<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[明月清风]]></title><description><![CDATA[不觉晓]]></description><link>https://blog.youkuaiyun.com/lk3030</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lk3030]]></copyright><item><title><![CDATA[机器视觉 · 工业光源]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/115799947</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/115799947</guid><author>lk3030</author><pubDate>Wed, 18 Jan 2023 19:28:34 +0800</pubDate><description><![CDATA[工业光源选型概览



 

]]></description><category></category></item><item><title><![CDATA[ubuntu可以使用搜狗拼音，但PyQt5程序无法输入中文的解决方法]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/128729331</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/128729331</guid><author>lk3030</author><pubDate>Wed, 18 Jan 2023 19:23:55 +0800</pubDate><description><![CDATA[ubuntu可以使用搜狗拼音，但PyQt5程序无法输入中文的解决方法]]></description><category></category></item><item><title><![CDATA[机器视觉 · 立体相机]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/115530822</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/115530822</guid><author>lk3030</author><pubDate>Thu, 08 Apr 2021 21:56:21 +0800</pubDate><description><![CDATA[文章目录立体相机 · 3D线激光轮廓传感器立体相机 · ToF立体相机立体相机 · 双目立体相机立体相机 · 结构光立体相机3D结构光与ToF、双目的优缺点对比
立体相机 · 3D线激光轮廓传感器



 

原理：
3D线激光轮廓传感器：使用激光三角测量原理, 对被测物体表面进行二维轮廓扫描。
激光源发出激光束，被一组特定透镜放大形成激光线，投射到被测物表面上。物体表面的反射光线穿过透镜，通过聚焦成像在感光阵列上形成光斑，经过图像处理生成高密度的3D点云轮廓影像。
适用场景：尺寸检测，缺陷检测，字符识别，]]></description><category></category></item><item><title><![CDATA[机器视觉 · 工业镜头]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/115522284</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/115522284</guid><author>lk3030</author><pubDate>Thu, 08 Apr 2021 20:28:14 +0800</pubDate><description><![CDATA[文章目录镜头 · 基础参数 · 焦距镜头 · 基础参数 · 靶面镜头 · FA镜头 &amp; 微距镜头镜头 · 远心镜头镜头 · 红外镜头镜头 · 电动变焦/变倍镜头镜头 · 液态镜头
镜头 · 基础参数 · 焦距

焦距（FocalLength），是从镜头的中心点到焦平面上所形成的清晰影像之间的距离。焦距数值小，视角大，所观察的范围也大。



 

确定视野范围(FOV)、工作距离(WD)以及相机靶面尺寸，可以计算出工业镜头的焦距????，其计算公式为：光学放大倍率PMAG=相机靶面高度Hi视野高度H]]></description><category></category></item><item><title><![CDATA[机器视觉 · 工业相机]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/115487489</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/115487489</guid><author>lk3030</author><pubDate>Wed, 07 Apr 2021 19:40:12 +0800</pubDate><description><![CDATA[文章目录工业相机 · 面阵相机工业相机 · 线阵相机工业相机 · 光场相机工业相机 · 棱镜相机工业相机 · 多光谱/高光谱工业相机 · 偏振光工业相机 · 传感器 · CCD工业相机 · 传感器 · ICCD工业相机 · 传感器 · EMCCD工业相机 · 传感器 · CMOS工业相机 · 传感器 · sCMOS工业相机 · 传感器 · 红外探测器工业相机 · 传感器 · InGaAs工业相机 · 传感器 · T2SL工业相机 · 传感器 · MCT工业相机 · 传感器 · Vox 和 α-Si工业相机 ]]></description><category></category></item><item><title><![CDATA[机器视觉 · 网络相机]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/114185779</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/114185779</guid><author>lk3030</author><pubDate>Sat, 27 Feb 2021 19:36:52 +0800</pubDate><description><![CDATA[目录网络摄像头 · 供应渠道网络摄像头 · 相机调用网络摄像头 · 参数解释网络摄像头 · 机型选型网络摄像头 · 焦距选型网络摄像头 · 硬盘存储选择
网络摄像头 · 供应渠道

网络摄像头，通常在不同销售渠道，供应不同类型等级的设备。
以海康威视为例，产品分为经销机（渠道机）和项目机（工程机）：
渠道机：

用于零售，价格低廉，产品本身只具备摄像机基本功能。
除了摄像机本身质量三包以外，厂家不会提供任何技术支持。


工程机：

针对项目按需定制，不在电商平台单独销售。
价格较渠道机要高，产品受区域或项]]></description><category></category></item><item><title><![CDATA[机器视觉 · 相机分类及通用参数]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/114101416</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/114101416</guid><author>lk3030</author><pubDate>Thu, 25 Feb 2021 21:36:26 +0800</pubDate><description><![CDATA[文章目录相机分类通用参数解释 · 分辨率（Resolution）

相机分类


 
通用参数解释 · 分辨率（Resolution）

]]></description><category></category></item><item><title><![CDATA[机器视觉 · 视觉系统选型]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/114100737</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/114100737</guid><author>lk3030</author><pubDate>Thu, 25 Feb 2021 19:15:02 +0800</pubDate><description><![CDATA[机器视觉 · 视觉系统选型


 

]]></description><category></category></item><item><title><![CDATA[反向传播]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/85089850</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/85089850</guid><author>lk3030</author><pubDate>Thu, 25 Feb 2021 19:10:56 +0800</pubDate><description><![CDATA[链式法则


反向传播是利用链式法则递归计算表达式的梯度的方法。


对于乘法函数 f(x,y)=xyf(x,y)=xyf(x,y)=xy 求偏导数：


f(x,y)=xy→dfdx=ydfdy=x\displaystyle f(x,y)=xy \to \frac {df}{dx}=y \quad \frac {df}{dy}=xf(x,y)=xy→dxdf​=ydydf​=x


对于加法函数...]]></description><category></category></item><item><title><![CDATA[评估指标：混淆矩阵、PR、mAP、ROC、AUC]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/85050408</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/85050408</guid><author>lk3030</author><pubDate>Tue, 18 Dec 2018 19:21:34 +0800</pubDate><description><![CDATA[TP、TN、FP、FN


TP，即 True Positive，预测为正样本，实际也为正样本的特征数。


TN，即 True Negative，预测为负样本，实际也为负样本的特征数。


FP，即 False Positive，预测为正样本，实际为负样本的特征数。


FN，即 False Negative，预测为负样本，实际为正样本的特征数。


Accuracy 和 Error rate
...]]></description><category></category></item><item><title><![CDATA[梯度下降优化算法]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/85065116</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/85065116</guid><author>lk3030</author><pubDate>Tue, 18 Dec 2018 19:19:56 +0800</pubDate><description><![CDATA[文章目录梯度下降算法MomentumNAGAdagradAdadeltaRMSpropAdam算法的选择


 
原文：An overview of gradient descent optimization algorithms
梯度下降算法
梯度下降算法（Gradient Descent Optimization）是神经网络模型训练最常用的优化算法。详见：梯度下降
梯度下降算法的原理：


目...]]></description><category></category></item><item><title><![CDATA[分类评分函数 score function]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84994277</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84994277</guid><author>lk3030</author><pubDate>Fri, 14 Dec 2018 14:36:31 +0800</pubDate><description><![CDATA[从图像到标签分值的映射
一个线性映射：
f(xi,W,b)=Wxi+b\displaystyle f(x_i,W,b)=Wx_i+bf(xi​,W,b)=Wxi​+b
其中，参数 WWW 为权重（weights），bbb 称为偏差向量（bias vector）
一个将图像映射到分类分值的例子：


为了便于可视化，假设图像只有4个像素值，有3个分类。


首先将图像像素拉伸为一个列向量，与 WWW...]]></description><category></category></item><item><title><![CDATA[权重初始化]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84978469</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84978469</guid><author>lk3030</author><pubDate>Thu, 13 Dec 2018 18:01:10 +0800</pubDate><description><![CDATA[在开始训练网络之前，还需要初始化网络的参数。
错误：全零初始化。让我们从应该避免的错误开始。在训练完毕后，虽然不知道网络中每个权重的最终值应该是多少，但如果数据经过了恰当的归一化的话，就可以假设所有权重数值中大约一半为正数，一半为负数。这样，一个听起来蛮合理的想法就是把这些权重的初始值都设为0吧，因为在期望上来说0是最合理的猜测。这个做法错误的！因为如果网络中的每个神经元都计算出同样的输出，然后它...]]></description><category></category></item><item><title><![CDATA[偏差、方差、欠拟合、过拟合、学习曲线]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84985866</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84985866</guid><author>lk3030</author><pubDate>Thu, 13 Dec 2018 13:06:41 +0800</pubDate><description><![CDATA[欠拟合 under fitting
 
 
 
欠拟合(under fitting)，这个问题的另一个术语叫做 高偏差(High bias)。这两种说法大致相似，意思是它没有很好地拟合训练数据。
过拟合 over fitting
 
 
 


过度拟合(over fitting)，另一个描述该问题的术语是 高方差(High variance)。


过拟合的问题经常会在模型过度复杂或训练数据较少...]]></description><category></category></item><item><title><![CDATA[逻辑回归 logistic regression]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84971486</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84971486</guid><author>lk3030</author><pubDate>Thu, 13 Dec 2018 12:37:21 +0800</pubDate><description><![CDATA[虽然名字里有回归，但实际上，逻辑回归算法是一种分类算法。
文章目录假设函数决策边界逻辑回归的代价函数简化代价函数以及梯度下降高级优化优点缺点一对多分类问题正规化欠拟合过拟合解决过拟合问题正规化优化的目标
假设函数
逻辑回归的假设函数表达式：
hθ(x)=g(θTx)h_{\theta}(x) = g(\theta^{T}x)hθ​(x)=g(θTx)
其中g函数的表达式为：
g(z)=11+e−z...]]></description><category></category></item><item><title><![CDATA[数据集划分]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84985267</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84985267</guid><author>lk3030</author><pubDate>Thu, 13 Dec 2018 11:43:29 +0800</pubDate><description><![CDATA[使用数据集时，一般将其分为三段：训练集、验证集、测试集。


测试集
决不能使用测试集来进行调优，会造成算法对测试集过拟合。应该把测试集看做非常珍贵的资源，不到最后一步，绝不使用它。


验证集
由于测试数据集只使用一次，所以，从训练集中取出一部分数据作为验证集（validation set）。验证集其实就是作为假的测试集来调优。


交叉验证
有时候，训练集数量较小（因此验证集的数量更小），人们...]]></description><category></category></item><item><title><![CDATA[正则化方法：数据增强、regularization、dropout]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84963331</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84963331</guid><author>lk3030</author><pubDate>Wed, 12 Dec 2018 22:49:22 +0800</pubDate><description><![CDATA[正则化主要用于避免过拟合的产生和减少网络误差，选择经验风险与模型复杂度同时较小的模型。
正则化项
正则化一般具有如下形式：
J(w,b)=1m∑i=1mL(f(x),y)+λR(f)J(w,b)= \frac{1}{m} \sum_{i=1}^{m}L(f(x),y)+\lambda R(f)J(w,b)=m1​i=1∑m​L(f(x),y)+λR(f)
其中：


第 1 项是经验风险，第 2 ...]]></description><category></category></item><item><title><![CDATA[梯度下降 gradient descent]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84955490</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84955490</guid><author>lk3030</author><pubDate>Wed, 12 Dec 2018 19:39:05 +0800</pubDate><description><![CDATA[文章目录导数偏导数方向导数梯度梯度下降算法  (Gradient Descent)
导数
导数反映的是函数 f(x)f(x)f(x) 在 xxx 轴上某一点处沿着 xxx 轴正方向的变化率/变化趋势。


 
f′(x0)=lim⁡Δx→0ΔyΔx=lim⁡Δx→0f(x0+Δx)−f(x0)Δxf&amp;amp;amp;amp;amp;amp;#x27;(x_0)=\lim_{\Delta x \to 0}\frac{\Delta ...]]></description><category></category></item><item><title><![CDATA[线性回归 linear regression]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84952994</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84952994</guid><author>lk3030</author><pubDate>Wed, 12 Dec 2018 13:28:39 +0800</pubDate><description><![CDATA[文章目录一元线性回归函数模型代价函数
回归一词，指的是我们根据之前的数据，预测出一个准确的输出值。
一元线性回归
函数模型
一元线性回归 (linear regression) 的函数模型：
hθ(x)=θ0+θ1∗xh_{θ}(x) = θ_0 + θ_1 * xhθ​(x)=θ0​+θ1​∗x


xxx：表示输入变量，表示输入的特征。


yyy：表示目标变量，也就是预测结果。


(x,y...]]></description><category></category></item><item><title><![CDATA[特征缩放 feature scaling]]></title><link>https://blog.youkuaiyun.com/lk3030/article/details/84962975</link><guid>https://blog.youkuaiyun.com/lk3030/article/details/84962975</guid><author>lk3030</author><pubDate>Wed, 12 Dec 2018 12:28:43 +0800</pubDate><description><![CDATA[“标准化” 和 “归一化” 这两个中文词要指代四种Feature scaling(特征缩放)方法。
样本不同特征的取值范围如果不一样，可能导致迭代很慢，为了减少特征取值的影响，可以对特征数据进行缩放，加速算法的收敛。
Rescaling
归一化，一般是将数据映射到指定的范围，用于去除不同维度数据的量纲以及量纲单位。常见的映射范围有 [0, 1] 和 [-1, 1] 。
Min-Max Normal...]]></description><category></category></item></channel></rss>