格物致智，焕新而来！全新第二代中科广电CASAIM-IS自动化智能检测系统正式上市！

最新推荐文章于 2025-12-03 15:21:58 发布
原创 最新推荐文章于 2025-12-03 15:21:58 发布 · 164 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动化

CASAIM发布了CASAIM-IS2ND自动化智能检测系统，集成最新三智技术，提升光学成像、测头速度和软件控制。系统配备主动安全系统，提供高效、智能且安全的检测体验，推动智能制造升级。

2022年10月，我们发布了CASAIM-IS系列自动化智能检测系统，凭借多功能模块布局、先进机器算法、高精度全自动检测效果，为中小型精密复杂工件测量及检测提供一站式高效全自动化智能检测解决方案，收获了客户朋友的深度认可。

经过研发升级，今天我们正式推出CASAIM-IS二代自动化智能检测系统，在上一代CASAIM-IS的基础上再一次迭代升级，集合CASAIM最新的“智能控制、智能成像、智能检测”三智技术，为企业质量控制打造了智能制造时代的检测新体验。CASAIM-IS（2ND）在软件和硬件上进行全面创新升级，致力打造更高效、更智能、更安全的全自动检测新模式。

全新光学传感器及成像系统，尽显极致蓝光

CASAIM-IS（2ND）采用CASAIM最新的光学技术和设计，搭载全球领先光学CCD成像系统和图形运算算法，420nm极致蓝光，将图像分辨率提升到新的高度，成就更高质量清晰图像。自定位追踪光学技术，成像精度不受人为操作、温度、光线变化等影响，灵活应用于智能制造企业各种工业检测、质量控制环境。

测头新增高速版本，快而不凡

CASAIM-IS（2ND）增加多款高速高精度光学测头模块化配置选项，速度高达225万次测量/秒，无论是扫描明暗对比强烈的表面特征，还是高亮度、高反光、透明的复杂工件，都能高效完成对工件数据的集采作业，自动执行相关检测程序的检测内容，自动出具检测报告。

CASAIM CONTROL V8.0软件，全流程高阶智能控制

CASAIM-IS（2ND）配置CASAIM自主研发的自动化智能检测系统软件——CASAIM CONTROL V8.0，新升级版本支持多个操作系统，在原来基础上优化了模块化布局，界面更加简洁易懂，同时开放多个拓展功能端口，简化三维检测工作流程，大大提升用户交互体验。CASAIM CONTROL V8.0为全自动化检测作业提供有力支撑，采集得到的三维模型可以轻松无缝集成到任何CAD软件中，满足不同行业应用场景需求。

支持CASAIM SAFETY 主动安全系统，让安全更周全

CASAIM SAFETY 是CASAIM最新一代主动安全系统，旨在提高设备的安全性能，减少意外事故的发生。该系统采用了先进的计算机视觉技术和人工智能算法，可以实时监测设备内部的作业环境，并在出现突发情况时采取相应的安全措施，以确保设备及操作人员在任何情况下都能得到全面的安全保障。当检测到危险时，CASAIM SAFETY 可以全自动感应及提前急停，以避免发生碰撞及设备损坏或人员事故的后果。

CASAIM-IS（2ND）在保证稳定可靠的检测环境下以颠覆性的智能算法及自动化部署模式带来极致性能和操作体验，未来CASAIM将进一步围绕客户应用场景开发创新性产品及服务，以技术领先的全自动化智能检测解决方案，推动智能制造产业升级和发展。

CASAIM
关注
技术视界︱“格物-致知”通用具身智能平台问世，重塑人形机器人开发生态
OpenLoong_的博客
06-09 1479
为有效突破行业困境，国家地方共建人形机器人创新中心（以下简称“国地中心”）以“具身共性底座+集成应用开发”为核心理念，在前期与上海大学联合发布的“格物”具身智能仿真平台相关工作基础上，2025年5月29日，在2025张江具身智能开发者大会上正式发布“致知”具身应用开发平台。
目标检测模型从训练到部署！
Datawhale
01-15 2853
Datawhale干货作者：张强，Datawhale成员训练目标检测模型并部署到你的嵌入式设备，让边缘设备长“眼睛”。目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别...
解析机器人流程自动化技术的原理
gstemG_maker的博客
02-23 1971
所谓机器人流程自动化技术，是指部署在计算机中的软件程序通过模仿人在计算机前工作时的操作过程来自动完成任务的应用软件技术。格物斯坦认为：其基本原理是：软件工程师根据任务要求事先设计脚本、编写软件程序并安装到计算机之中；软件程序在获得某项指令后即启动模仿人的双手对鼠标和键盘进行操作，进而在计算机及其所连接的网络上自动完成一系列的工作任务。这样的软件程序具有智能化操作与运行的能力，且工作原理明显区别于传统意义上具有物理实体的机器人，因而常常被形象地称为“软件机器人”。 早期的机器人流程自动化技术主要用于文档的自
华中科技大学电子信息与通信学院 2024 届就业去向统计，快来看看！
风口IT猪的成长录
08-10 3949
可以看到华科毕业生就业的行业非常广泛，从科技、医疗、金融到电力和通信等，显示出毕业生的就业选择多样化，当然一些头部央企还是非常吸引人的比如电网、中石油等国有企业，工作相对稳定，这对于追求长期职业发展和稳定性的毕业生来说是一个优势。汉海信息技术 (上海) 有限公司(大众点评)招银网络科技 (深圳) 有限公司成都分公司。上海格物致远网络科技有限公司 (字节)橡隆科技 (苏州) 有限公司武汉分公司。上海寻梦信息技术有限公司 (拼多多)上海寻梦信息技术有限公司 (拼多多)携程旅游网络技术 (上海) 有限公司。
关键点检测项目代码开源了！
Datawhale
01-12 3353
Datawhale干货作者：闫永强，算法工程师，Datawhale成员本文通过自建手势数据集，利用YOLOv5s检测，然后通过开源数据集训练squeezenet进行手部关键点预测，最后...
论述人工智能在电气工程自动化中的运用
gstemG_maker的博客
04-12 2447
当今时代,随着社会经济的不断进步以及科学技术的不断发展,电气工程及其自动化技术也在备受社会各界的关注,其自动化技术可以说是随着技术的发展而不断形成质的飞跃.电气工程及其自动化技术对于当前机器人的设计也产生了十分重要的影响,不管是人们的日常生活,还是工作,生产等方面,都通过自动化技术的应用而被人们广泛地认识,同时也正是因为机器人理念的产生,使得自动化技术能够引用其中. 人工智能在电气自动工程自动化上的运用的系统与传统的相比，在控制方面更具有一致性。其主要的表现为，人工智能对外界因素干扰的影响较小，在系统输入方
技术视界 | 「格物」仿真平台：推动具身智能技术革新
OpenLoong_的博客
03-31 2337
本文介绍了“格物”仿真平台的核心功能、技术创新、使用流程及未来愿景等。“格物”平台旨在降低机器人强化学习和运动控制的技术门槛，提供一站式仿真训练环境，加速机器人智能体的开发与应用。
JCRQ1河马算法+四模型对比！HO-CNN-BiLSTM-Attention系列四模型多变量时序预测
Matlab_dashi的博客
03-25 1526
多变量时序预测在工业、金融、气象等领域具有广泛的应用价值。本文以JCRQ1数据集为例，探讨了基于卷积神经网络 (Convolutional Neural Network, CNN)、双向长短期记忆网络 (Bidirectional Long Short-Term Memory, BiLSTM) 和注意力机制 (Attention Mechanism) 的混合模型在多变量时序预测中的性能。
多点创新！CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解+卷积长短期+注意力多元时间序列预测matlab实现
m0_60703264的博客
09-18 1464
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。🍎个人主页：Matlab科研工作室🍊个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击👇近年来，随着信息技术的飞速发展，时间序列数据在各行各业的应用场景日益广泛，例如金融市场预测、气象预报、电力负荷预测等等。精准有效地预测时间序列数据，对于各个领域科学决策和优化管理都具有重要意义。然而，由于时间序列数据往往具有非线性、非平稳性、噪声干扰等复杂特征，传统的预测模型难以取得理想的效果。
hihocoder和leetcode-Algorithm:格物致知！
07-06
hihocoder和leetcode Leetcode 在线平台 Comet OJ 教程 Just Code 针对面试训练算法题， 目前包括字节跳动面试题、 ...写在20年初的校招面试心得与自学CS经验及找工作分享 ...手把手撕LeetCode题目，扒各种算法套路的裤子...
人工智能机器人实现教学自动化的方法
gstemG_maker的博客
07-04 527
人工智能与教育系统以人类的知识实践为纽带，两者存在多层次、复杂且密切的相互作用，人工智能应用于教育实践具有逻辑必然性。人工智能是科学、工程与数学，但是人工智能教育应用是具有社会历史文化属性的人类教育实践，其大范围开展有赖于教育主体(教师、管理者、学生、组织机构)理解人工智能在教育活动中的作用方式、可能与限度。本文从微观教育过程层面，分析人工智能是“如何”应用于教育的，即其实现教学自动化的方法。从核心实现技术的角度看，智能教学系统可以分为专家系统和机器学习两类。本文选择四个智能教学系统，分析其实现教学自动化的
用人工智能技术实现全自动化管理
gstemG_maker的博客
03-09 787
由大数据驱动的人工智能（AI）技术取得了飞速发展。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，其目标是实现智能行为和“机器思维”，解决需要人类专家才能处理的问题。将人工智能技术应用于设备资产管理活动中，企业可从物联化的设备资产中收集数据，并进行数据挖掘、关系构建、算法训练与学习推理，由此产生的洞察，不但能帮助企业来更好地运营和维护高价值资产，从而优化绩效，延长资产生命周期，机器人教育活动并减少运营停机时间和成本，而且能帮助企业做出更明智的决策、提高效率、执
定时任务管理：cron / systemd-timer 自动化任务调度
星哥玩云
11-30 722
摘要：本文对比了Linux系统中两种主流定时任务工具cron和systemd timer。cron语法简单，适合基础任务调度，但日志分散且功能有限；systemd timer整合systemd服务管理，支持失败重试、日志集中查看和任务依赖，更适合生产环境。文章详细介绍了两种工具的配置方法、使用场景和优缺点，建议简单任务使用cron，复杂任务选择systemd timer。最后提供了任务稳定性优化建议，帮助用户构建更可靠的自动化调度系统。
突破协议壁垒：耐达讯自动化Ethernet/IP转CC-Link网关在工业互联中的核心应用
bjnykj的博客
12-03 389
面对日益普及的Ethernet/IP工业以太网与仍广泛部署的CC-Link现场总线之间的通信障碍，耐达讯自动化Ethernet/IP转CC-Link协议转换网关，提供了一套专业、可靠的解决方案。总结：耐达讯自动化Ethernet/IP转CC-Link网关，凭借其专业的协议解析能力、工业级的稳定性能和便捷的配置工具，成为连接新旧工业生态的桥梁。物流仓储系统：连接高位立体库的调度系统（Ethernet/IP）与穿梭车、堆垛机上的本地操作终端（CC-Link触摸屏），确保物流指令的高效执行。
【探索实战】跨云应用分发自动化实战：基于Kurator的统一交付体系深度解析
qq_39757921的博客
11-29 1012
本文深度解析如何利用Kurator构建企业级跨云应用自动化分发体系。文章从分布式应用分发的核心挑战入手，详解Kurator基于Fleet抽象GitOps机制和智能调度的三位一体架构设计。通过完整的实战演示，展示从多云集群纳管、应用定义、策略配置到自动化分发的全流程，并针对网络异构、配置漂移等生产级问题提供解决方案。实测数据表明，该方案可实现5分钟完成多集群环境初始化，应用分发效率提升85%资源利用率提升40%，为企业在多云环境下实现标准化、自动化、可视化的应用交付提供完整参考。定义跨云应用。
扫描电镜选购指南：智能、稳定与自动化的综合考量
最新发布
扫描电镜
12-03 281
新一代扫描电镜正迈向智能化与自动化，实现从"看清"到"自动判断"的升级。飞纳PhenomXLG3智能扫描电镜具备3000小时长寿命灯丝、AI自动统计、Python脚本控制等创新功能，支持无人值守检测。其专利减震系统适应车间等复杂环境，集成能谱实现形貌与成分同步分析。该设备融合Philips、FEI等技术积淀，兼具科研级性能和工业稳定性，特别适合材料分析、失效检测等场景，可显著提升检测效率5-10倍，是连接实验室与生产线的智能检测解决方案。
n8n实战营Day3：电商订单全流程自动化·需求分析与流程拆解
陈奕昆的博客
11-29 1282
本文详细拆解了电商订单处理全流程自动化方案，针对手动操作存在的三大核心痛点：多平台订单整合效率低、库存同步滞后风险高、物流信息推送不及时。通过n8n工作流设计，将流程划分为6大环节（订单抓取、数据清洗、订单去重、库存处理、物流对接、信息推送），并给出节点选型建议和关键配置要点。重点强调数据标准化的重要性，包括字段映射规范和传递规则，为后续实操提供清晰的"施工蓝图"。下节将进入实操阶段，重点讲解多平台订单抓取和ERP对接的具体实现。
专为 CTF 设计的自动化 AWD 工具：包含流量监控、Webshell 管理和 Flag 自动提交
LiBai'S BLOG
11-29 348
AWD 攻防竞赛自动化工具箱AWD-H1m 是一款专为 CTF AWD (Attack With Defense) 赛制设计的桌面应用程序，帮助参赛选手在有限的比赛时间内高效完成攻击、防御、流量分析与 Flag 提交等核心任务。
基于Chrome140的Reddit账号自动化——脚本撰写（二）
守城小轩的技术窝棚
12-03 721
本文介绍了基于RPA框架的Reddit自动化浏览系统开发方案。系统采用状态机模式管理页面状态，通过权重化随机动作系统模拟真实用户行为，包括智能滚动、停留和内容交互等功能。核心架构包含页面控制器、动作执行器和状态识别模块，支持灵活的权重配置和异常处理。该系统具有模块化设计、行为自然、易于扩展等特点，为Reddit自动化浏览提供了完整的解决方案。下一阶段将重点介绍系统部署和性能优化。
格物具身智能仿真平台怎么用python api交互，github地址：https://github.com/loongOpen/Unity-RL-Playground
11-27
<think> 我们注意到用户引用了几个关于微信小游戏Unity适配器的文档，但这些引用与用户当前询问的“格物具身智能仿真平台（Unity-RL-Playground）”无关。用户实际上想了解的是如何通过Python API与格物具身智能仿真平台（项目地址：https://github.com/loongOpen/Unity-RL-Playground）进行交互。 根据用户提供的GitHub地址，我们查看项目README和代码结构，发现该项目是一个基于Unity的强化学习训练环境，提供与Python的交互接口。下面将介绍如何使用其Python API进行交互： ### 一、环境配置 1. **克隆仓库** 首先需要克隆项目到本地： ```bash git clone https://github.com/loongOpen/Unity-RL-Playground.git cd Unity-RL-Playground ``` 2. **安装依赖** 项目要求Python 3.6+，并安装必要的依赖： ```bash pip install numpy grpcio grpcio-tools protobuf ``` 3. **构建Unity可执行文件** 使用Unity打开项目，在`Build Settings`中选择目标平台（如Windows/Linux），然后构建生成可执行文件。或者直接下载预编译的二进制文件（如果有提供）。 ### 二、Python API交互流程 1. **启动Unity环境** 运行构建好的Unity可执行文件，它将启动一个gRPC服务端等待连接。 2. **初始化Python客户端** 在Python中导入项目提供的客户端模块： ```python from unity_rl_playground import UnityRLClient ``` 3. **建立连接** ```python client = UnityRLClient(host='localhost', port=50051) # 默认地址和端口 ``` 4. **环境控制** ```python # 重置环境 observation = client.reset() # 执行动作 action = [0.5, 0.2] # 示例动作，具体维度由环境决定 next_observation, reward, done, info = client.step(action) # 获取环境信息 state = client.get_state() ``` 5. **场景管理（可选）** 如果项目支持多场景： ```python # 切换场景 client.load_scene("Scene2") ``` ### 三、高级功能 1. **多智能体控制** 如果环境支持多智能体： ```python # 重置并获取所有智能体的初始观测 all_obs = client.reset() # 为每个智能体执行动作 actions = { "agent1": [0.1, 0.3], "agent2": [0.8, -0.2] } results = client.step(actions) ``` 2. **环境配置** 修改环境参数： ```python client.configure( max_steps=1000, gravity=9.7 ) ``` 3. **实时渲染控制** ```python # 开启/关闭渲染 client.set_render(True) # 设置渲染速度 client.set_time_scale(2.0) # 2倍速 ``` ### 四、示例代码 ```python import time from unity_rl_playground import UnityRLClient client = UnityRLClient() obs = client.reset() for _ in range(100): action = [1.0, 0.5] # 连续动作空间示例 obs, reward, done, _ = client.step(action) if done: obs = client.reset() time.sleep(0.1) client.close() ``` ### 五、注意事项 1. **通信协议**：基于gRPC，协议定义在`proto/rl_env.proto`[^1] 2. **错误处理**：调用时需捕获`grpc.RpcError`异常 3. **性能优化**：对于高频交互，建议使用`client.step_batch(actions)`进行批处理 > **提示**：具体API可能随项目更新变化，请以项目最新文档为准。若遇到连接问题，检查Unity端是否显示"gRPC Server started"。 §§相关问题§§ 1. 如何处理Unity-RL-Playground中的连续动作空间？ 2. 如何扩展Unity-RL-Playground的自定义环境？ 3. 怎样在Unity-RL-Playground中实现多智能体训练？ 4. 如何优化Unity-RL-Playground的通信延迟？ [^1]: 项目proto文件定义：https://github.com/loongOpen/Unity-RL-Playground/tree/main/proto </think> ### 格物具身智能仿真平台 Python API 交互指南 格物具身智能仿真平台（Unity-RL-Playground）通过 gRPC 协议实现 Python 与 Unity 的通信。以下是完整交互流程： --- ### 一、环境配置 1. **安装依赖** ```bash pip install grpcio grpcio-tools numpy protobuf ``` 2. **获取协议文件** 从仓库下载通信协议文件： ```bash wget https://raw.githubusercontent.com/loongOpen/Unity-RL-Playground/main/Assets/Scripts/GRPC/rl_env.proto ``` 3. **生成 Python 接口代码** ```bash python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. rl_env.proto ``` 生成 `rl_env_pb2.py` 和 `rl_env_pb2_grpc.py` 文件[^1]。 --- ### 二、核心交互流程 #### 步骤 1：启动 Unity 环境 1. 在 Unity 编辑器中打开项目 2. 运行场景 `RLEnvironment` 3. Unity 控制台将显示监听端口： ``` gRPC server started on port 50051 ``` #### 步骤 2：Python 客户端连接 ```python import grpc import rl_env_pb2 import rl_env_pb2_grpc # 创建 gRPC 通道 channel = grpc.insecure_channel('localhost:50051') stub = rl_env_pb2_grpc.RLEnvStub(channel) ``` #### 步骤 3：环境控制 ```python # 重置环境 reset_request = rl_env_pb2.ResetRequest() reset_response = stub.Reset(reset_request) print(f"初始状态: {reset_response.state}") # 执行动作 action = rl_env_pb2.Action( continuous=[0.5, -0.2], # 连续动作空间 discrete=1 # 离散动作ID ) step_request = rl_env_pb2.StepRequest(action=action) step_response = stub.Step(step_request) print(f"新状态: {step_response.state}") print(f"奖励: {step_response.reward}") print(f"是否终止: {step_response.done}") ``` #### 步骤 4：获取环境信息 ```python # 获取观测空间 obs_request = rl_env_pb2.ObservationSpaceRequest() obs_response = stub.GetObservationSpace(obs_request) print(f"观测维度: {obs_response.shape}") # 获取动作空间 action_request = rl_env_pb2.ActionSpaceRequest() action_response = stub.GetActionSpace(action_request) print(f"连续动作范围: {action_response.continuous_range}") print(f"离散动作数: {action_response.discrete_count}") ``` --- ### 三、高级功能实现 #### 1. 多智能体控制 ```python multi_action = rl_env_pb2.MultiAgentAction( agent_actions={ "robot1": rl_env_pb2.Action(continuous=[0.3, 0.7]), "robot2": rl_env_pb2.Action(discrete=2) } ) multi_request = rl_env_pb2.StepRequest(action=multi_action) ``` #### 2. 实时渲染控制 ```python # 开启/关闭渲染 render_request = rl_env_pb2.RenderRequest(enable=True) stub.SetRender(render_request) # 设置渲染速度 speed_request = rl_env_pb2.TimeScaleRequest(scale=2.0) # 2倍速 stub.SetTimeScale(speed_request) ``` #### 3. 自定义环境参数 ```python config = rl_env_pb2.EnvironmentConfig( gravity=8.0, # 调整重力 max_steps=1000, # 最大步数 reward_scale=2.0 # 奖励缩放 ) config_request = rl_env_pb2.ConfigureRequest(config=config) stub.Configure(config_request) ``` --- ### 四、示例：完整训练循环 ```python import numpy as np for episode in range(100): state = stub.Reset(rl_env_pb2.ResetRequest()).state done = False total_reward = 0 while not done: # 随机策略示例 action = rl_env_pb2.Action( continuous=np.random.uniform(-1, 1, 2).tolist() ) response = stub.Step(rl_env_pb2.StepRequest(action=action)) state = response.state done = response.done total_reward += response.reward print(f"Episode {episode} 总奖励: {total_reward}") ``` --- ### 五、调试技巧 1. **连接检查** ```python try: stub.Ping(rl_env_pb2.PingRequest()) print("连接成功") except grpc.RpcError as e: print(f"连接失败: {e.code()}") ``` 2. **错误处理** ```python try: response = stub.Step(invalid_action) except grpc.RpcError as e: if e.code() == grpc.StatusCode.INVALID_ARGUMENT: print("动作超出范围") ``` 3. **性能优化** ```python # 开启 gRPC 通道压缩 channel = grpc.insecure_channel( 'localhost:50051', options=[('grpc.default_compression_algorithm', 2)] # 开启 gzip ) ``` > **重要提示**：完整 API 定义参考项目中的 `rl_env.proto` 文件[^1]，更新时需重新生成接口代码。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值