- 博客(319)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 cnn中的dropout技术
编程中犯浑，无意栽柳，我就不必去求证了，辛顿估计也是这样的（前人很感兴趣的研究出了成果），促使他的dropout技术，论文我也没看，我就这个风格，喜欢瞎猜！然而，我没意识到使用序号（6*16）index=i*w+j，在6*18中已经变了，然而没有意识到，训练成绩反而成了佼佼者！我在无意中，把这个connection_table增加了两列=6*18，增加两列使用五合一。按辛顿的意思，dropout是随机丢弃一部分，我想，这是什么意思，有意的安排，变成了乱序，不就是随机吗？，可能给了辛顿灵感！
2025-03-25 22:09:12
542
原创 机器视觉匹配中使用bpnet匹配（补充,形状匹配与bpnet匹配对比）
bpnet也就是这样，在手写数字识别上，还行，训练平均能够97分，一旦放入机器视觉匹配，1024*768的图像，+-45度旋转识别，慢的头大，看看我做实验的数据：（毫秒：小于40毫秒）+-45度搜索匹配，得1分钟，不行啊！得分55，角度-19，匹配位置(464,260)，毫秒；得分99.3，角度-19，匹配位置(464,260)，45秒；得分66，角度-8，匹配位置(548,184)，毫秒；得分64，角度1，匹配位置(504,164)，毫秒；得分99.3，角度1，匹配位置(504,164)，47秒；
2025-03-25 12:32:41
152
原创 卷积神经网络(cnn,类似lenet-1，八)
/每一个deltacnnx，都对应25个28*28中的数据元素，以及一个5*5的卷积核。Point temppt = 求二维(i, jilumnna[i].Y, jilumnna[i].X);其实公式是没有问题的，问题出在程序中，第一次卷积中，forward方向少了sigmoid！刚好我有彩色相机，不必10个输出，1个就好，在机器视觉中试一试，也不需要什么数据集！但是再往上走，可能性变为0.训练12万次也不行，当时也不知道，就认了！还是那句话，权重参数w就是卷积核，卷积核就是权重w！
2025-02-28 17:11:35
872
原创 卷积神经网络(cnn,He初始化+relu+softmax+交叉熵+卷积核+后更新，七)
是初心，很重要，有一段时间丢了，现在又找回来了！确实效果好，学习率0.2时，不觉察，但是0.02就会很明显！3层bpnet手写上97分。学习率，以前全部0.2.想分数上升，这是必须的！
2025-02-28 16:36:12
222
原创 卷积神经网络(cnn,He初始化+relu+softmax+交叉熵+卷积核，六)
才能推导出he初始化+relu+softmax+交叉熵+卷积核=cnn公式：，这才是cnn。我使用28*28gaos后，获得14*14图像作为网络输入，用了8个5*5 的卷积核！实际上，我们前面卷积核cnn中找x【？】的方法，一模一样，一个代码都不用改！现在w1cnn变成一个卷积核了，x不知道取什么值了，就是这个问题。里边只改动e初始化+relu+softmax+交叉熵即可！先实验1个卷积核，ok，再扩展！只能满足：He初始化+relu+softmax+交叉熵。我是直接在自己的八个卷积核上实验，ok。
2025-02-28 16:09:36
585
原创 He初始化+relu+softmax+交叉熵（五）
（四）中，看了很久，才发出来，原因是有个东西吓我一大跳！经确认，是正确的。毕竟程序已经行云流水了！这个博文中关于交叉熵的推导要注意一点：=p【k】-y【k】，这个公式的推导是ok的，要做一点点修改：针对loss（c）有=p【k】-y【k】;c也是0到9.所以L=loss（c）那么：（p【k】-y【k】），所以我们的程序才能正常跑数学上真不敢马虎啊！否则，程序不是白瞎了嘛！公式已经推导完成，我们再谈he初始化在back中的作用和影响，以做结尾。
2025-02-26 15:47:35
373
原创 He初始化+relu+softmax+交叉熵（四）
X【196】-》HI【80】/HO【80】-》YI【10】/z【10】，z【10】对应的概率p【10】，期望是y【10】X【196】-》HI【80】/HO【80】-》YI【10】/YO【10】，期望是d【10】用笨办法，展开他，当k指定时，对z[k](等同p[k])求偏导!别人程序看不懂，没关系，根据自己推导的公式，码代码！好，这就大功告成了，i，j，k搞清楚了，w1偏导数推导，以及i，j的准确位置和。X，HI之间用w1【196，80】好，我们求w1，这里关键在于烦人的。的偏导数，当j=10，
2025-02-26 12:37:09
408
原创 He初始化+relu+softmax+交叉熵（三）
X【196】-》HI【80】/HO【80】-》YI【10】/z【10】，z【10】对应的概率p【10】，期望是y【10】是relu+softmax+交叉熵的思维导图。X【196】-》HI【80】/HO【80】-》YI【10】/YO【10】，期望是d【10】是bpnet思维导图。X【196】-》HI【80】/HO【80】-》YI【10】/YO【10】，期望是d【10】————————————————(复制过来，乱码，太不厚道)X，HI之间用w1【196，80】X，HI之间用w1【196，80】
2025-02-26 10:47:35
369
原创 He初始化+relu+softmax+交叉熵（二）
恰好，实现了，97界限在一分类的识别和精细定位匹配上，差错很大，这个界限要到达996，997的样子，匹配识别效果，才能显现！其实也不用学六万次，针对十个数字，其实6千次就可以了（精细匹配中我就学5000次，3千，2千次都试过，还是5千次训练学习较好，毕竟一分类嘛！你要cnn，我们就要增加隐层，我用了bpnet的4层网络和5层网络，卷积核也用上了，学习训练6万次，很难上95，平均93，很恼火，去年就是这个情况。实际，在手写数字识别十个数字分类上，人们的视线不在是bpnet，而是卷积核，卷积核神经网络cnn。
2025-02-26 09:05:33
892
原创 He初始化+relu+softmax+交叉熵（一）
另外，F(yl-1）>0，F(yl-1）=yl-1；这个是找到了方差和期望（均值）的关系。下面的F(yl-1）就是relu函数。其他不懂，就翻翻书，概率论上有相关系数，方差，期望和高斯正态分布。dx（这个是书上期望的定义，期望我认为就是均值），这个就是公式8，y1是输入样本，我们归一化处理，即方差var(y1)=1，这个东西的方差，yl= hI固定roi[j]。F(yl-1）<0,就等于0，公式8变公式9.这是一个连锁反应，我们让每层输出方差都为1，则。所以F(yl-1）^2=(yl-1)^2。
2025-02-25 15:32:52
308
原创 机器视觉匹配中使用bpnet匹配（五，转人工智能）
w1固定roi[i, j] = randomNormalDistribution() /(float) Math.Sqrt(size / 2f);当我研究了relu，并发现了he（kaiming）初始化，我才恍然大悟，他在相关系数归一化上下功夫，使用了高斯正态分布n~（0，1）如果你观察到了，并取得好的结果，一定要总结深挖！这里说明，我这种人，属于应用型的，搞出来，就不总结了，反而，失败了，回去总结！因为，我的结果很稳定，很准确了，我就在没有深究！当出现-4，5，3，7之类的值，就要差一些。
2025-02-25 11:47:54
352
原创 机器视觉匹配中使用bpnet匹配，四
而x=1>0,leaky relu=1,当这两个值进入sigmod（x），x最好工作在非线性区域，x在（-10，10）中最好，如果像leaky relu=-10^7这样的值经常进入sigmod，那么sigmod就没有意义了，可能就是他们说的，饱和区域工作！（忽然想起，二极管常工作在饱和区域，很形象）1，我们不能进步，就退步，即站在自己肩上不能前进，那么我就不动，bpnet+异步多线程并发不是很好，很稳定，很快，很准确嘛！2，我们要转人工智能，这里打的败仗，是人工智能学习中最好的经验，总结，就是前进！
2025-02-25 11:11:47
256
原创 机器视觉匹配中使用bpnet匹配，三
做机机器视觉工程师编程好多年，最初学会的线程并发，好多年都不用，觉得应专注机器视觉的问题，让注意力不在编程调试上花时间，近期在思考gpu(显卡)，多头注意力实际就是线程并发，一般我们个人编程和处理问题都是单线程，非并发的!今年任务算突破了，剩下就是修修补补，去年突破无海康相机sdk时，“精通“c#的我竟然看不懂别人的程序，里边用了很多的wait，现在看来，自己在编程新技术上，已站在被淘汰边缘，或许人生经常会站在这样的边缘而不觉气(察)!我们的后代，已长大，这个时代是他们的!实际就是，感兴趣区域的并发。
2025-02-25 09:47:34
138
原创 机器视觉匹配中使用bpnet匹配，二
然而，当你到达彼岸时，以上犯的错，皆有功德，当你想通大神的想法，并实现时，你发现你犯的错，他们都犯过，而且你很遗憾，你没有深究下去，他们都是从错误中领悟的！+-45度匹配我使用3度间隔，2度间隔，1度间隔，最后用2度间隔，1度间隔太慢，3度准确度下降，而我轮廓形状匹配粗匹配中5度间隔在这里作废！使用relu和relu的斜率代替f(x)=1/(1+exp(-x))及f(x)的导数f(x)(1-f(x))确实是一个好办法。hI固定roi[j] += xxxroi[i] * w1固定roi[i, j];
2025-02-24 18:24:34
843
原创 机器视觉匹配中使用bpnet匹配
bpnet也就是这样，在手写数字识别上，还行，训练平均能够97分，一旦放入机器视觉匹配，1024*768的图像，+-45度旋转识别，慢的头大，看看我做实验的数据：（毫秒：小于40毫秒）有指数运算和阶乘，还不如上面！得分99.3，角度-19，匹配位置(464,260)，45秒。第一原则，笨方法，给自己一条路，先能跑，正常稳定，准确的跑！得分99.3，角度-9，匹配位置(548,180)，56秒。得分99.3，角度1，匹配位置(504,164)，47秒。得分55，角度-19，匹配位置(464,260)，毫秒；
2025-02-24 16:44:10
230
原创 杨振宁大学物理视频中黄色的字去掉（机器视觉版本，结束）
tempNode = node.SelectSingleNode("最长线梯度最大X");tempNode = node.SelectSingleNode("最长线梯度最大Y");tempNode = node.SelectSingleNode("中心灰度");最长线梯度最大x = Convert.ToInt32(str);最长线梯度最大y = Convert.ToInt32(str);if (门槛 == 120)
2024-12-15 08:46:52
722
原创 杨振宁大学物理视频中黄色的字去掉（机器视觉版本，六）
/轮廓保存，参数保存以上3个，剩下五个都指定了，w=120，h=60,centrex=60,centrey=30,轮廓点数知道，mch长度除以2。//染色算法黑中白(ref llpgaos12896roi, ref roiImage, ww, hh);if (jiluiitidupos == -1) { MessageBox.Show("序号为负值");//xe = xmlDoc.CreateElement("最长线梯度最大灰度");xe = xmlDoc.CreateElement("中心灰度");
2024-12-14 15:29:29
937
原创 杨振宁大学物理视频中黄色的字去掉（机器视觉版本，五）
我以前很少进行640*480相机匹配处理（大家在机器视觉中选30万的相机几乎没有），这一次也算突破，把megauging的最初0度版本形状匹配移植过来，也算0度版本形状匹配总结。我们的机器视觉，黑白相机用的多，一直没有思考，颜色匹配的突破，其实这是机器视觉一个重要领域，只是你没注意！这相当于30万的相机，如果3000万的相机，显然需要900ms，接近1s，真是太慢了！是司马光写资治通鉴提醒了我，然后发现，写日记的大家还有，王安石，苏轼，几十年如一日的写日记！一点也不晚，抓住机会，十年光阴，一晃而过！
2024-12-14 13:18:42
420
原创 杨振宁大学物理视频中黄色的字去掉（稳定简洁版本，四）
if (j < 找最小) { 找最小 = j;存黄色始末[0].X = 找最小;存黄色始末[1].X = 找最大;for (int j = 黄色中心.Y - 58;j++)//58+60=118=色带矩形高。黄色中心 = new Point(junzhix / 计数, junzhiy / 计数);textBox15.Text = 黄色中心.X.ToString();textBox16.Text = 黄色中心.Y.ToString();Point[] 存黄色始末 = new Point[2];
2024-12-14 09:45:21
885
原创 杨振宁大学物理视频中黄色的字，c#写程序去掉（原版改进，三）
3，利用a竖线和b竖线的起点，各往后退3个像素，往上做垂线，找到色带水平线cd，会找到c.y和d.y值，如果相差小于2个像素，我们就认为色带水平线确认了。for (int xy = 存黄色始末[1].Y - 5;for (int xy = 存黄色始末[0].Y - 5;for (int xy = 向上穿越点[1].Y;for (int xy = 向上穿越点[0].Y;int n = xy * 640 + 向上穿越点[0].X;i < 右侧穿越点[0].X;for (int j = 存黄色始末[0].X;
2024-12-13 12:32:47
915
原创 杨振宁大学物理视频中黄色的字，c#写程序去掉（原版改进，二）
经过一晚的思考，发现一个很好的方法：就是平均灰度色差是50（观察后经验值，我们不必花功夫去寻找了），所以，我们的程序仍然保持上面稳定和最小，只要引入这个常量50就好，把矩形色带填充即可！所以分开问题，分清主要矛盾（去黄色字是主要矛盾，其他是次要的），针对性处理，编程中也很重要！而前面混在一起，看不清稳定的部分成绩，而且异常时，成绩为零，容易打击自信心，很是气馁！打印图像，除去黄色字，到这里，其实就完成了。图像一直稳定如下，可以，但是，并非如此！而，人总是不甘心，想去试试，挑战一下，失败了，也没关系！
2024-12-13 08:43:21
1136
原创 杨振宁大学物理视频中黄色的字，c#写程序去掉（原始代码，一）
void RGB2HSLTest(int r, int g, int b, ref float H)//黄色版本202408301435，只求hue色相。{//这个也不能解决白色问题//虽然找到一个bug//20220927这个版本比0801版本好。//else//认为变化不大，同色，即灰度图//20220801。3，好，抠出图像上200到209这十条线，每条线的平均值都有了，保存在 平均灰度[a]。
2024-12-12 16:50:29
864
原创 杨振宁大学物理视频中黄色的字，c#写程序去掉
5，我们观察，发现在640*480这个截取的图像中，覆盖带y=205左右，x显然不是0，因为黑边很宽，大概在100左右，我们假定就是100，好这个矩形带的（top，left）有了，要消掉他，还得知道（botom，right），为了方便我们right取640.经过测试，发现bottom也是一个定值。即黄色的字框入roi，学习，然后实时匹配这些字，即使黄色的字位置会变化，矩形框带也跟着变也不影响！4，处理黄色字，首先黄色字外有一个覆盖带（显然是个矩形带），看上去，也应该消掉。我的方法是笨方法，也比较刻板。
2024-12-09 14:26:11
1894
1
原创 用ai做机器视觉的事情
4，roicnn已经表现出稳定，准确（位置还行），但速度不行，要3s，这个roicnn要遍历整个1024*768图像，如果训练的roicnn大小32*32，那么匹配遍历大于900*700。显然，我们在工业现场机器视觉粗匹配也是这样，但我们的细匹配还可以执行，甚至感知一度内的偏差，所以这就是工业现场视觉匹配的稳定，准确，显然cnn还不行，但似乎可以代替粗匹配，然后我们可以想其他办法改进。2，指定d【0】=1，其他九个=0，但训练迭代的初始几次，出现类似d【4】=5，这类奇怪的问题，已经搞清楚，ok。
2024-12-08 18:37:28
313
原创 透镜成倒立缩小的实像（一个震惊的发现）
另一个问题，为什么两个高斯函数相加还是高斯函数？即透镜的1面加上透镜的2面还是高斯函数，缩小的实像，我们认为是线性尺度变换的自己。（就像比例尺，相似三角形）如果高斯函数求导成像是代数的，那么，几何和代数合为一体了。函数f(x)'中(-1)，表达的就是倒立，符号相反。透镜看作两个高斯几何形状的合并，即是（）这个样子。)*f(x)表达的就是，缩小的实像。如果光线穿过透镜（）成像，是几何的。以上是一种对比猜想，估计是对的。倒立，我们认为符号相反。函数f(x)'中x/(高斯函数有这样的性质。
2024-12-08 16:36:10
265
原创 微积分还是有用处的（微分电路）
想挑战一下，验证自己的微积分有没有进展，大学时，没有学大学物理，所有的物理都停留在高中无微积分阶段。我们看ir=uo/R,并联电路uo=uc=ur。，L是电感，i是电感电流。,因为R是常量，可以放到微分符号外头。另外：流过电感的电流：=ir+ic。，C是电容,u是电容上的电压。电路中，e=Uo+UL，对吧！证毕，看来大学微积分捡回来了！，这个地方是第一妙处！*C，这个是第二妙处。
2024-12-08 12:33:34
403
原创 时空的变换（勾股定理与土地丈量）
世界上为什么有发现勾股定理这么无聊的人？(r'*r'-cc*t't')*(cc-uu)=rr*(cc-uu)+cc*tt(uu-cc)，注意这个”+“号，当时我就错这里了。时空中的表达式是这样的：r*r-cc*t*t=r'*r'-cc*t'*t',这个是洛伦兹发现的，满足这个变换的自然叫洛伦兹变换。静止的（r，t）和运动的（r'，t'），好我们开始证明：r*r-cc*t*t=r'*r'-cc*t'*t',高中数学中，坐标（x，y）旋转a，到达（x',y'）,证明：x*x+y*y=x'*x'+y'*y'
2024-12-08 09:33:22
360
原创 关于光速的猜想
光速实际也可能是爱因斯坦制造出来的一个量，就像质量（重力=mg，有这个关系在，m起的名字后来就演变成了质量）是牛顿造出的一个量，一个常量，刚开始都叫c，只是习以为常后起了个名字罢了！8，如此，二者确确实实画上了等号，然后光速在介质中变化，与引力中的变化不一样，一个是c变小，一个是c这个矢量直线发生了弯曲！如果我们确认猜出一件事情的结果，是迷信的不科学的，为什么百年来，无人推倒这个理论，而且无人验证伪，他还屡屡获胜？爱因斯坦说，时空是非线性，非连续的，如果你有这样的理论，比如f=ma，一定会被修正。
2024-12-07 13:59:35
381
原创 学习曾国藩
6，设立目标（a，写一个自己的机器视觉软件megauging，4，写日记（贵有恒，想起写日记大家王安石和司马光）2，复盘（编程中debug，该进编程中的笨办法）5，尚拙（编程中首先实现直觉想到的笨办法）b，入门ai，可以辅助megauging。网上看到推崇曾国藩的几点：感觉有共鸣。耕廋田（ai大行其道，坚持机器视觉）1，寸进（慢慢来，积小胜为大胜）c，40岁后，一定学会中医）3，早起（勤字功夫）
2024-12-04 19:23:38
95
原创 海康gige工业相机无驱动取像突破（c#实现，最后更新，你也可以移植到linux下去用）
然后写了一个通用版，害怕有问题，又买了600万的相机，测试果然不及格，花了九牛二虎之力找到一个小问题，就这个 if (changdu > 1000)；需要说的是，1，通用版无驱动gige相机突破都是针对海康相机，估计大华可以，都是黑白相机gm（gige mono8）。曾经想，能不能不用国外机器视觉软件visionpro，ni，evisoion，halcon，自己写一个呢？5，程序可以改变曝光，但是有大于55000值时，反而变暗了，不知道是什么鬼！3，海康彩色相机也不行，2000万的测试了，失败！
2024-12-03 16:15:17
409
1
原创 megauging中增加角点匹配，真是如虎添翼
我们限制了最低得分0.4，现在得分0.64，13度，接近60毫秒，这是非角点版本。只是总觉得优化的不够好，最后在megauging中删除，现在又拿回来了，所以后面还得好好优化！可以看出来，我们的匹配又进了一步，形状匹配辅以角点比纯粹的形状匹配效果好！下面是角点版本：结果62分，角度11，52毫秒，还是利用三个角点。先看无角点的结果：得分44.5分，48毫秒完成，这是80万的图像。当我们的canny线条辅以角点，效果翻倍，稳妥的70分以上！有角点的匹配结果：得分100，耗时47毫秒，利用了三个角点。
2024-10-24 10:58:29
244
原创 cnn抠图匹配能否代替形状匹配？
上十次的实验，发现最优有错误的情况，怎么办，办法在找到的坐标位置上，因为，坐标相似会有好几个，我们在这其中选，如果最优成绩，而坐标不在这相似坐标中，我们就否定他，看来，有得分，有位置提供了更多方便！以上移植到megauging上的测试，没事可以玩一玩，你仔细观察找到结果需要3.74秒，我们机器视觉中哪里能等这么长时间，况且我们测试的是80万图像，如果大于80万，肯定更慢！我们昨天工作，做了cnn整图匹配，今天我们像形状匹配一样抠图cnn匹配，很期待！以后我们可以优化试试，万事开头难，我们已经迈进来了！
2024-10-24 08:01:28
271
原创 cnn做整图匹配
其实，给我启发想到这两个方法的是前期学习简单bpnet推导时的收获，我们现在的情况退化后，就是，输入不变总是一副图像，迭代(训练)很多次后，输出只有一个结果的简单bpnet（这个结果可以判定是或不是）。我们换一幅图像，得分降到0.87，所以，我们可以用这个设置筛选，训练后的图像参数来预测下一幅图像，是不是我们想要的结果，这样我们就达到了目的。说明你不动，得分就高，移动图像改变，匹配度降低很快！我的另外一个认识，就是，cnn就是bpnet，一定要有这样的想法，这个很关键！我们先看一看移植后程序的效果！
2024-10-23 17:55:41
276
原创 cnn突破九（我们的五层卷积核bpnet网络就是lenet-1）
/图像28*28是ling，则标签是0，d[]={1,0,0,0,0,0,0,0,0,0};
2024-10-09 08:12:18
680
原创 cnn突破八（两层卷积核bpnet网络扩展）
hicnn【0】来自temphicnn【0】【1】【10】【11】，一一对应池化中的位置（0,0）（0,1）（1,0）（1,1），假定（1,0）最大,即10=(第二行=1，第一列=0)，即temphicnn【10=1*10+0】最大，对应x【14=1*14+0】28*28-》12*12-》4*4-》80-》10，显然这是一个5层网络，有扩展了，更复杂了，但我们要简单化：28*28处的卷积核我们记着为：w784【】，那么就有。hicnn是5*5的，temphicnn是10*10的，x是14*14的。
2024-10-08 19:31:58
655
原创 cnn突破七（四层bpnet网络公式与卷积核bpnet公式相关）
这里要注意的是，我们要记录下这25个最大值图像，在10*10图像中的位置，以及在14*14图像中开始卷积的位置，我找到一个公式：如果在25个最大值图像中，i=3；j=4，池化时记录最大位置在（1,0）假定我们给5*5卷积核起名w1cnn，图像第一像素和hi的第一个对应w1cnn【0】，那么5*5卷积核走到第二个像素又用到了w1cnn【0】，w1cnn应该有25个，即w1cnn【0-24】14*14（w1cnn【25】）-》10*10（2*2池化，取最大）-》5*5-》80-》10，期望d【10】
2024-10-06 18:36:13
546
原创 cnn突破六（四层bpnet网络公式）
HO，H2I之间用w12【128,60】X，HI之间用w1【196，128】H2O，YI之间用w2【60,10】
2024-10-06 17:10:50
201
原创 cnn突破五（三层bpnet网络公式）
X【196】-》HI【80】/HO【80】-》YI【10】/YO【10】，期望是d【10】X，HI之间用w1【196，80】HO，YI之间用w2【80,10】
2024-10-06 08:43:03
295
原创 cnn突破四（生成卷积核与固定核对比）
cnn突破三中生成四个卷积核，训练6万次，91分，再训练6万次，95分，不是很满意，但又找不到问题点，所以就想了个办法，使用三个固定核，加上三层bpnet神经网络，看看效果，还别说，固定核效果不错，训练6万次，逼近96分，而且不到十秒就训练完成了，而机器自动生成卷积核要40多秒！
2024-10-05 18:36:13
1078
原创 cnn突破三
所以人能做到的高斯核，机器在不断改进和进化中，一定会生成，更震惊的，他可能生成的卷积核，你都没见过，但他确实效果好，所以，他得到的结果，还有可能超过你！我们训练学习了12万次，达到95分，用鼠标画了个2，识别出来了，得分99，不错，说明四个卷积核有了，我们把mnist原图的2，用学到的卷积核处理后的四个图像也有了，太神奇！所有的启发来自，28*28变14*14的那个常用的高斯卷积核，我们前面的网络实际是：28*28->3*3卷积后，隔行隔列抠图（相当于池化）->14*14->128->10。
2024-10-05 14:44:45
1057
机器视觉+gige工业相机新突破+megauging稳定版本20250123更新
2025-01-20
工业机器视觉设计实现 megauging（向光有光）
2023-12-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人