机器视觉学习 8 10

单层神经网络二分类logistics回归模型+TensorFlow实例实现 最近,小编开始关注深度学习,深度学习也在近几年来发展迅速,其与人工智能、机器学习的关系如下图: 机器学习是实现人工智能的方法,深度学习是实现机器学习的技术,深度学习的应用主要分为两个方向:机器视觉和自然语言处理,具体应用有: 1、机器视觉CV:图像分类、图像生成、图像风格转换、图像翻译、图像压缩等; 2、自然语言处理NLP:机器翻译、舆论情... 阅读详情

8.11 出去看房了,看了一下午,晚上回家直接美美摆烂瓦五排了哈哈。

第二章讲解 

收获:

补充的线性方程组在超定情况下如何求最小二乘解。

了解到前面讲的理想情况下的摄像机模型的内外参数求解过程,和畸变摄像机模型的内外参数求解过程。

补充了2D和3D空间中欧式变换,相似变换,仿射变换,透视变换的数学知识。

二、摄像机标定(求解摄像机内、外参数矩阵)

1. 针孔模型和透镜摄像机标定问题

补:线性方程组的最小二乘解法 分为线性方程组 齐次线性方程组 非齐次线性方程组 本章用到了后两个

标定思路,用已知的两两对应的世界坐标系和像素平面坐标系的坐标,反列方程组求内、外参数

六对点的方程组放在一起,构建系数矩阵和未知数矩阵,得到矩阵形式的线性方程组

求m的过程

注意这里的m是在m的范式为1的约束下求得的,实际的最小二乘解是这里求得解的倍数

下一步把参数部分也用矩阵乘起来

提取红色部分,黑色部分用不上

点乘求,用时再来复习

×乘求

外参

注意小心出现退化,三个点决定一个平面,六对点不能位于一个平面上

2. 径向畸变的摄像机标定

  给出畸变相机的摄像机模型 在常规模型前乘上了畸变模型,增加了三个未知量,k1 k2 k3

用Q标识新的模型,得到非线性方程组

用非线性方程组的最小二乘法求解,过程省略

补:1. 2D平面上的变换

欧式变换既有平移也有旋转。

这里补充deepseek的讲解

2. 3D空间中的欧式变换

3D空间的这些就不多展现了,我目的主要是了解,知道各种变换的特点,异同点即可。

基于halcon+c#从零开始学习机器视觉——001环境搭建 阅读详情

相关推荐

《HALCON机器视觉与算法原理编程实践》第1章 机器视觉概述-学习笔记

文章目录1.1 什么是机器视觉1.2 机器视觉与计算机视觉的区别1.3 机器视觉的工作原理1.4 机器视觉的应用领域 1.1 什么是机器视觉 机器视觉是一种使用计算机来模拟人类视觉,并使用软件算法对相机采集到的图像进行分析和理解,以进行自动识别和判断的过程。 1.2 机器视觉与计算机视觉的区别 计算机视觉关键是计算机,机器视觉关键是机器,两者侧重领域不同。计算机视觉比较侧重于对图像的分析,回答“是什么”的问题;而机器视觉则更关注图像的处理结果,目的是控制接下来的行为,回答“怎么做”的问题。 计算机视觉一般

超级大洋葱的博客 4680

机器视觉学习 10 8

简单来说,​灰度二值化的核心意义是将一幅包含丰富灰度信息的图像,转换成一张只包含纯黑和纯白两种颜色的图像,从而极大地简化图像,突出目标物体的轮廓和结构,为后续的分析和识别铺平道路。​​下面我们从几个层面来深入理解它的意义:一、什么是灰度二值化?​灰度图像​:每个像素点的亮度用0-255之间的一个数值表示。0代表纯黑,255代表纯白,中间是不同深浅的灰色。​二值图像​:每个像素点的值非0即255​(或非0即1)。也就是说,图像中只剩下两种颜色:黑色和白色。

programming_wang的博客 870

机器视觉 使用halcon的学习之路

halcon入门

今天也要好好学习 1890

RTX3060显卡用户必看:Halcon22.11深度学习环境搭建避坑指南(Win10+CUDA11.7+cuDNN8.6)

本文为RTX3060显卡用户提供Halcon22.11深度学习环境搭建的详细指南,涵盖Win10系统下CUDA11.7和cuDNN8.6的精准配置。通过步骤详解和常见问题排查,帮助用户避开安装陷阱,充分发挥RTX3060在机器视觉和深度学习任务中的性能优势。

vulkan6gpu的博客 738

入门机器视觉的正确打开方式——徒手撸一个python+opencv实现的机器视觉简易调试工具(上)

对于初学者来说,入门机器视觉可能会感到无从下手,市面上虽然有许多成熟的机器视觉软件,但它们往往价格昂贵,且功能复杂,不够灵活。幸运的是,Python语言以其简洁易懂的特性,结合OpenCV这一强大的计算机视觉库,为初学者提供了一个低成本、高效率的学习平台。

JAMES费的空间 3920

1.机器视觉入门视频教程笔记

一. HALCON 机器视觉软件HALCON 是由德国 MVtec 公司开发的一套完善且标准的机器视觉算法包(主要用于商业用途)。在欧洲及日本的工业界,HALCON 被公认为性能最佳的机器视觉软件之一。HALCON 支持多种操作系统环境,包括 Windows、Linux 和 macOS。编程接口支持多种编程语言,如 C、C++、.NET(包括 C# 和 VB.NET)、Delphi 等。最新版本为 HALCON 23.05。二. OpenCV 机器视觉软件。

wjh19970930的博客 1273

[视觉概述] 机器视觉应用方向、项目流程及学习思路总结

需求分析:一个项目主要包含①定位、识别②缺陷检测③OCR字符识别④测量类的项目这四个大方向 方案设计:根据客户应用的场合不同,选择相应的镜头、相机、支架、光源及如何打光等 概要设计:软件架构体系,vc++联合halcon还是c#联合halcon等,还有算法流程,怎么通讯、怎么识别等 详细设计:每一个功能模块怎么做,包括图像采集模块、处理模块、包括算法模块,如何通讯等。通常将每个模块形成一个动态库...

Loewen丶的小窝 1万+

机器视觉学习笔记(6)——双目摄像机标定参数说明

机器视觉学习笔记(6)——双目摄像机标定参数说明标签: 机器视觉阅读本文之前请先阅读以下两篇博文: 机器视觉学习笔记(4)——单目摄像机标定参数说明 机器视觉学习笔记(5)——基于OpenCV的单目摄像机标定1.双目摄像机需要标定的参数 双目摄像机需要标定的参数有摄像机内参数矩阵,畸变系数矩阵,本征矩阵,基础矩阵,旋转矩阵以及平移矩阵 其中摄像机内参数矩阵和畸变系数矩阵可以通过单目标定的方法标定

moverzp的博客 2万+

【亲测免费】 探索视觉世界的利器:OpenCV 4.8.0 Windows VC17 编译完整包

探索视觉世界的利器:OpenCV 4.8.0 Windows VC17 编译完整包 【下载地址】OpenCV4.8.0WindowsVC17VS2022编译完整包带人脸识别模块 本资源提供了一个在 Windows 10 环境下,使用 Visual Studio 2022 (VS2022) 编译的 OpenCV 4.8.0...

gitblog_09714的博客 777

《从Python小白到机器视觉大神:进阶之路全解析》:此文为AI自动生成

机器视觉是一门综合性技术,旨在通过光学装置和非接触式传感器,自动获取并处理真实物体的图像,以获取所需信息或用于控制机器人运动。其核心原理是模拟人类视觉系统,将光学图像转化为电信号,再经过一系列复杂的算法处理,实现对物体的识别、测量、定位和检测等功能。从系统组成来看,机器视觉系统主要包含硬件和软件两大部分。硬件部分如同人类视觉系统的 “眼睛” 和 “神经系统”,其中相机的作用类似于人眼的视网膜,负责将通过镜头的光信号转换为电信号。相机的种类繁多,按芯片技术可分为 CCD 相机和 CMOS 相机;

zheng_ruiguo的专栏 1733

简单初识 Material Point Method(MPM)

简单初识 Material Point Method(MPM):先介绍了Lagrangian和Eulerian,并简单介绍了MPM Method

qq_45776432的博客 7371

机器视觉学习顺序参考

刚开始接触机器视觉的朋友可以按这个一步步来学习,挺好用的, 一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与RO...

perfect-顾(coder)的博客 5055

中科蓝讯AB536X/AB892X芯片开发避坑指南:Downloader配置中那些容易忽略的细节

本文详细解析中科蓝讯AB536X/AB892X芯片开发中Downloader配置的关键细节,包括软开关机实现、触摸灵敏度调试、量产校频等常见问题。特别针对无PR口芯片的替代方案、触摸参数优化、校频流程等易忽略环节提供实用解决方案,帮助开发者规避量产风险,提升开发效率。

weixin_30687051的博客 477

机器视觉(三)——学习机器视觉的参考顺序

刚开始接触机器视觉的朋友可以按这个一步步来学习,挺好用的 一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与ROI区域 6. 图像预处理、二值化、形态学与图像区域特征提取分析 7. Halcon在VS(C#或C++)下的联合配置

lvjiyang的博客 3130

ArcGIS 10.4 Desktop安装步骤。

步骤 1 :安装 LicenseManager 有了安装包以后,我们进入安装包文件目录,如图所示,首先需要安装ArcGIS license manager,即点击打开图中红色框中exe文件。 PS:安装 LicenseManager,关于 License 的安装路径一般默认即可,因为很小的,装C 盘也无所谓了,当然了自己改了也可以的,但是不建议! 即便修改路径,建议只改盘符,不修改相对路径方式! 如:C:\Program Files (x86)\ArcGIS\License10.6 修改为 D:\.

IT爱好者 2万+

ADS1299寄存器配置与应用实战指南

本文提供了ADS1299高精度生物电信号采集芯片的寄存器配置与应用实战指南。详细解析了采样率、增益、转换模式等核心寄存器的设置方法,并分享了数据读取、高级功能配置及常见问题的调试心得,帮助开发者快速掌握ADS1299的配置技巧,实现稳定的ECG/EEG信号采集。

weixin_28278377的博客 194

学习机器视觉的参考顺序

一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与ROI区域 6. 图像预处理、二值化、形态学与图像区域特征提取分析...

风声独行 1万+

别慌!Oracle MOS登录页面大变样?5分钟搞定新旧账号登录全流程

本文详细解析Oracle MOS登录页面改版后的新旧账号登录流程,帮助用户快速适应账号体系变革。针对传统MOS账号和OCI账号的不同应用场景,提供5分钟内完成无缝切换的实用指南,包括登录步骤、书签设置和密码管理策略,助力数据库管理用户高效访问Oracle技术支持资源。

weixin_30275415的博客 519

机器视觉(8)--机器视觉系统集成

机器视觉系统集成发展的现状和前景 机器视觉系统集成是一门学科,随着新成像技术的不断发展,这门学科的发展势头依然强劲。 自从35年前广泛使用的商业组件被引入以来,熟练地将机器视觉集成到自动化应用程序中一直是该技术成功的关键因素。近年来,机器视觉行业在全球范围内实现了创纪录的增长,零部件在3D制导与计量、光谱图像分析、高速检测、深度学习等前沿应用领域的可用性和能力不断增强。在...

Techblog of HaoWANG 4075

ROS & ROS2 机器人深度相机激光雷达多传感器标定工具箱入门教程(一)

multisensor_calibration 是一个积极维护的通用标定工具箱,用于辅助基于目标的多传感器标定,支持 ROS 1 和 ROS 2。它提供了多种方法和应用来标定复杂的多传感器系统,例如。

2506_90492529的博客 3262

光学防抖OIS介绍与标定

前言:先看一下有无ois系统的效果。 1. OIS系统的作用就是消除镜头的抖动。 Gyro感受方向,Hall感受位移,Actuator驱动马达来矫正抖动方向和位移。 2.ois系统的结构构成 从上面来看ois系统主要有Hall,...

camerall 1万+

机器视觉基本概述

机器视觉是指计算机系统通过使用图像处理技术对图像或视频进行处理和分析,以模拟人类视觉系统的能力。它包括图像的获取、处理、分析和理解等多个方面,可以实现图像识别、目标检测、图像分割、运动跟踪等功能。机器视觉在自动驾驶、工业检测、安防监控、医学影像等领域有着广泛的应用。机器视觉是人工智能正在快速发展的一个分支。简单说来,机器视觉就是用机器代替人眼来做测量和判断。

Auroral_0218的博客 8816

华为OD机考2025C卷 - 精准核酸检测(Java & Python& JS & C++ & C语言)

华为OD机考2025C卷 - 精准核酸检测,提供在线OJ Java & Python& JS & C++ & C

算法大师! 2884

基于Anaconda安装环境的OpenCV机器视觉环境搭建

本文介绍win10系统下通过Anaconda配置基于python语言的机器视觉编程环境,主要内容包括: - Anaconda下载安装 - OpenCV下载安装 - 测试安装结果

vor234的博客 5336

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Halcon机器视觉学习方向

(2)外触发(静态拍图、动态拍图):视觉系统开采图线程循环等待;(1)通讯:静态拍图:机器用网口或串口发一个指令(比如A0)给视觉系统,视觉系统收到后拍照处理,输出结果给机器。1、像素变换(圆、矩形、像素单量) 照片单位为像素-----> 实际单位如:mm、m等。3、不同坐标系之间的标定(不共线的三点确定一个坐标系):如九点标定(机械手)(1)快速入门、能力一般的建议学习C#《C#从入门到精通》视觉系统通过、定时器、线程、循环等待等手段。2、数字图像处理基础(C#、VC++)(9)标定助手(畸变校正)

LONGZHIQIN的博客 722

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/

机器视觉企业实战

这个专栏是偏实战的系列,由浅入深学习机器视觉。最后可以收获:从悬赏一万的项目最后可以做到企业级的视觉应用

lixiemang8887的博客 1736

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: 机器视觉学习 8 9
下一篇: 机器视觉学习 8 12
漂泊到未知海岸
博客等级 码龄3年 12粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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