墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
155平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
几何形状和孔洞是计算几何、拓扑学和数字图像处理中不可或缺的基本概念。无论是在计算机视觉、图形学还是物理学中，理解几何形状及其内部孔洞的特性都是至关重要的。本文将深入探讨几何形状和孔洞的概念，分析它们之间的拓扑关系，并介绍一些常见的计算方法和应用场景。通过本文，读者将掌握如何有效地检测和处理几何形状及其孔洞，从而为实际应用提供坚实的基础。
几何形状是指在二维或三维空间中由点、线、面等基本元素构成的封闭或非封闭区域。常见的几何形状包括多边形、圆形、椭圆、矩形等。几何形状可以通过不同的方式表示，如顶点坐标、边长、角度等。在计算几何中，几何形状通常用多边形来表示，因为多边形具有简单的结构，便于计算和处理。
根据形状的特性，几何形状可以分为以下几类：
| 类型 | 特点 |
|---|
图像处理与机器视觉技术解析
本文系统介绍了图像处理中的核心概念与技术，包括阈值处理、滤波器分类与作用、模板匹配方法、斑点分析、机器视觉系统设计步骤、相机类型与分辨率、图像分割与质量控制应用、增强现实与虚拟现实的区别等内容。同时涵盖了图像压缩、解压缩、色彩平衡、图像运算、目标检测与识别、边缘与轮廓检测、相似度度量等关键图像处理技术，并结合工业、农业、医疗、安防等场景进行应用分析。
SOLIDWORKS AI深度集成：LEO引擎与AURA交互实战指南
3D CAD是现代机械设计的核心工具，而AI正从辅助插件演变为嵌入式智能伙伴。其技术原理在于将大模型能力深度编译进CAD原生API，依托几何语义理解（而非图像识别）实现精准建模决策。这种集成带来显著技术价值：降低认知负荷、压缩重复操作耗时、提升公差与BOM生成准确率。典型应用场景包括智能草图约束修复、AI驱动的BOM自动关联标准件、以及GD&T合规性建议。SOLIDWORKS AI通过LEO推理引擎与AURA交互层协同，真正实现‘无感融入’——不跳出界面、不切换系统、不新增学习成本，让工程师回归设计本质。
混元3D 3.0：3D-DiT分级雕刻重构建模范式
3D生成技术正从‘图像延伸’走向‘空间雕刻’的本质跃迁。传统扩散模型受限于几何失真、拓扑混乱与细节失控三大瓶颈，而以3D-DiT架构为核心的新型范式，通过粗胚定位→中层拓扑→微结构雕刻的三级流水线，首次在1536³体素分辨率下实现工业级精度与实时交互的统一。其背后是稀疏体素哈希索引（SVHI）对内存与计算效率的重构，更是对CAD/CAE工程约束的显式编码。该技术已支撑电商快速出样、建筑异形节点自迭代、医疗器械定制等真实场景，标志着AI生成从‘视觉可用’迈向‘生产可信’。混元3D 3.0正是这一代际演进的关键
神经样条：用无限宽神经网络实现高精度3D表面重建
在计算机视觉和图形学领域，3D表面重建是从离散点云数据生成连续几何表面的关键技术。传统样条方法虽然数学严谨，但难以处理复杂拓扑结构。深度学习的出现为解决这一问题提供了新思路，特别是无限宽神经网络的理论突破，揭示了神经网络与样条函数之间的深刻联系。通过将B样条的局部控制特性与神经网络的全局优化能力相结合，神经样条方法实现了亚毫米级的重建精度，在边缘保持和细节还原方面表现突出。该技术在工业检测、逆向工程、数字孪生等领域具有重要应用价值，例如在机械零件三维扫描中，能准确重建孔洞、倒角等关键几何特征。神经切线核(N
机器人割草机路径规划与坐标转换：从UTM投影到覆盖算法的工程实践
路径规划是机器人自主导航的核心技术，其本质是在特定约束下寻找最优移动序列。在覆盖路径规划中，算法需确保设备无遗漏地遍历目标区域，常见策略包括‘之’字形、分治法和螺旋法，以平衡效率与覆盖率。坐标转换则是实现精准空间计算的基础，尤其在处理地理坐标时，必须将球面经纬度转换为平面坐标系，例如通过通用横轴墨卡托投影，才能进行准确的欧几里得距离和直线路径运算。这些技术共同赋能了智能割草机等户外机器人，使其能在复杂地形中高效作业。本文聚焦于割草机数学模型与经纬度转换的耦合，深入探讨了UTM投影的应用和覆盖路径规划的优化，
25、3D形状分析中的基于特征的方法：特征描述符深度解析
本文深入解析了3D形状分析中的基于特征的方法，重点介绍了各类局部特征描述符的原理、分类、计算流程及其性能对比。涵盖了从传统基于曲率的描述符到先进的热核签名（HKS、SI-HKS、CHKS、VHKS）等多种方法，详细分析了它们在信息性、不变性、计算复杂度和鲁棒性等方面的表现。通过案例研究和决策流程图，帮助读者根据应用场景选择合适的描述符，并探讨了多模态融合、深度学习结合、实时性优化等未来发展趋势，为3D形状检索、匹配与识别提供了系统性的理论支持与实践指导。
43、图像形态学处理技术详解
本文详细介绍了图像处理中的形态学操作，涵盖二值与灰度形态学的核心技术。重点讲解了bwmorph函数的多种应用，如细化、骨架化和修剪；通过bwlabel实现连通组件标记与质心计算；利用imreconstruct进行形态学重建，包括重建开运算、孔洞填充和边界对象清除；并扩展到灰度形态学中的膨胀、腐蚀、开闭运算及形态学梯度计算。最后提供了综合应用流程示例，展示了从图像预处理到特征提取的完整过程，适用于计算机视觉、模式识别和医学图像分析等领域。
43、结构反演与图像重建中的水平集方法
本文系统介绍了水平集方法在结构反演与图像重建中的理论基础与多领域应用。首先阐述了拓扑导数的定义、渐近展开及其与形状、边界条件和偏微分方程的关系，并探讨了其不同定义之间的等价性。随后通过三个典型案例——微波乳腺筛查、石油工程历史匹配和薄形状（裂缝）重建，展示了水平集方法在处理复杂结构、参数轮廓演化及自动拓扑变化方面的优势。文章进一步对比分析各案例特点，总结方法选择策略，并提出该方法在材料科学、生物医学影像和环境科学等领域的拓展潜力。最后讨论了初始猜测优化、与其他技术融合及拓扑导数计算改进等未来发展方向，全面展
【信息科学与工程学】【数据科学】数据科学领域——第三篇 数学08 几何学00总篇
编号英文名称中文名称简要说明/归属1Foundations of Geometry几何基础公理化方法， Hilbert《几何基础》2Euclidean Geometry (Synthetic)欧几里得几何（综合法）《几何原本》传统3Analytic Geometry解析几何坐标方法， Descartes, Fermat4Plane Geometry平面几何三角形、圆、共点共线等经典问题5Solid Geometry立体几何三维空间中的图形与度量6Non-Euclidean Geometry非欧几何平行公设不
leaflet叠加geojson图层（挖洞）（leaflet篇.43）
听老人家说：多看美女会长寿 地图之家总目录（订阅之前建议先查看该博客） 文章末尾处提供保证可运行完整代码包，运行如有问题，可“私信”博主。 效果如下所示： 下面献上完整代码，代码重要位置会做相应解释 <!DOCTYPE html> <html> <head> <meta charset=utf-8 /> <title>Historic Topographic Maps</title> <meta name='vi
【信息科学与工程学】【数据科学】数据科学领域 第四篇 数据处理05 图形理论与图数据
本表格系统性地整理了分子运动图形图像模拟中涉及的全部核心数学方程分子力学基础：包括力场能量项、键合与非键相互作用的详细表达式分子运动方程：刚体运动、柔性分子运动、约束动力学算法溶剂效应：隐式与显式溶剂模型，连续介质方法量子化学方法：薛定谔方程、分子轨道理论、密度泛函理论分子动力学：积分算法、增强采样技术、自由能计算方法分子对接：打分函数、搜索算法、结合模式分析光谱模拟：红外、拉曼、圆二色性、NMR等光谱的计算方法反应动力学：过渡态理论、势能面、非绝热过程模拟分子可视化。
【9】数学形态学操作（下）
第九章 形态学（下）
9、肾脏超声图像分割与电力巡检证据识别方法
本文提出了一种两阶段学习框架用于肾脏超声图像分割，结合几何形状约束与自我修正机制，有效消除边缘噪声、孔洞等问题，在Dice、Jaccard等指标上取得最优性能；同时，针对电力巡检证据识别，重新训练YOLOv3网络并利用Transformer生成模拟样本以解决数据不足问题，结合模型压缩技术提升识别准确率与实时性。实验表明，该方法显著提高电力巡检效率，单个业务审核时间低于人工1%。两种方法在医疗诊断与电力数字化转型中均展现出良好的应用前景与可扩展性。
【信息科学与工程学】【物理/化学和工程技术】第一百五十五篇 结构力学中的计算方法01
编号类型领域子领域问题问题的数学分析算法/方程式逐步推理思考的数学表达式及参数列表参数的数值范围及常数及变量及因变量关联知识1力学计算工程力学结构力学用力法分析超静定刚架在多种作用（荷载、支座移动、温度变化、制造误差）下的内力和位移力法是求解超静定结构的基本方法之一。其理论基础是：超静定结构的多余约束导致内力无法仅由静力平衡方程确定，必须补充变形协调条件。力法通过将超静定结构转化为静定的基本结构（去掉多余约束，代以多余未知力），利用基本结构在多余约束处沿多余未知力方向的位移与原结构实际位移相等的条件，建立一
【信息科学与工程学】【物理/化学科学和工程技术】知识体系04 热学001
热传导
【信息科学与工程】【物理/化学科学和工程技术】知识体系01 力学基础2 力学模型01
机器人控制的力学模型
【2】数字图像处理基础（上）
第二章【上】
工业互联网工控安全与工业质检AI大模型建设方案.pptx
工业互联网工控安全与工业质检AI大模型建设方案.pptx
数模笔记_多变量最优化计算之牛顿法
Date: 2_22 Name: Guo Yehao Theme: Calculation in Optimality with multiple variables Reference: 数学建模方法与分析(华章) 在上一节中，我们讨论多变量最优化计算中的随机搜索算法，它的精度并不是众多算法中最高的。在精度问题上，有的时候问题本身就带有明显的误差性，以至于我们不能将其忽略，比如上一节消防站部署的问题，我们在区域划分时就有了误差，因此我们并不需要对结果要求很高的精确度，所以用一些比较粗略的算法就可以.
BDD测试之Behave使用入门
BDD测试（Behavior-Driven Development Testing）是一种基于“行为驱动开发”（BDD）理念。
RAID 0/1/5/10 性能实测：4块 SATA SSD 组阵列，顺序读写速度对比
本文通过实测对比了RAID 0/1/5/10在4块SATA SSD上的顺序读写性能，详细展示了不同RAID级别的配置方法、理论性能与实际测试数据。测试结果显示，RAID 0在顺序读写速度上表现最佳，而RAID 10则在性能与数据安全之间取得了平衡，适合数据库服务器等关键应用场景。
基于Simulink的固态变压器（SST）多级协同控制
本文介绍了基于Simulink的固态变压器(SST)多级协同控制方法。SST作为智能电网关键设备，其三级架构(AC-DC整流、DC-DC隔离、DC-AC逆变)存在级间耦合问题。文章提出纵向解耦与横向联动相结合的协同控制策略，详细推导了各级控制算法，并通过Simulink实现了10kV/400V级联型SST系统建模。仿真结果显示，在±20%电网波动和0-100%负载跳变下，系统能保持直流母线电压波动<2%。文章还提供了工程部署建议和代码生成方法，为SST的研发提供了实用指导。
小龙虾OpenClaw卸载全攻略，彻底清理缓存和配置，干净无残留！
不想要的小龙虾OpenClaw怎么彻底卸载？🦞本文教你如何彻底的卸载OpenClaw⚡️，Windows/macOS/Linux通用，干净无残留🧹
用Verilog搭建PCIe控制器核心模块
PCIe控制器是硬件设计的核心模块，负责实现设备与主机之间的高速通信。本文将以Verilog语言为例，分步骤讲解如何从零构建一个简化的PCIe控制器核心模块，涵盖事务层（TLP）生成、数据链路层（DLLP）处理和物理层（PHY）接口适配。目标是为嵌入式开发者、FPGA工程师提供一个可扩展的硬件设计框架。。
大模型角色提示词写得再严密，也能被绕过？我用攻击者思维把自己吓了一跳！
很多人以为提示词是“只要写清楚了，模型就能理解”，但实际上——模型并不具备严格的规则意识，它只是在预测下一句话。所以我们必须从“攻防”角度出发，设计更强的防护机制。我这次就是亲身踩坑，用红队思维模拟攻击，才意识到原来提示词注入这么容易中招。你如果也在做 AI 应用、角色系统、提示词驱动的功能，建议你也用类似方式测试一下，不然被绕了都不知道。
基于ESP32的AI 古琴：基于音频指纹的民族乐器智能校准系统设计与实现
硬件选型兼顾实用性与低成本，接线简单易实现；基于 MFCC 的音频指纹算法，能有效识别古琴弦的音高特征；人机交互友好，新手可快速上手。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
985
扫一扫
