机器视觉学习 10 12

机器视觉学习经验 Halcon 软件的介绍与应用 1、主要的视觉软件 •主流软件: 最好的是 Cogrex 的 visionpro:工业化、封装、人性化、评估的便捷性、开发 的快速性 Halcon:开放性强、有试用的 license、提供超过 1000 个算子 Dalsa 的 Sherlock:评估非常快捷,类似于计算器模式,所见即所得 德国的 mil:好处是免费的,性价比不如 visionPro,h... 阅读详情

今天回顾了双目立体视觉三维重建的过程,终于有了从相机标定到三位点云建立的全流程的知识框架,细节还等着我去了解和学习

图像获取与相机标定

三维重建的第一步是使用一台经过精密校准的双目相机同时拍摄同一场景的两张图像。​相机标定是至关重要的一步,其目的是精确测量相机的内部参数(如焦距、主点坐标、畸变系数)和两个相机之间的相对位置与姿态(旋转矩阵和平移向量)

这些参数构成了后续所有几何计算的数学基础,标定的精度直接决定最终三维模型的准确性

图像预处理与校正

获取原始图像后,通常需要进行预处理,如去噪、对比度增强等,以提升图像质量

紧接着是立体校正,这是一个关键的几何变换过程。它的目标是消除因为两个相机物理位置不同而导致的垂直方向上的偏移,确保同一三维点在两幅图像中的投影位于同一水平线上​。这一步极大地简化了后续寻找对应点的任务,将搜索范围从二维图像压缩到一维水平线

立体匹配

立体匹配是双目视觉的核心和难点,其任务是为左图中的每一个像素点在右图上找到对应的匹配点。左右图像中对应点横坐标的差值称为视差​

匹配算法主要分为两类:

​局部匹配法​:例如块匹配(BM)​,它通过计算一个小窗口内的像素相似度(如SAD、SSD)来寻找匹配点,速度快但在弱纹理或重复纹理区域效果不佳

​全局/半全局匹配法​:例如半全局匹配(SGBM)​,它通过构建并优化一个全局能量函数来得到视差图,精度更高,但计算量也更大

匹配后得到的灰度图就是视差图,图中每个像素的灰度值代表了该点的视差大小

三维点云生成

得到视差图后,即可根据三角测量原理,利用之前标定得到的参数(特别是基线距离 B和焦距 f),将每个像素的视差 d转换为三维坐标 (X,Y,Z)

​通过公式计算出的所有三维点的集合,就构成了描述物体表面形态的三维点云

另外还解决了一些细节的疑惑

一、在双目立体视觉中世界坐标系的位置一般放在哪里

在双目立体视觉系统中,世界坐标系原点的设置并非固定不变,而是可以根据应用需求和计算便利性进行选择。下面这个表格汇总了常见的设置位置及其特点。

世界坐标系原点位置

主要特点 / 适用场景

​左相机光心​

简化计算,常见于将左视图作为主参考的系统中

。

​右相机光心​

原理同左相机光心,取决于系统设计时的主参考相机选择

。

​左右相机光心连线的中点​

使坐标系关于双相机系统对称,可能使三维坐标值的表示更均衡

。

​场景中的特定点(如大地坐标系)​​

适用于需要绝对位置信息的应用,如航空测量、大地测绘

。

​第一个有效扫描帧的左相机光心​

常见于手持式三维扫描等序列图像处理中,将首个有效位置作为全局参考

二、如果世界坐标系在左相机光心,那么当完成立体匹配得到视差之后,三维点的三个坐标分别是怎么通过计算得到的

这个流程中的关键公式如下:

  1. ​计算深度(Z坐标)​​

    这是最核心的公式,直接决定了距离的远近:

    Z=df⋅B​

    其中:

    • f是相机的焦距(通常以像素为单位)。

    • B是左右相机光心之间的距离,即基线长度。

    • d是视差​(disparity),即同一个三维点在左右两个图像中水平坐标的差值(d=uL​−uR​)。

  2. ​计算X和Y坐标​

    在得到深度Z后,利用左相机的针孔模型反推三维点的X和Y坐标:

    X=fx​Z⋅(uL​−cx​)​

    Y=fy​Z⋅(vL​−cy​)​

    其中:

    • (uL​,vL​)是该点在左图像中的像素坐标。

    • (cx​,cy​)是左相机的主点坐标​(光学中心)。

    • fx​,fy​是左相机在x和y方向上的焦距。

​推导逻辑​:由于世界坐标系就在左相机光心,所以通过左相机成像模型计算出的相机坐标系坐标,直接就是世界坐标系坐标。公式中的 (uL​−cx​)/fx​和 (vL​−cy​)/fy​本质上是视线方向向量,乘以深度Z后,就得到了点的具体空间位置。

⚙️ 计算所需的参数获取

这些计算依赖于一系列通过相机标定得到的参数

参数类型

包含的关键参数

如何获取

​相机内参​

焦距 fx​,fy​,主点 cx​,cy​

通过单相机标定获得,描述相机自身的成像几何。

​立体外参​

旋转矩阵 R和平移向量 T

通过双目标定获得,描述右相机相对于左相机的位置和姿态。其中平移向量 T的范数(模长)即为基线长度 B

。

​视差图​

每个像素的视差值 d

通过立体匹配算法(如SGBM、BM等)对校正后的左右图像进行计算得到。

​三、为什么在实际世界中像素平面在摄像机光心的后方,而在研究中我们都把光心放在像素平面前方

1. 物理现实:像素平面在光心后方

这是相机实际工作的方式。

  • ​原理​:光线从物体表面(点P)出发,穿过镜头的光心(O),然后打在位于相机内部的传感器(像素平面)上,形成一个倒立的实像。

  • ​特点​:这是一个真实的物理成像过程。像点 p_physical位于光心的后方。

2. 研究模型:像素平面在光心前方

这是为了分析方便而建立的数学模型,也称为“虚拟图像平面”模型。

  • ​原理​:我们将成像平面“对称地”移动到光心的前方,并且到光心的距离同样是焦距 f。同时,我们将三维点P与光心O连线,并向前延长,与这个虚拟平面相交于 p_virtual。

  • ​特点​:这是一个数学抽象。此时形成的图像是正立的虚像,与我们直观观察到的场景方向一致。

🔑 为什么研究中都使用虚拟模型?

关键在于上图揭示的结论:​两种模型下,通过相似三角形推导出的最终公式是完全一致的。​​

​物理模型推导(像素平面在后):​​

根据相似三角形,有:

ZX​=f−(u−cx​)​

这里会出现一个负号,因为物理上成的是倒像。

​等效模型推导(像素平面在前):​​

根据相似三角形,有:

ZX​=f(u−cx​)​

​负号消失了,因为图像是正立的。

四、灰度重心法是什么及具体步骤

灰度重心法是一种在图像处理中用于精确定位目标区域中心的技术。下面这个表格能帮你快速了解它的核心要素:

特征维度

具体说明

​核心思想​

将图像的像素灰度值视为物理中的“质量”,通过计算这些带权重的像素的平均位置来确定目标的“重心”或“质心”

​主要应用场景​

激光条纹或光斑的中心线提取

、光斑坐标定位、目标跟踪与特征点方向描述

​关键公式 (二维图像)​​

对于一幅 M×N 的图像,重心坐标 (Xc, Yc) 计算公式为:
• Xc​=∑i=1M​∑j=1N​I(i,j)∑i=1M​∑j=1N​i⋅I(i,j)​
• Yc​=∑i=1M​∑j=1N​I(i,j)∑i=1M​∑j=1N​j⋅I(i,j)​
其中,I(i, j)是像素点 (i, j)处的灰度值

​主要优点​

算法原理简单,计算速度快,能满足实时性要求

;充分考虑了灰度分布,对亮度不均匀的目标也能获得较高精度的中心位置

​局限性​

精度受图像噪声干扰影响较大

;如果目标与背景对比度低,阈值选取不当会影响结果准确性

具体步骤

场景设定

假设我们有一个来自摄像头的微小图像区域(例如一个光斑),其灰度图像数据如下。像素坐标 (i, j) 以左上角为原点 (1,1),i 表示行号,j 表示列号。I(i, j)表示该像素点的灰度值,数值越大代表越亮。

我们得到以下 3x3 的像素矩阵:

像素坐标 (i, j)

灰度值 I(i, j)

(1,1)

10

(1,2)

20

(1,3)

10

(2,1)

20

(2,2)

​80​ (最亮的中心)

(2,3)

20

(3,1)

10

(3,2)

20

(3,3)

10

​目标​:计算这个光斑区域的灰度重心坐标 (Xc, Yc)。


计算步骤

我们将使用灰度重心法的核心公式:

Xc​=∑i=1M​∑j=1N​I(i,j)∑i=1M​∑j=1N​i⋅I(i,j)​
Yc​=∑i=1M​∑j=1N​I(i,j)∑i=1M​∑j=1N​j⋅I(i,j)​

其中,M=3, N=3。

第一步:计算“总质量”(灰度值总和)

这是公式中的分母,即所有像素灰度值之和:

S=i=1∑3​j=1∑3​I(i,j)=10+20+10+20+80+20+10+20+10
S=200
第二步:计算 X 方向的重心坐标 (Xc)

Xc 是 ​行号 i​ 的加权平均,权重是灰度值 I(i,j)。

我们需要计算 ​每个像素的 (行号 × 灰度值)​,然后求和。

  1. 第1行: 1×10+1×20+1×10=1×(10+20+10)=1×40=40

  2. 第2行: 2×20+2×80+2×20=2×(20+80+20)=2×120=240

  3. 第3行: 3×10+3×20+3×10=3×(10+20+10)=3×40=120

将三行的结果相加:

i=1∑3​j=1∑3​i⋅I(i,j)=40+240+120=400

现在代入公式计算 Xc:

Xc​=200400​=2.0
第三步:计算 Y 方向的重心坐标 (Yc)

Yc 是 ​列号 j​ 的加权平均,权重是灰度值 I(i,j)。

我们需要计算 ​每个像素的 (列号 × 灰度值)​,然后求和。

  1. 第1列: 1×10+1×20+1×10=1×(10+20+10)=1×40=40

  2. 第2列: 2×20+2×80+2×20=2×(20+80+20)=2×120=240

  3. 第3列: 3×10+3×20+3×10=3×(10+20+10)=3×40=120

将三列的结果相加:

i=1∑3​j=1∑3​j⋅I(i,j)=40+240+120=400

现在代入公式计算 Yc:

Yc​=200400​=2.0

最终结果

这个光斑区域的灰度重心坐标为:

(Xc​,Yc​)=(2.0,2.0)​
结果分析
  • ​直观对比​:如果我们简单地把图像看成9个点,其几何中心在 (2,2)。我们计算出的灰度重心也是 (2,2)。

  • ​原因​:这个例子中的灰度分布是完全对称的。最亮的点(2,2)正好在几何中心,周围像素的灰度值也呈对称分布。因此,加权平均后的重心与几何中心重合。

  • ​更一般的情况​:如果光斑的亮度分布不均匀(例如,光斑向左上角偏移,左上角像素更亮),那么计算出的灰度重心就会偏离几何中心,指向更亮的区域,从而实现亚像素级别的精确定位。这正是灰度重心法的价值所在——它不仅能找到目标的“中心”,还能找到其“亮度分布”的质心

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

第四部分:机器视觉应用领域

第四部分:机器视觉应用领域 作者:禅与计算机程序设计艺术 1. 背景介绍 1.1 机器视觉:赋予机器感知能力 机器视觉是人工智能的一个重要分支,旨在赋予机器 "看" 的能力。它利用计算机视觉算法分析图

AI天才研究院 881

激光条纹中心提取——灰度中心法python

激光条纹中心提取——灰度中心法python灰度中心法python代码 灰度中心法 灰度重心法是根据每行光条纹横截面内的灰度分布特征逐行进行处理,通过在行坐标的方向上,逐行计算提取光条纹区域的灰度重心点,并将该点用来代表该截面的光条纹中心点位置,最后将所有中心点拟合形成光条纹中心线。具体操作步骤是,先对图像进行滤波除去噪声,然后再用阈值分割,保留大于阈值的部分,如图1-6左图是分割前的图像,图1-6右图是分割后的图像,其中区间(m, n)由阈值T决定。灰度重心法计算光条纹中心点的公式见式(1-7),光条纹第v

CharmsLUO的博客 7579

【图像分割】机器视觉蠕虫分割【含Matlab源码 5146期】

机器视觉蠕虫分割 完整的代码,包运行;运行操作视频见优快云资源!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 477

灰度重心法

概念 对于亮度不均匀的目标(如光斑,光条纹),灰度重心法可按目标光强分布求出光强权重质心坐标作为跟踪点,也叫密度质心算法。 将灰度值分布中的质心记作光条纹的中心 对于M * N大小的图像f,像素的灰度值凡是超过阈值T的均参与重心处理,于是重心坐标为: 灰度重心法公式 型心法 只可用于二值图像 灰度重心法version 1 灰度重心法version 2 使用Visual Studio ...

Tiiktak‘s 1万+

那些机器视觉公司值得我们机器视觉工程师去工作的?跳槽之后仿佛把过去的路重新走了一遍,突然人间清醒

那些机器视觉公司值得我们机器视觉工程师去工作的?跳槽之后仿佛把过去的路重新走了一遍,突然人间清醒

视觉人机器视觉的博客 634

无需Root!安卓模拟器+BurpSuite轻松搞定微信小程序抓包

本文详细介绍了如何在不root安卓设备的情况下,使用安卓模拟器和BurpSuite实现微信小程序抓包。通过夜神模拟器降级安卓版本、配置BurpSuite代理及安装证书等步骤,开发者可以轻松绕过微信的证书绑定,高效抓取小程序数据包。文章还提供了常见问题排查和高阶技巧,帮助开发者提升抓包效率。

weixin_29213655的博客 365

激光条纹中心线提取:灰度重心法

激光条纹中心线提取的方法有很多,其中,灰度重心法是比较简单易懂的一种,下文将从灰度重心法的原理、matlab代码两个方面进行介绍。

ZJU3220100620的博客 5894

CentOS 9 Stream 上安装 MySQL 8.0+

根据提示进行设置,包括设置新的 root 密码、禁用远程 root 登录等。MySQL 在首次安装时会生成一个临时密码。这样就完成了 MySQL 8.0.37 的安装。这将安装最新的 MySQL 8.0 版本。

小强不是坑 1681

灰度重心法公式大全

1.型心法        可理解为灰度重心法的特例,用于二值图像。   2.灰度重心法 version 1   3.灰度重心法 version 2

分享的滋味 1万+

【20230415】Ubuntu22.04双屏显示触屏设置,解决触摸点和响应位置不一致的问题

双屏显示时,如果存在一个触摸屏,有可能会出现触摸点和响应位置不一致的问题。我的显示器配置如下:一个34寸,3440*1440;一个22英寸触摸屏,1920*1080。

Creationyang的博客 3216

systemView的安装使用

systemView的安装使用

qq_33712422的博客 3986

灰度图像的重心计算

(2009-06-27 16:50:20) 转载▼ 标签: matlab 图像处理 位置归一化 教育 分类: 图像处理 通过重心归一化来对图像的进行位置归一化操作。 img = imread('posnormal03.jpg'); imgray =rgb2gray(img); imgray = 255 - imgray; im

zht9961020的专栏 8874

Android音频学习(一)——音频基础

在系统的学习Android音频之前,先了解音频的基础知识。

miemie2014的博客 1486

【双一流高校主办】第五届光学与机器视觉国际学术会议(ICOMV 2026)

由河南大学、哈尔滨工业大学郑州研究院联合主办的第五届光学与机器视觉国际学术会议(ICOMV 2026)将于2026年4月10-12日在中国郑州举行。本次会议将围绕“光学”与"机器视觉”等研究领域展开讨论,为来自国内外高等院校、科学研究所、企事业单位的专家、教授、学者、工程师等提供一个分享专业经验,扩大专业网络,面对面交流新思想以及展示研究成果的国际平台,探讨本领域发展所面临的关键性挑战问题和研究方向,以期推动该领域理论、技术在高校和企业的发展和应用。欢迎各位领域内专家学者投稿参会!

weixin_73242859的博客 553

dolphinscheduler-3.4.0

dolphinscheduler集群部署

docsz的博客 661

rk3576 点亮 LCD(eDP)

RK3576 处理器集成了对 **eDP (Embedded DisplayPort)** 接口的支持,主要用于驱动嵌入式或笔记本电脑的内置屏幕。支持 **eDP 1.3 版本协议**, 最大可支持 ****4K@120Hz**。

weixin_35723192的博客 355

【脑肿瘤检测】基于机器视觉脑肿瘤识别附Matlab代码

脑肿瘤是危害人类生命健康的重要疾病之一,早期诊断和治疗对于提高患者生存率至关重要。传统脑肿瘤诊断方法主要依赖于磁共振成像(MRI)等影像学检查,但受限于主观因素影响和医生经验水平差异,存在诊断误差和漏诊的风险。随着人工智能技术的发展,特别是机器视觉领域的进步,基于机器学习的脑肿瘤识别技术应运而生,为脑肿瘤检测提供了新的解决方案。一、基于机器视觉的脑肿瘤识别技术概述基于机器视觉的脑肿瘤识别技术,是指利用计算机视觉算法对脑部MRI图像进行分析,自动识别和诊断脑肿瘤。

m0_57702748的博客 756

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")

机器视觉简介

机器视觉就是利用相机、摄像机等设备,配合计算机和专门的算法,让机器能够感知图像,并从中提取信息,用以指导行动或做决策的技术。想象一下,当你在用手机拍照时,手机会自动识别场景和人脸,这就是机器视觉的一种应用。送你一套我自己录制了两个月价值3000元的课程资料。机器视觉的发展可以说是随着计算机技术的进步而一步步走来的。

df45776的博客 773

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

一文让你认识什么是机器视觉

简而言之,机器视觉技术使工业设备能够“看到”它正在进行的操作,并根据它所看到的情况做出快速的决策。机器视觉最常见的用途是目视检查和缺陷检测、定位和测量零件,以及对产品进行识别、分类和追踪。机器视觉是工业自动化的基础技术之一。几十年来,其帮助提高了产品质量、加快了生产速度并优化了制造和物流过程。现在,这项成熟的技术正在与人工智能融合,并引领着向工业 4.0 的过渡。机器视觉系统架构机器视觉是工业自动化的主要组成部分。浏览上图,了解机器视觉系统组件如何协同工作以推动运营的变革。

2301_77365953的博客 477

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

【硬币识别】基于机器视觉硬币数量及其总金额识别附Matlab代码

引言硬币识别在自动售货机、自助收银机、金融交易等领域有着广泛的应用。传统的硬币识别方法通常依赖于机械传感器或磁性传感器,存在成本高、易损、识别精度有限等缺陷。近年来,随着计算机视觉技术的快速发展,基于机器视觉的硬币识别方法逐渐成为研究热点,其具有成本低、识别精度高、适应性强等优点。本文将深入探讨基于机器视觉的硬币数量及其总金额识别技术。1. 系统概述使用摄像头或其他图像传感器采集硬币图像。对采集到的图像进行去噪、平滑、增强等操作,以提高图像质量。从预处理后的图像中提取硬币的特征,例如形状、尺寸、纹理等。

m0_57702748的博客 1292

[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+

毕设分享 基于机器视觉的目标跟踪算法

🔥今天学长向大家分享一个毕业设计项目为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计项目,今天要分享的是🚩毕业设计 深度学习多目标跟踪 实时检测🥇学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:4分毕业设计 机器视觉的目标跟踪算法🧿 项目分享:见文末!毕业设计 机器视觉的目标跟踪算法🧿 项目分享:见文末!

kooerr的博客 1000

机器视觉(12)浅说机器视觉系统概述及其国内外的现状

目录 1、机器视觉系统的概况 (1)机器视觉定义 (2)机器视觉组成 (3)机器视觉应用范围 2 机器视觉的国际现状 3 机器视觉的国内现状 机器视觉系统广泛的应用于各个行业。机器视觉在国外是非常广泛的被使用,但在国内机器视觉还处在一个相对落后的阶段。 1、机器视觉系统的概况 (1)机器视觉定义 机器视觉系统是指用计算机来实现人的视觉功能,也就是用计算机来实现对客观的三维世界的识别。按现在的理解,人类视觉系统的感受部分是视网膜,它是一个三维采样系统。三维物体的可...

Techblog of HaoWANG 1万+
上一篇: 机器视觉学习 10 8
下一篇: 机器视觉学习 10 17
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