基于YOLOv10深度学习的商品条形码智能检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测

news2024/12/23 17:55:56

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】52.【高密度人脸智能检测与统计系统】
53.【CT扫描图像肾结石智能检测系统】54.【水果智能检测系统】
55.【水果质量好坏智能检测系统】56.【蔬菜目标检测与识别系统】
57.【非机动车驾驶员头盔检测系统】58.【太阳能电池板检测与分析系统】
59.【工业螺栓螺母检测】60.【金属焊缝缺陷检测系统】
61.【链条缺陷检测与识别系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

基本功能演示

基于YOLOv10深度学习的商品条形码智能检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测

摘要：商品条形码智能检测与识别系统在零售、物流和仓储管理等行业中扮演着核心角色。该系统能实时检测并识别条形码，大大提升了数据录入的速率和准确性，减少了人工操作的错误和时间消耗，有效优化了库存管理和销售流程。本文基于YOLOv10深度学习框架，通过15066张商品条形码相关图片，训练了一个进行条形码目标检测的模型,可以对条形码进行实时检测，然后对检测出的每个条形码进行识别,识别出条形码的具体内容。并基于此模型开发了一款带UI界面的商品条形码智能检测与识别系统，更便于进行功能的展示。该系统是基于python与PyQT5开发的，支持图片、视频以及摄像头进行目标检测，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

文章目录

  • 基本功能演示
  • 研究背景
  • 主要工作内容
  • 一、软件核心功能介绍及效果演示
    • 软件主要功能
    • 检测结果说明
    • 主要功能说明
    • （1）图片检测说明
    • （2）视频检测说明
    • （3）摄像头检测说明
    • （4）保存图片与视频检测说明
  • 二、模型的训练、评估与推理
    • 1.YOLOv10简介
      • YOLOv10优化点
      • 双标签分配
      • 模型设计改进
    • 2. 数据集准备与训练
      • 模型训练
    • 3. 训练结果评估
    • 4. 检测与识别
  • 【获取方式】
  • 结束语

点击跳转至文末《完整相关文件及源码》获取

研究背景

商品条形码智能检测与识别系统在零售、物流和仓储管理等行业中扮演着核心角色。条形码作为商品信息的重要载体，能够快速准确地提供生产日期、价格、库存量等信息。该系统能实时检测并识别条形码，大大提升了数据录入的速率和准确性，减少了人工操作的错误和时间消耗，有效优化了库存管理和销售流程。

其主要应用场景包括：
零售超市：在收银台自动识别商品条形码，提高结账效率。
仓储管理：快速扫描货物条形码进行库存统计和物品追踪。
物流配送：在分拣中心辨识包裹上的条形码，确保货物准确投递。
制造业：跟踪零件和产品在生产线上的流通。
药品管理：在药品分发中识别条形码，确保药品信息的准确性。
图书馆管理：管理图书馆藏书，通过条形码快速借出和归还图书。
机场行李处理：识别行李条形码，提升行李处理的速度和准确性。
入场控制：例如电影院或演唱会的门票扫描，快速验证入场券。
快速消费品（FMCG）制造：在包装线上检测产品包装上的条形码，保证包装标签的正确。

总结来说，商品条形码智能检测与识别系统的应用增强了各个行业中产品信息管理的效率和准确性。这种技术通过自动化处理复杂且耗时的任务，支持业务的快速发展，减少了劳动力成本，并提升了客户的消费体验。随着人工智能和机器视觉技术的不断进步，此类系统将在更多场合发挥其巨大潜力。

主要工作内容

本文的主要内容包括以下几个方面：

  1. 搜集与整理数据集：搜集整理实际场景中不同条形码的相关数据图片，并进行相应的数据处理，为模型训练提供训练数据集；
  2. 训练模型：基于整理的数据集，根据最前沿的YOLOv10目标检测技术训练目标检测模型，实现对需要检测的对象进行实时检测功能；
  3. 条形码识别：对检测出的条形码位置进行条形码的具体内容的识别；
  4. 可视化系统制作：基于训练出的目标检测模型，搭配Pyqt5制作的UI界面，用python开发了一款界面简洁的系统界面，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。

软件初始界面如下图所示：
在这里插入图片描述

检测结果界面如下：
在这里插入图片描述
在这里插入图片描述

一、软件核心功能介绍及效果演示

软件主要功能

1. 可用于实际场景中的商品条形码检测识别，支持多个条形码同时检测与识别;
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；

检测结果说明

在这里插入图片描述
总目标数：表示画面中的目标数目；
目标选择：可选择单个目标进行位置信息、置信度查看。
识别结果：表示对检测出的条形码区域识别的具体信息。
目标位置：表示所选择目标的检测框，左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息；

主要功能说明

功能视频演示见文章开头，以下是简要的操作描述。

（1）图片检测说明

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。
点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。

（2）视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

（3）摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

（4）保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续使用。检测的图片与视频结果会存储在save_data目录下。
【注：暂不支持视频文件的检测结果保存为csv文件格式。】

保存的检测结果文件如下：
在这里插入图片描述
在这里插入图片描述

二、模型的训练、评估与推理

1.YOLOv10简介

在这里插入图片描述
YOLOv10是YOLO最新一代版本的实时端到端目标检测算法。该算法在YOLO系列的基础上进行了优化和改进，旨在提高性能和效率之间的平衡。首先，作者提出了连续双分配方法，以实现NMS-free训练，从而降低了推理延迟并提高了模型的性能。其次，作者采用了全面的效率-准确性驱动的设计策略，对YOLO的各种组件进行了综合优化，大大减少了计算开销，并增强了模型的能力。实验结果表明，YOLOv10在各种模型规模下都取得了最先进的性能和效率表现。

YOLOv10优化点

双标签分配

在这里插入图片描述

与一对一配对不同，一对多配对为每个真实标签分配一个预测标签，避免了后处理中的非极大抑制（NMS）。然而，它会导致弱监督，从而导致较低的准确度和收敛速度。幸运的是，这种缺陷可以通过一对多配对进行补偿。为了实现这一目标，我们在YOLO中引入了双标签分配来结合这两种策略的优点。具体来说，如上图所示，我们为 YOLO 添加了一个额外的一对一头部。它保留了一致的结构，并采用与原始的一对多分支相同的学习目标，但利用一对一匹配获得标签分配。在训练过程中，两个头与模型一起联合优化，允许骨干网络和脖子从一对多分支提供的丰富监督信号中受益。在推理过程中，我们丢弃一对多头，并使用一对一头进行预测。这使得 YOLO 能够端到端部署，而无需付出任何额外的推断成本。此外，在一对一匹配中，我们采用了顶部选择，实现了与匈牙利匹配相同的性能，同时减少了额外的训练时间。

模型设计改进

在这里插入图片描述

在模型设计方面，提出了以下几种改进点：
轻量级分类头： 通过对分类头进行轻量化设计，可以减少计算成本，而不会显著影响性能。
空间通道解耦降采样： 该方法通过分离空间和通道维度上的操作，提高了信息保留率，从而实现了更高的效率和竞争力。
排名引导块设计： 该方法根据各个阶段的冗余程度，采用不同的基本构建块，以实现更高效的模型设计。
大核深度卷积和部分自注意力模块： 这些模块可以在不增加太多计算开销的情况下提高模型的表现力。

2. 数据集准备与训练

通过网络上搜集关于不同条形码的相关图片，并使用Labelimg标注工具对每张图片进行标注。然后对数据进行离线数据增强处理：包括马赛克数据增强、旋转、添加噪点、透视变换等策略，对数据集进行扩充，以增加模型的训练效果与泛化能力。

最终数据集一共包含15066张图片，其中训练集包含14097张图片，验证集包含692张图片、测试集包含277张图片，共1个检测类别:条形码。
部分图像及标注如下图所示：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型训练

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集、验证集和测试集放入Data目录下。
在这里插入图片描述

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv10在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: D:\2MyCVProgram\2DetectProgram\BarcodeDetection_v10\datasets\Data\train
val: D:\2MyCVProgram\2DetectProgram\BarcodeDetection_v10\datasets\Data\valid
test: D:\2MyCVProgram\2DetectProgram\BarcodeDetection_v10\datasets\Data\test

nc: 1
names: ['Barcode']

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')

# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/v10/yolov10n.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolov10n.pt'

if __name__ == '__main__':
    #加载预训练模型
    model = YOLO(model_yaml_path).load(pre_model_name)
    #训练模型
    results = model.train(data=data_yaml_path,
                          epochs=150,      # 训练轮数
                          batch=4,         # batch大小
                          name='train_v10', # 保存结果的文件夹名称
                          optimizer='SGD')  # 优化器

3. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv10在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
在这里插入图片描述

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差，越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。
本文训练结果如下：
在这里插入图片描述

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型目标检测的mAP@0.5值为0.994，结果还是十分不错的。
在这里插入图片描述

4. 检测与识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。

加载模型获取二维码位置信息：

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
# img_path = "TestFiles/ArteLabBarcodeI030_jpg.rf.6d95995aced8d0ef4d267d520f882523.jpg"
img_path = "TestFiles/combined_2.jpg"
org_img = tools.img_cvread(img_path)
# 加载模型
model = YOLO(path, task='detect')
# 检测图片
results = model(img_path)[0]
location_list = results.boxes.xyxy.tolist()
location_list = [list(map(int, e)) for e in location_list]

裁剪二维码检测区域并进行识别：

# 获取检测区域
areas = tools.get_bar_area(org_img, location_list)
# 识别结果
bar_res = []
for each in areas:
    get_bar_res = tools.get_barcode_result(each)
    if len(get_bar_res) > 0:
        result = get_bar_res[0].data.decode()
    else:
        result = '无法识别'
    bar_res.append(result)
print(bar_res)
for text, box in zip(bar_res, location_list):
    org_img = tools.drawRectBox(org_img, box, text, fontC)

显示最终检测与识别结果：

org_img = cv2.resize(org_img,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("result", org_img)
cv2.waitKey(0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
在这里插入图片描述
在这里插入图片描述

以上便是关于此款商品条形码智能检测与识别系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

其目的是为检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验，还使得检测过程更加直观透明，便于结果的实时观察和分析。此外，GUI还可以集成其他功能，如检测结果的保存与导出、检测参数的调整，从而为用户提供一个全面、综合的检测工作环境，促进智能检测技术的广泛应用。

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

【获取方式】

关注下方名片G-Z-H：【阿旭算法与机器学习】，并发送【源码】即可获取下载方式

本文涉及到的完整全部程序文件：包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等（见下图），获取方式见文末：
在这里插入图片描述

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。

关注下方名片GZH:【阿旭算法与机器学习】，并发送【源码】即可获取下载方式

结束语

以上便是博主开发的基于YOLOv10深度学习的商品条形码智能检测与识别系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1960791.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

小程序、H5、APP中的微信支付概述和实战总结

小程序、H5、APP中的微信支付概述和实战总结

最近开发的一个微信小程序的项目结束了，里面用到了支付相关的api，借着项目总结一下小程序各种场景支付的逻辑。 1. 微信支付概述 1.1 微信支付的重要性 微信支付作为中国领先的移动支付方式之一，其便捷性、安全性以及广泛的用户基础使其成为…
阅读更多...
已解决丨怎么快速的让IP地址实现HTTPS访问？

已解决丨怎么快速的让IP地址实现HTTPS访问？

要快速让IP地址实现HTTPS访问，可以遵循以下简洁步骤： 1. 确认公网IP地址 确保你拥有一个固定的公网IP地址，因为HTTPS访问需要通过互联网上的公网IP进行。 2. 选择证书颁发机构（CA） 选择一个受信任的证书颁发机构&a…
阅读更多...
从PLC到云端，ZP3000系列网关助力工业数字化转型

从PLC到云端，ZP3000系列网关助力工业数字化转型

ZP3000系列远程控制网关是一款专为满足现代工业自动化和远程监控需求而设计且功能强大的通讯模块。它的多接口设计和灵活配置能力，使得它能够适应多种复杂的工业通信和监控场景。以下是关于ZP3000系列远程控制网关的详细特点和应用场景： 产品特点 双以太…
阅读更多...
playwright 模拟F11 全屏

playwright 模拟F11 全屏

直接上源代码 import multiprocessing import time from multiprocessing import Processfrom playwright.sync_api import sync_playwrightdef run(playwright):# 使用 Chromium 浏览器运行 设置 headlessFalse 以打开可视化窗口browser playwright.chromium.launch(headles…
阅读更多...
C语言——设计TVM（地铁自动售票机）机软件。

C语言——设计TVM（地铁自动售票机）机软件。

输入站数，计算费用，计费规则，6站2元，7-10站3元，11站以上为4元。 输入钱数，计算找零(找零时优先找回面额大的钞票)，找零方式为各种面额张数，可识别面额： 100,50,20,10,5,1…
阅读更多...
linux中mysql的安装使用(普通版版本+docker版本)

linux中mysql的安装使用(普通版版本+docker版本)

linux中mysql的安装使用 一、普通安装1.下载安装包2.流程 二、用docker安装1.拉取mysql镜像2.启动镜像3.开启权限第一种情况第二种情况 三、用Navicat连接 一、普通安装 1.下载安装包 挑选个你喜欢的目录，用wget下载并且解压 wget http://dev.mysql.com/get/Down…
阅读更多...
指针！！C语言 字符串篇(第四篇）

指针！！C语言 字符串篇(第四篇）

目录 一. sizeof和strlen的对比 二. 数组和指针笔试题解析 2.1 一维数组 2.2 字符数组 2.3 二维数组 一. sizeof和strlen的对比 在C语言中有两个比较相似的知识点，就是sizeof和strlen，下面我们来讲一下它们两者之间有什么不同之处？ &a…
阅读更多...
python脚本制作循环执行命令行

python脚本制作循环执行命令行

python import subprocess import sysif __name____main__:ret 1while ret!0:ret subprocess.call(sys.argv[1:], textTrue)pack pip install pyinstaller pyinstaller --onefile loop.py pyinstaller -i *.ico loop.py #指定ico图标 使用场景 使用上面生成的loop.exe调用c…
阅读更多...
前端开发者必备：揭秘谷歌F12调试的隐藏技巧！

前端开发者必备：揭秘谷歌F12调试的隐藏技巧！

前言 使用断点（breakpoint）是调试 JavaScript 代码的一种非常有效的方式。通过在代码的关键位置设置断点，可以阻止页面的状态变化，从而方便地检查和修改页面的当前状态。 1. 使用 setTimeout 配合 debugger 和 console.log setTi…
阅读更多...
调用百度的大模型API接口实现AI对话！手把手教程！

调用百度的大模型API接口实现AI对话！手把手教程！

本文介绍如何使用百度的大模型API接口实现一个AI对话项目 1 注册百度云 2 获取API接口 3 配置环境 4 代码编写与运行 5 chat models 1 注册百度云 搜索百度云，打开官网注册，充值一点点大米（收费很低，大概生成几个句子花费一毛…
阅读更多...
立仪光谱共焦传感器应用测量之：汽车连接器高度差测量

立仪光谱共焦传感器应用测量之：汽车连接器高度差测量

01 检测要求，要求测量汽车连接器的高度差 02 检测方式 根据观察，我们采用立仪科技光谱共焦H4UC控制器搭配D65A52系列镜头，角度最大，外径最大，量程大，可以有效应用于测量弧面，大角度面等零件。 0…
阅读更多...
【嵌入式之RTOS】什么是著名的食客问题

【嵌入式之RTOS】什么是著名的食客问题

目录 一、问题描述 二、四个条件 三、实际应用中的意义 著名的“食客问题”（Dining Philosophers Problem）是一个经典的计算机科学问题，用来说明并发编程中的资源竞争和死锁问题。这个问题最初是由荷兰计算机科学家Edsger Dijkstra提出的…
阅读更多...
秘密实验室开服教程(SCP: Secret Laboratory)

秘密实验室开服教程(SCP: Secret Laboratory)

1、购买后登录服务器（百度莱卡云） 购买服务器后，如下图👇，面板信息都在产品详情页面内 注意：请不要用你的莱卡云账号信息去登陆服务器面板 进入控制面板后会出现正在安装的界面，安装时长约5分…
阅读更多...
【排序算法（二）】——冒泡排序、快速排序和归并排序—＞深层解析

【排序算法（二）】——冒泡排序、快速排序和归并排序—＞深层解析

前言： 接上篇，排序算法除了选择排序（希尔排序）和插入排序（堆排序）之外，还用交换排序（冒泡排序、快速排序）和归并排序已经非比较排序，本篇来深层解析这些排序算…
阅读更多...
2 卷积神经网络CNN

2 卷积神经网络CNN

文章目录 LeNet-5AlexNetGoogLeNetResNet 本章代码均在kaggle上运行成功 LeNet-5 import torch import torch.nn as nn from torchvision import datasets, transforms from torch.utils.data import DataLoader import matplotlib.pyplot as plt from matplotlib_inline impo…
阅读更多...
木马后门实验

木马后门实验

实验拓扑 实验步骤 防火墙 配置防火墙—充当边界NAT路由器 边界防火墙实现内部 DHCP 分配和边界NAT需求，其配置如下 登录网页 编辑接口 配置e0/0 配置e0/1 编辑策略 测试：内部主机能获得IP，且能与外部kali通信 kali 接下来开启 kali 虚…
阅读更多...
【视频讲解】后端增删改查接口有什么用？

【视频讲解】后端增删改查接口有什么用？

B站视频地址 B站视频地址 前言 “后端增删改查接口有什么用”，其实这句话可以拆解为下面3个问题。 接口是什么意思？后端接口是什么意思？后端接口中的增删改查接口有什么用？ 1、接口 概念：接口的概念在不同的领域中…
阅读更多...
BUGKU-WEB-好像需要密码

BUGKU-WEB-好像需要密码

如果点击start attrack 后出现 Payload set 1: Invalid number settings 的提示，先点hex 后点 decimal 再开始start attrack，这是一个软件bug，需要手动让它刷新。 解题思路 先随便输入测试：admin看看源码吧那就爆破了 据说&…
阅读更多...
项目比赛经验分享：如何抓住“黄金一分钟”

项目比赛经验分享：如何抓住“黄金一分钟”

项目比赛经验分享：如何抓住“黄金一分钟” 前言引起注意：用事实和故事开场明确痛点：描述问题和影响介绍解决方案：简明扼要激发兴趣：使用视觉辅助概述演讲结构：清晰的路线图我的开场白示例结语 前言 在创新的…
阅读更多...
【小超嵌入式】 交叉编译工具安装过程

【小超嵌入式】 交叉编译工具安装过程

1、下载交叉编译工具链 ● 确定目标平台： 首先，你需要确定你的目标平台是什么，比如ARM、MIPS等。不同的目标平台需要不同的交叉编译工具链。 ● 获取工具链： 官方网站：通常可以从交叉编译器的官方网站下载适用于你的…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023