程序猿追的博客

原创 基于STM32智能循迹避障小车

电机旋转就是我们小车轮子旋转了，我们先看看然后让一个轮子转起来。电机驱动的PWMA接PA1口，AIN2与AIN1接PA5与PA4口，根据定义表中，我们要使用定时器(TIM) 2的通道(Channel) 2，所以初始化代码是。代码待优化，后续来总结。

原创 OrangePi AIpro 开箱初体验及语音识别样例

原创 TextIn文档解析方案：使用大模型文档问答，我们可以不再长时间等待吗？

最近，“多所高校规范大学生用AI写论文”的词条上了微博热搜。从一个侧面也说明，大模型已经深入高校学术群体的日常使用，成为学术规范方面不能回避的新趋势。对研究者来说，大模型能做的不只是根据指令生成文字，帮学生党完成写作，也能在更多方面充当一个不眠不休、陪伴价值拉满的助手。

原创 从MVC 到DDD 架构

最近在做一个项目，使用的是DDD架构思，觉得很不错，在此记录下。

原创 ONLYOFFICE——让协作更简单、更智能的开源办公软件！

在如今数字化时代，高效的办公和协作工具对于开发者和企业来说至关重要。ONLYOFFICE作为一款全面而强大的开源办公套件，为开发者和企业提供了一系列令人兴奋的功能和特点。本文将介绍ONLYOFFICE，着重从开发者的角度探讨其主要特点及优势。

原创 多级缓存快速上手

传统的缓存策略一般是请求到达Tomcat后，先查询Redis，如果未命中则查询数据库，这个是没有问题的，但是这存在一些问题（请求要经过Tomcat处理，Tomcat的性能成为整个系统的瓶颈 ；Redis缓存失效时，大量的数据操作会对数据库产生冲击 ）。

原创 若依前后端分离版，快速上手

若依框架（RuoYi）是一套基于Java开发的快速开发框架，它提供了许多常用的功能模块和工具，包括用户管理、部门管理、角色管理、菜单管理、字典管理、系统监控、定时任务等。若依框架采用了MVC（Model-View-Controller）的架构模式，使用了Spring Boot、MyBatis等流行的开源框架，可以帮助开发者快速搭建企业级的后台管理系统。若依框架还提供了许多可视化的操作界面，使得开发者可以方便地进行系统配置和管理。

原创 快速搭建自己的应用，尽在 YonBuilder：让你的想法瞬间成真！

低代码开发平台的关键价值在于改变应用构建方式，例如使业务人员和开发人员借助快速搭建的原型实现无阻碍沟通，在短时间内满足业务需求，亦或者让刚入职场的小白快速上手，通过低代码的可视化降低应用构建复杂度，来大大提高工作效率。

原创 HttpClient 入门使用示例

HttpClient 是Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。

原创 Spring Task 快速入门

是Spring框架提供的任务调度工具，可以按照约定的时间自动执行某个代码逻辑。cron表达式其实就是一个字符串，通过cron表达式可以定义任务触发的时间分为6或7个域，由空格分隔开，每个域代表一个含义每个域的含义分别为：秒、分钟、小时、日、月、周、年(可选)2022注意：一般日和周的值不同时设置，其中一个设置，另一个用？表示（周与日不能同时设置，他们俩必须有一个为问号）。为了描述这些信息，提供一些特殊的字符。这些具体的细节，我们就不用自己去手写，因为这个cron表达式，它其实有在线生成器。

原创 快速上手Apache POI

Apache POI 是一个处理Miscrosoft Office各种文件格式的开源项目。简单来说就是，我们可以使用 POI 在 Java 程序中对Miscrosoft Office各种文件进行读写操作。 一般情况下，POI 都是用于操作 Excel 文件。

原创 Redis快速入门及在Java中使用Redis

Redis是用C语言开发的一个开源的高性能键值对(key-value)数据库，官方提供的数据是可以达到100000+的QPS（每秒内查询次数）。它存储的value类型比较丰富，也被称为结构化的NoSql（NoSql（Not Only SQL），不仅仅是SQL，泛指非关系型数据库。NoSql数据库并不是要取代关系型数据库，而是关系型数据库的补充。 ）数据库。

原创 Mybatis报错: Parameter ‘XXX‘ not found. Available parameters are [arg1, arg0, param1, param2]解决方案及问题原因

哈喽~大家好，这专栏是记录经常出现的报错一些问题，这篇来看看Mybatis报错: Parameter ‘XXX‘ not found. Available parameters are [arg1, arg0, param1, param2]解决方案及问题原因。

原创 企业级后台集成方案vue-element-admin

vue-element-admin 是一个后台前端解决方案，它基于 vue和 element-ui实现。它使用了最新的前端技术栈，内置了 i18 国际化解决方案，动态路由，权限验证，提炼了典型的业务模型，提供了丰富的功能组件，它可以帮助你快速搭建企业级中后台产品原型。相信不管你的需求是什么，本项目都能帮助到你。

原创 Java 某厂面试题真题合集

MySQL事务主要用于处理操作量大、复杂度高的数据。比如：在人员管理系统中删除一个人员，你既需要删除人员的基本资料，也需要删除和该人员相关的信息，这样，这些数据库操作语句就构成一个事务。InnoDB数据引擎的数据库才支持事务。

原创 Axios网络请求

在实际项目开发中，前端页面所需要的数据往往需要从服务器端获取，这必然涉及与服务器的通信。

原创 FreeRTOS内存管理

函数描述申请内存释放内存获取当前空闲内存的大小。

原创 FreeRTOS消息队列

创建队列函数描述动态方式创建队列静态方式创建队列动态创建队列时，FreeRTOS会在运行时从其内置的堆中为队列分配所需的内存空间。这种方式更加灵活，允许系统根据需要动态调整内存。相反，静态创建队列要求用户在编译时手动为队列分配内存，而不依赖于FreeRTOS的堆管理。这使得内存的分配在编写代码时就能确定，因此在资源受限或对内存使用有严格要求的嵌入式系统中可能更为合适。总体而言，动态创建提供了更大的灵活性，但可能会增加堆管理的复杂性。静态创建则更为直观，适用于在编译时就能确定内存分配的情况。

原创 FreeRTOS 列表和列表项

在FreeRTOS的源码中大量地使用了列表和列表项，因此想要深入学习FreeRTOS，列表和列表项是必备的基础知识。这里所说的列表和列表项，是FreeRTOS源码中List和List Item的直译，事实上，FreeRTOS中的列表和列表项就是数据结构中的链表和节点。列表和列表项简介1、列表（List）列表是 FreeRTOS 中最基本的一种数据结构，其在物理存储单元上是非连续、非顺序的。

原创 FreeRTOS 任务

FreeRTOS任务基础知识。

原创 FreeRTOS 中断管理

一、ARM Cortex-M 中断简介中断是 CPU 的一种常见特性，中断一般由硬件产生，当中断发生后，会中断 CPU 当前正在执行的程序而跳转到中断对应的服务程序种去执行，ARM Cortex-M 内核的 MCU 具有一个用于中断管理的嵌套向量中断控制器（NVIC，全称：Nested vectored interrupt controller）。ARM Cortex-M 的 NVIC 最大可支持 256 个中断源，其中包括 16 个系统中断和 240 个外部中断。

原创 FreeRTOS 系统配置

在实际的应用场景中使用 FreeRTOS，需要考虑各方面的因素，例如所使用的芯片架构、芯片的 Flash 和 RAM 的大小。为了使 FreeRTOS 适用于各种各样的场景，FreeRTOS 被设计成可配置和裁剪的，本章就来详细地讲解如何配置和裁剪 FreeRTOS。本文分为如下几部分：FreeRTOSConfig.h 文件“config”配置项“INCLUDE”配置项其他配置项

原创 基于STM32平衡车

注意，转向坏的大小，影响到左右拐的幅度。emmm，剩下的还没总结出来，想这样吧，后续补上。

原创 置信传播算法复现

例如，许多其他资源分配、调度安排、路径规划等问题在本质上与0 - 1背包问题有相似之处，通过对0 - 1背包问题的研究，可以探索通用的求解策略和近似算法，用于解决更广泛的NP难问题。例如，一家电子产品制造企业有一定数量的芯片、电路板等原材料，以及有限的生产线使用时间，要决定生产哪些型号的电子产品（每个型号产品视为一个物品，其价值为利润，重量为所需资源量），从而在不超过资源限制的情况下获得最大利润。载重约束为因子图中的一个因子节点，每个物品的状态约束为一个子句节点，变量节点与包含该变量的子句节点相连。

原创 改进的正弦余弦算法复现

通过详细分析论文中的算法原理、实验设置，使用Python编程语言进行精确的代码实现，然后对算法性能进行测试和评估，包括与基本SCA算法的对比以及与其他元启发式算法的比较（如果可能的话），以验证I - SCA算法在求解0 - 1背包问题上的有效性、收敛速度、求解精度和稳定性等方面的优势。传统求解0 - 1背包问题的方法如回溯法、动态规划法和分支界定法等，虽然在理论上可行，但随着问题规模的增大，这些方法的运行时间会显著变长，难以满足实际应用中对高效求解的需求。

原创 改进探路者算法复现

在现实生活中，许多决策问题都可以转化为0 - 1背包问题，例如投资决策（选择哪些项目进行投资，每个项目有相应的成本和预期收益，资金有限相当于背包容量有限）、货物装载（决定哪些货物装入运输工具，货物有重量和价值，运输工具的载重有限）以及资金预算等。：若一个解是不可行解（即装入背包的物品总重量超过背包容量），优先将价值与重量比值较小的物品移出背包，这个过程不断重复，直到背包中物品的总重量小于背包的最大承重量为止。：按照基本探路者算法的规则，更新探路者和跟随者的位置，模拟种群寻找食物的探索过程，实现优化。

原创 图片自定义水印

PIL是Python的第三方图像处理库，其中Image模块作为PIL库的基本核心类，可以用来例如加载图像和创建新图像等用途，而说到给在图片上添加水印，要用到的方法就是ImageDraw.Draw.text()，里面有包括6个参数，其中经常被用到的也就下面四个。fill：水印样式，包括颜色、透明度等。xy：添加水印的坐标，x坐标和y坐标。text：具体添加水印的文本内容。3、选择水印的相对位置（可选）2、输入要添加的水印文字。本文所涉及所有资源均在。

原创 图像边缘算法复现研究

它首先对图像进行平滑处理以消除噪声，然后对平滑后的图像求一阶偏导得到图像梯度的幅值和方向，接着进行非极大值抑制处理初步得到边缘点，最后使用两个阈值确定强边缘和弱边缘，只有当弱边缘与强边缘连接时，弱边缘才会输出。：准确的边缘检测能够提取出图像中更清晰、更准确的边缘信息，从而提高后续图像分析任务的准确性。在图像分割中，边缘信息可以作为分割的重要依据，提高分割的精度和效果。例如，在去除图像噪声的同时保留边缘信息，可以提高图像的视觉质量和清晰度，使图像更符合实际应用的需求。

原创 利用图像识别给CAD图纸找不同

将相减后得到的结果图像进行二值化处理，即将非0值转换为255值，将0值保持不变，得到一张黑白的二值图像，其中白色代表两张原始图像有差异的区域，黑色代表两张原始图像无差异的区域。对于扩展后的图像中的每一个像素点，将其邻域与高斯核矩阵进行卷积运算，得到新的像素值，所有新的像素值组成一个新的图像，即为高斯滤波后的图像。：接着对腐蚀后的图像进行膨胀操作，膨胀是一种扩张操作，它取每一个只位根据前面的腐蚀操作所确定的位置，取其邻域内值的最大值作为该位置的输出灰度值。通过腐蚀操作，可以消除小区域内的噪声或误检点。

原创 基于Opencv的图像处理软件

该文档介绍了一种基于 OpenCV 的图像处理软件，用 Python 编写，含图像处理和图形界面模块，通过多种算法实现形态学运算、去噪、特征提取等功能，有友好界面及实用效果，可用于多领域。例如在医学研究中，通过对大量病理图像的处理和分析，可以发现疾病的新特征和规律，推动医学研究的发展。在工业生产中，通过图像处理软件对产品进行检测和分析，可以快速筛选出不合格产品，减少人工检测的误差和时间成本，从而提高生产效率和产品质量。：以每个像素点为圆心生成不同半径的圆，统计圆与实际图像的差距，确定圆的位置和半径。

原创 绘制解析几何二次曲面图象软件

a. 先计算zl = ((x.^2 /(a*a) + y.^2 /(b*b)) - 1)，然后取z = real(sqrt(zl))得到正的z值，使用surf函数绘制曲面，再通过hold on保留图形，绘制z为负的部分。a. 根据方程z = sqrt((x.^2 /(a*a) + y.^2 /(b*b)) + 1)计算z值，使用surf函数绘制曲面，同样hold on绘制z为负的部分并添加标题。首先定义了符号变量t1和t2，然后设定了椭球面标准方程中的参数a = 1，b = 4，c = 2。

原创 二进制狼群算法

通过对10个经典的背包问题算例和3个高维背包问题的仿真实验验证，表明该算法具有相对较好的稳定性和全局寻优能力，能够为实际应用中的资源合理分配和任务高效调度等提供有效的解决方案。在移动过程中，猛狼可能会根据自身与头狼位置编码位的差异，改变一些编码位的值，使其更接近头狼的位置（对应于选择更接近头狼的物品组合）。参与围攻的狼根据自身与头狼位置编码位的差异，以一定的攻击步长改变一些编码位的值，以提高背包中物品组合的价值。目标是选择一组物品放入背包，使得背包中物品的总价值最大，同时满足背包的容量限制。

原创 ESP8266学习记录

我们的ESP866-NodeMCU虽然也能实现网络服务器的一些功能，但是毕竟它的运算能力是无法与那些昂贵的服务器电脑相媲美的，因此ESP8266-NodeMCU只能实现一些基本的网络服务功能。在开始讲解如何使用WiFiManager库来配置ESP8266的WiFi设置前，我们需要首先清除ESP8266的WiFi连接信息，这样才能看到WiFiManager库的工作效果。这与用您的手机通过WiFi连接无线路由器的模式相同，说白了就是可以连接自己的wifi 或者手机热点，是个人pc与8266在同一个局域网里面。

原创 CENet及多模态情感计算实战

为了缩小这些异质模态之间的初始分布差异，进而减少在融合过程中非文本特征和文本特征之间的分布差距，本文提出了一种将非文本向量转换为索引的特征转换策略。此外，针对声学模态和视觉模态，提出了一种特征转换策略，以减少语言模态和非语言模态的初始表示之间的分布差异，从而促进不同模态的融合。嵌入层的参数可学习，用于将经过特征转换策略处理后得到的非文本索引向量映射到高维空间，然后生成文本模态对非文本模态的注意力权重矩阵。提出一种特征转换策略，通过减小文本模态和非文本模态的初始表示之间的分布差异，促进了不同模态的融合；

原创 记忆注意力用于多模态情感计算！

将基于文本的声学嵌入和基于文本的视觉嵌入结合起来，形成非语言增强嵌入。此外，由于现如今大多数的情感计算数据集都是基于英文语言开发的，所以我加入了中文数据集（SIMS, SIMSv2）应用在模型中，以开发适用于国人的情感计算分析模型，在未来，我也计划加入更多小众数据集，以便检测更隐匿的情感，如嫉妒、嘲讽等，使得AI可以更好的服务于社会。具体来说，受CENet的启发，我们采用kmeans算法将视觉和声学数据的真实的向量序列转换为索引，建立不同的“声学词汇”和“视觉词汇”，以减轻异构模态之间的初始分布差异。

原创 让机器感受你的情绪！

在多模态情感计算中，不同模态的数据可能存在时间上的依赖关系，比如语音的情感表达可能会受到人脸表情变化的影响，而LSTM能够有效地处理这种时序信息，提高模型对情感变化的准确性。特征融合与表示学习: 在多模态情感计算中，不同模态的数据往往具有不同的特征表示形式，如文本的词向量、图像的卷积特征、语音的声学特征等。[注]：文中的使用的数据进行了重新提取，以适应当前复现和改进的模型，其中模型文件在附件中，数据、预训练模型在附件中的readme文件中都附上了下载链接，喜欢的朋友可以下载讨论！

原创 即插即用的3D神经元注意算法！

其次，它们的结构是由一系列复杂的因素构成的，例如，池的选择。与现有的基于通道和空间的注意力模型相比，该模型在不增加参数的情况下，为一个层中的特征映射推断3D注意力权重.具体地说，作者基于一些著名的神经科学理论，提出了优化能量函数来确定每个神经元的重要性。

原创 知识图谱推理（论文复现）

为了改进这些问题，本研究引入了创新的自适应传播策略AdaProp，并与传统的Red-GNN方法进行了对比实验。通过实际运行AdaProp和Red-GNN两种方法，并在多个数据集上进行实验验证，结果显示AdaProp在多项性能指标上取得了显著的提升。AdaProp的成功实现在理论和实践层面上都为知识图谱推理开辟了新的可能性，强调了自适应传播策略的重要性。通过有效的采样技术来动态调整传播路径，既考虑到查询实体和查询关系的依赖性，又避免在传播过程中涉及过多无关实体，从而提高推理效率并减少计算成本。

原创 农作物病害叶子图像分割

在许多领域，如医学图像分析、自动驾驶、物体识别和机器人导航等，图像分割都具有广泛的应用。如果您不是做叶子图像分割的，您也可以使用这个去分割这种2D类型的图像，需要人为的标注图像，这个根据您的需要，拿出来数据集中的一部分去进行标注，这个我附件里面有详细的教学视频链接，可供您使用，这里我以的是叶子图像为例，当然你们可以标注其他的图像然后训练自己的分割网络，这些都是可以的，授人以鱼不如授人以渔。如果您是做叶子图像分割的，下载好代码，安装好我为您提供的库，可以直接使用我预训练好的模型去分割您的数据集。

原创 自监督高效图像去噪

随着深度学习的发展，各种图像去噪方法的性能不断提升。然而，目前的工作大多需要高昂的计算成本或对噪声模型的假设。该方法使用一个简单的两层卷积神经网络和噪声到噪声损失（Noise to Noise Loss），在只使用一张测试图像作为训练样本的情况下，实现了低成本高质量的图像去噪。具体地，其通过将图像分割为大小为 2 × 2 的非重叠补丁，并将每个补丁的对角线像素取平均值并分配给第一个子图，然后将反对角线像素取平均值并分配给第二个子图像。输入的原始图像路径，默认为"dog.jpg"，即我提供的样例。