MySQL&#xff1a;写前日志&#xff08;Write-A…...

在 Spring Boot 中调用 AnythingLLM 的发消息接口

整体逻辑: 自建系统的web UI界面调用接口: 1.SpringBoot接口&#xff1a;/anything/chatMessageAnything 2.调用anythingLLM - 调用知识库deepseek r1 . Windows Installation ~ AnythingLLMhttps://docs.anythingllm.com/installation-desktop/windows http://localhost:3…...

Kotlin 基础语法

1. &#x1f31f; Kotlin&#xff1a;Java 的“超级进化体”? Kotlin 是一门由 JetBrains 开发的 现代静态类型编程语言&#xff0c;支持 JVM、Android、JavaScript、Native 等多平台&#xff1a; Kotlin 与 Java 深度兼容&#xff0c;Kotlin 会编译为 JVM 字节码&#xff0c…...

设计模式使用Java案例

代码设计要有可维护性&#xff0c;可复用性&#xff0c;可扩展性&#xff0c;灵活性&#xff0c;所有要使用设计模式进行灵活设计代码 创建型 简单工厂模式&#xff08;Simple Factory&#xff09; 简单工厂模式&#xff08;Simple Factory Pattern&#xff09;是一种创建型…...

LORA的AB矩阵是针对Transformer的多头还是MLP

LORA的AB矩阵是针对Transformer的多头还是MLP Transformer中的矩阵是一个整体还是分开的每个小矩阵 在LORA(Low-Rank Adaptation)中,AB矩阵的应用位置和Transformer中的矩阵拆分方式如下: 1. LORA的AB矩阵作用对象 LORA的AB矩阵主要作用于Transformer的多头注意力模块和…...

【Gitee】删除仓库的详细步骤

文章目录 1、点击个人主页2、点击仓库3、点击想要删除的仓库4、点击管理5、点击侧边栏的删除仓库 1、点击个人主页 进入gitee官网&#xff0c;登录后点击个人主页 2、点击仓库 点击仓库跳转&#xff0c;如下图所示&#xff1a; 3、点击想要删除的仓库 这个页面会展示你所…...

DNS缓存使用中有什么问题?DNS缓存有哪些作用?

此前已经给大家介绍过刷新dns缓存的方法和流程以及dns缓存中毒和清楚dns缓存的知识介绍。那么你知道dns缓存使用中有什么问题吗?dns缓存有哪些作用? 以下是有关dns缓存的一些知识介绍。 一、DNS缓存使用中有什么问题? 1、缓存刷新不受控 当企业的域名发生变更时&#xf…...

Ollama + Open WebUI 本地部署DeepSeek

文章目录 前言一、环境准备最低系统要求必要软件 二、安装 Ollama通过 Docker 部署验证安装 三、部署 Open WebUI快速启动配置说明 四、加载 DeepSeek 模型通过 Ollama 拉取模型支持模型列表 五、使用 Web 界面交互首次使用功能特性 六、高级配置GPU 加速&#xff08;NVIDIA&am…...

STM32-汇编

学习arm汇编的主要目的是为了编写arm启动代码&#xff0c;启动代码启动以后&#xff0c;引导程序到c语言环境下运行。换句话说启动代码的目的是为了在处理器复位以后搭建c语言最基本的需求。因此启动代码的主要任务有&#xff1a; 初始化异常向量表&#xff1b; 初始化各工作模…...

word中老是有一个空白页删不掉

1、首先第一种&#xff1a;最后一页空白页删除方法 如果空白页是出现在最后一页的话&#xff0c;一般的删除方法是可行的&#xff0c;我们可以直接按Backspace或者Delete直接删除 2、缩小行距 如果空白页只有一行&#xff0c;而且还删不掉&#xff0c;我们可以在这一行点击鼠…...

docker需要sudo才能使用

一种方法是添加当前用户到docker组里去&#xff0c;当时添加的时候貌似是没问题的&#xff0c;但是现在又不可以了 产生的报错 ❯ docker images Cannot connect to the Docker daemon at unix:///home/ying/.docker/desktop/docker.sock. Is the docker daemon running?解决…...

Unity导出WebGL,无法显示中文

问题&#xff1a;中文无法显示 默认字体无法显示中文 在编辑器中设置了中文和英文的按钮&#xff0c;中文按钮无法显示 导出后无法显示中文 解决办法&#xff1a; 自己添加字体&#xff0c;导入项目&#xff0c;并引用 示例 下载一个字体文件&#xff0c;这里使用的阿里…...

理解大模型的function call ,思维链COT和MCP 协议

在大模型中&#xff0c;function call 是指模型调用外部功能或工具以完成特定任务的过程。这种机制使得模型不仅能生成文本&#xff0c;还能执行特定的操作&#xff0c;如生成图像、获取数据或进行计算。 关键特点 功能扩展&#xff1a;通过调用外部函数&#xff0c;模型可以实…...

K8S学习之基础三十三:K8S之监控Prometheus部署程序版

部署 Prometheus 通常包括以下步骤&#xff1a; 1. 下载 Prometheus 首先&#xff0c;从 Prometheus 官方网站 下载适用于你操作系统的最新版本。 bash 复制 wget https://github.com/prometheus/prometheus/releases/download/v2.30.0/prometheus-2.30.0.linux-amd64.tar…...

c语言笔记 结构体指针运用

目录 1.结构体指针与结构体变量 2.结构体指针与结构体数组 c语言其实有时候基本知识还是一样只是说换了一个名称但是所表示的含义是一样的。 结构体指针是指针的一种类型&#xff0c;可以指向结构体变量或者结构体数组&#xff0c;下面我们来探究一下结构体指针跟结构体变量的…...

科普类——双目立体视觉与 RGBD 相机的简单对比

双目立体视觉与 RGBD 相机生成的深度图在原理、性能和应用场景上有显著差异。以下是两者的详细对比和分析&#xff1a; 1. 原理差异 (1) 双目立体视觉 (Stereo Vision) 原理&#xff1a; 通过两个摄像头模拟人眼视差&#xff0c;计算匹配像素点的水平位移&#xff08;视差&…...

为什么要用linux?

使用 Linux 有许多独特的优势&#xff0c;尤其适合技术爱好者、开发者和企业用户。以下是 选择 Linux 的主要理由&#xff0c;涵盖不同场景的需求&#xff1a; --- 1. 开源与自由 &#x1f193; - 完全免费&#xff1a;无需支付系统或软件授权费用&#xff0c;节省成本。 - 开放…...

Linux系统管理与编程05:网络管理番外篇

兰生幽谷&#xff0c;不为莫服而不芳&#xff1b; 君子行义&#xff0c;不为莫知而止休。 0.安装VMware workstation(以下简称VW)、MobaXterm和CentOS7.x minimal版 CentOS7.x minimal安装时选择网卡连接为nat&#xff0c;过程参照我的博客&#xff08;略&#xff09;。 1.…...

(2025|ICLR|华南理工,任务对齐,缓解灾难性遗忘,底层模型冻结和训练早停)语言模型持续学习中的虚假遗忘

Spurious Forgetting in Continual Learning of Language Models 目录 1. 引言 2. 动机&#xff1a;关于虚假遗忘的初步实验 3. 深入探讨虚假遗忘 3.1 受控实验设置 3.2 从性能角度分析 3.3 从损失景观角度分析 3.4 从模型权重角度分析 3.5 从特征角度分析 3.6 结论 …...

RabbitMQ 集群降配

这里写自定义目录标题 摘要检查状态1. 检查 RabbitMQ 服务状态2. 检查 RabbitMQ 端口监听3. 检查 RabbitMQ 管理插件是否启用4. 检查开机自启状态5. 确认集群高可用性6. 检查使用该集群的服务是否做了断开重连 实操1. 负载均衡配置2. 逐个节点降配&#xff08;滚动操作&#xf…...

Git——分布式版本控制工具使用教程

本文主要介绍两种版本控制工具——SVN和Git的概念&#xff0c;接着会讲到Git的安装&#xff0c;Git常用的命令&#xff0c;以及怎么在Vscode中使用Git。帮助新手小白快速上手Git。如果想直接上手用Vscode操作远程仓库则直接看7和9即可&#xff01; 目录 1. SVN和Git介绍 1.1 …...

在 Offset Explorer 中配置多节点 Kafka 集群的详细指南

一、是否需要配置 Zookeeper&#xff1f; Kafka 集群的 Zookeeper 依赖性与版本及运行模式相关&#xff1a; Kafka 版本是否需要 Zookeeper说明0.11.x 及更早版本✅ 必须配置Kafka 完全依赖 Zookeeper 管理元数据2.8 及以下版本✅ 必须配置Kafka 依赖外置或内置的 Zookeeper …...

nvm 安装某个node.js版本后不能使用或者报错,或不能使用npm的问题

安装了nvm之后发现不能使用某个版本的node.js&#xff0c;报错之后&#xff0c;不能使用npm这个命令。可以这样解决&#xff1a; 1、再node.js官网直接下载node.js 的压缩包。 找到nvm的安装目录 2、直接将文件夹解压到这个安装目录中修改一下名字即可。...

C++20 中的同步输出流:`std::basic_osyncstream` 深入解析与应用实践

文章目录 一、std::basic_osyncstream 的背景与动机二、std::basic_osyncstream 的基本原理三、std::basic_osyncstream 的使用方法&#xff08;一&#xff09;基本用法&#xff08;二&#xff09;多线程环境下的使用&#xff08;三&#xff09;与文件流的结合 四、std::basic_…...

美摄接入DeepSeek等大模型,用多模态融合重构视频创作新边界!

今年以来&#xff0c;DeepSeek凭借其强大的深度推理分析能力&#xff0c;在AI领域掀起新的热潮。美摄科技快速响应市场需求&#xff0c;迅速接入以DeepSeek、通义千问、商汤、文心一言为代表的大模型&#xff0c;为企业视频创作生产带来全新体验。 传统视频创作面临着同质化、…...

Git 使用笔记

参考链接&#xff1a; 创建版本库 - Git教程 - 廖雪峰的官方网站 Git使用教程,最详细&#xff0c;最傻瓜&#xff0c;最浅显&#xff0c;真正手把手教 - 知乎 命令使用 cd f: 切换目录到 F 盘 cd gitCxl 切换目录到 gitCxl 文件夹 mkdir gitCxl 创建新文件…...

C#:深入理解Thread.Sleep与Task.Delay

1.核心区别概述 特性Thread.SleepTask.Delay阻塞类型同步阻塞当前线程异步非阻塞&#xff0c;释放线程适用场景同步代码中的简单延时异步编程中的非阻塞等待资源消耗占用线程资源&#xff08;线程挂起&#xff09;不占用线程&#xff08;通过计时器回调&#xff09;精度依赖操…...

基于Redis实现共享token登录

文章目录 1.集群下session共享存在的问题2.基于Redis实现共享session存储业务流程图3.具体登录的代码实现3.1 引入redis数据库3.2 发送验证码到前端3.2 登录注册功能实现3.2刷新token有效期(LoginIntereceptor)3.3 MvcConfig配置4.拦截器优化4.1增加RefreshTokenInterceptor 4.…...

【Linux我做主】浅谈Shell及其原理

浅谈Linux中的Shell及其原理 Linux中Shell的运行原理github地址前言一、Linux内核与Shell的关系1.1 操作系统核心1.2 用户与内核的隔离 二、Shell的演进与核心机制2.1 发展历程2.2 核心功能解析2.3 shell的工作流程1. 用户输入命令2. 解析器拆分指令3. 扩展器处理动态内容变量替…...

vulhub/Billu_b0x靶机----练习攻略

1.Billu_b0x靶场下载链接&#xff1a; https://download.vulnhub.com/billu/Billu_b0x.zip 2.下载后&#xff0c;解压出ova文件&#xff0c;直接拖至VMware中&#xff0c;重命名和选择存储位置&#xff0c;点击导入&#xff0c;报错点击重试即可。修改网卡为NAT模式。 打开靶…...

【华为OD-E卷 -121 消消乐游戏 100分(python、java、c++、js、c)】

【华为OD-E卷 - 消消乐游戏 100分(python、java、c++、js、c)】 题目 游戏规则:输入一个只包含英文字母的字符串,字符串中的两个字母如果相邻且相同,就可以消除。 在字符串上反复执行消除的动作,直到无法继续消除为止,此时游戏结束。 输出最终得到的字符串长度 输入描…...

Qt之自定义界面组件 一

通过qt中的painter绘图事件绘制一个电池电量图的变化。效果如下图 创建一个基于界面widget工程&#xff0c;在wdiget界面添加一个widget界面,将添加的widget界面的类提升为Tbattery.在Tbattery类中重写painEvent电池电量代码 文件目录结构 主要部分代码 //Tbattery.cpp #inc…...

破解验证码新利器:基于百度OCR与captcha-killer-modified插件的免费调用教程

破解验证码新利器&#xff1a;基于百度OCR与captcha-killer-modified插件的免费调用教程 引言 免责声明&#xff1a; 本文提供的信息仅供参考&#xff0c;不承担因操作产生的任何损失。读者需自行判断内容适用性&#xff0c;并遵守法律法规。作者不鼓励非法行为&#xff0c;保…...

1-1 MATLAB深度极限学习机

本博客来源于CSDN机器鱼&#xff0c;未同意任何人转载。 更多内容&#xff0c;欢迎点击本专栏目录&#xff0c;查看更多内容。 参考[1]魏洁.深度极限学习机的研究与应用[D].太原理工大学[2023-10-14].DOI:CNKI:CDMD:2.1016.714596. 目录 0.引言 1.ELM-AE实现 2.DE…...

函数的介绍

1.函数的概念 在C语言中也有函数的概念&#xff0c;有些翻译为&#xff1a;子程序&#xff0c;这种翻译更为准确。C语言的函数就是一个完成某项特定的任务的一小段代码。这段代码是有特殊的写法和调用方法的。 C语言的程序其实是有无数个小的函数组合而成的&#xff0c;也可以…...

4.3--入门知识扫盲,IPv4的头部报文解析,数据报分片,地址分类(包你看一遍全部记住)

IPv4协议&#xff1a;网络世界的快递包裹指南&#xff08;附拆箱说明书&#xff09; “IPv4就像一张明信片&#xff0c;既要写清楚地址&#xff0c;又要控制大小别超重” —— 某网络工程师的桌面铭牌 一、IPv4报头&#xff1a;快递面单的终极艺术 1.1 报头结构图&#xff08;…...

Linux生成自签名证书

一、安装OpenSSL 首先确保机器已安装OpenSSL工具OpenSSL的安装可参考&#xff1a;源码编译OpenSSL 二、生成私钥​​​​​​ openssl genpkey -algorithm RSA -out server.key 三、创建证书签署请求(CSR) openssl req -new -key server.key -out server.csr 四、生成自签…...

烽火HG680-KA_海思HI3798MV310_安卓9.0_U盘强刷固件包及注意点说明

之前发布过这个固件包&#xff0c;关于烽火HG680-KA&#xff0f;HG680-KB_海思HI3798MV310_安卓9.0_U盘强刷固件包详细说明一下&#xff0c;汇总总结一些常遇到的情况&#xff0c;这次固件会分开发布&#xff0c;以免混淆。 上一个帖子地址&#xff1a;https://blog.csdn.net/…...

Vue3 核心特性解析:Suspense 与 Teleport 原理深度剖析

Vue3 核心特性解析&#xff1a;Suspense 与 Teleport 原理深度剖析 一、Teleport&#xff1a;突破组件层级的时空传送 1.1 实现原理图解 #mermaid-svg-75dTmiektg1XNS13 {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-s…...

Linux Vim 寄存器 | 从基础分类到高级应用

注&#xff1a;本文为 “vim 寄存器” 相关文章合辑。 英文引文&#xff0c;机翻未校。 中文引文&#xff0c;略作重排。 未整理去重&#xff0c;如有内容异常&#xff0c;请看原文。 Registers 寄存器 Learning Vim registers is like learning algebra for the first ti…...

为什么TCP需要三次握手?一次不行吗?

文章目录 1. 三次握手的过程2. 为什么需要三次握手&#xff1f;3. 握手过程中每一步的具体作用4. 简单比喻5. 为什么是三次握手&#xff0c;而不是两次或四次&#xff1f;6. 三次握手中的序列号有什么作用&#xff1f;7. 总结 1. 三次握手的过程 三次握手是建立 TCP 连接的过程…...

OpenGL ES 入门指南:从基础到实战

引言&#xff1a;为什么需要 OpenGL ES&#xff1f; 在当今的嵌入式设备&#xff08;如智能手机、汽车仪表盘、智能家居中控屏&#xff09;中&#xff0c;流畅的图形渲染能力是用户体验的核心。OpenGL ES&#xff08;OpenGL for Embedded Systems&#xff09; 作为行业标准&am…...

台达PLC转太网转换的教程案例(台达DVP系列)

产品介绍 台达DVP-PLC自投身工业自动化市场以来&#xff0c;始终致力于创新发展&#xff0c;不断推陈出新。其产品紧密贴合市场需求与行业工艺&#xff0c;凭借卓越性能与丰富功能&#xff0c;深受用户青睐。不仅推出了高效的程序与编辑工具&#xff0c;显著提升了主机执行速度…...

Ubuntu24.10编译Android12源码并运行于模拟器中

效果如下&#xff1a; 初始化环境&#xff1a; 运行lunch弹出对应目标 生成模拟器版本镜像 镜像生成成功 生成模拟器启动镜像 编译注意事项: 24.10版本&#xff1a; sudo apt install curl curl -sSL https://gerrit-googlesource.proxy.ustclug.org/git-repo//master/r…...

Java面试易忽略知识点

1. CompletableFuture中thenApply()与thenCompose()的区别 考察点&#xff1a;组合式异步编程 解析&#xff1a; ​**thenApply()**&#xff1a;接收前序任务结果&#xff0c;返回普通对象&#xff08;同步转换&#xff09;&#xff0c;适用简单数据处理。​**thenCompose()*…...

C#通过SignalR直接返回流式响应内容

1、背景 实现流式响应基本上分为两大技术方案&#xff1a;&#xff08;1&#xff09;基于HTTP的Stream处理&#xff1b;&#xff08;2&#xff09;基于socket的连接。前者的实现方式有&#xff1a;《C#通过API接口返回流式响应内容—SSE方式》和《C#通过API接口返回流式响应内…...

【排序算法对比】快速排序、归并排序、堆排序

排序算法对比&#xff1a;快速排序、归并排序、堆排序 1. 快速排序&#xff08;Quick Sort&#xff09; 原理 快速排序采用 分治法&#xff08;Divide and Conquer&#xff09;&#xff0c;通过选取基准值&#xff08;pivot&#xff09;&#xff0c;将数组划分为 小于基准值…...

YOLO11改进-模块-引入空间带状注意力机制(Spatial Strip Attention,SSA)增强模型对空间信息处理能力的重要模块

在图像相关任务中&#xff0c;传统卷积神经网络&#xff08;CNN&#xff09;在处理空间信息时&#xff0c;卷积核的感受野有限&#xff0c;难以有效捕捉长距离的空间依赖关系。而自注意力机制虽然能建模长距离依赖&#xff0c;但计算复杂度较高。为了在高效计算的同时更好地捕捉…...