摘要：超声波测距是一种典型的非接触测量方式,应用非常广泛。
本文提出了一种基于STM32单片机的高精度超声波测距方案。
与传统单片机相比,STM32的主频和定时器的频率可以通过PLL倍频高达72MHz,高分辨率的定时器为高精度的测量提供了保证。
超声波的发射使用定时器的PWM功能来驱动,回波信号的接收使用定时器的输入捕获功能,开始测距时,定时器的开启将同时启动PWM和输入捕获,完全消除了启动发射和启动计时之间的偏差,提高了测量精度。
为使回波信号趋于稳定,设计了时间增益补偿电路(TGC),在等待回波的过程中随着时间的推移需要将放大器的增益值不断增大,通过实验获取不同距离需要设置的增益值,对应不同时间需要设置数字电位器的增量,并将该参数固化在单片机的FALSH中,在测距过程中,根据时间查询电位器增量表改变电位器阻值,实现回波信号的时间补偿,提高了测量的精度。
为了在减小盲区的同时而不减小测量范围,设计了双比较器整形电路分别处理近、远距离的回波信号,近距离比较器可以有效屏蔽超声波衍射信号从而减小了测量盲区。
传统的峰值检测方法大多通过硬件电路实现,设计较复杂,稳定性差。
本文通过软件算法对回波信号进行峰值时间检测。
不只简化了电路,降低了成本,而且提高了系统的稳定度。
经研究表明,该系统测量精度达到了lmm,盲区低至3cm,量程可达500cm。
本系统在近距离测试时,系统的精度较理想,可作为停车时的倒车雷达使用,也可以用于液面检测(油箱液位),还可以用于自动门感应,机器人视觉识别等。
如果多使用几个测距仪,将这些集成一个大系统,那么整个大系统可用于定位避障。

 基于单摄像机成像的电力设备侵入目标的参数计算，首先采用成本较低的单摄像机单目视觉系统，对摄像机监控范围内的空间进行三维建模，便于对其监控范围内的各种物体进行距离测算与三维尺寸测算；
接着依据立体视觉系统，对采用最新的模式识别技术识别出的入侵物的大小和距离进行计算，判断威胁程度。
文中提出的基于单摄像机成像的电力设备侵入目标的参数计算方法，可以更为准确地判断入侵物大小和位置，从而可靠地判断威胁程度，降低误报和漏报，在输电设备的监控方面有广大的应用前景。

阿里巴巴spark数字人体脊椎数据集，依据dicom文件为基础，json为文件信息存储，提供了计算机视觉应用至医疗的无效数据，开源免费

中科院王伟强的古代计算机视觉29讲PPT

视觉互动网络GoogleDeepmind的VisualInteractionNetworks的Tensorflow实现。
在Tensorflowr1.2上实现。
“关系推理的另一个关键部分涉及到预测物理场景中的未来。
人们一眼就能推断出物体在哪里，而且还能推断出在接下来的几秒钟，几分钟甚至更长的时间内物体会发生什么。
例如，如果您将足球踢到墙壁上，您的大脑会预测当球撞击墙壁时会发生什么，以及随后的运动会遭到怎样的影响（球会以与踢球成正比的速度跳动，并且-在大多数情况下，-墙壁将保留在原位）。
”摘自Deepmind的一篇文章N对象重力模拟要更改配置值，请检查常量脚本。
catconstracts.py为了生成图像和数据，pythonphysical_engines.py用于建模视觉交互网络pythongravity_vin.py数据数据是从我自己

MaterialRatingBar具有更好外观的MaterialDesignRatingBar，与Android3.0+兼容。
为什么选择MaterialRatingBar？在Android3.0及更高版本上外观一致。
扩展框架RatingBar。
如“材质图标”和Google应用中所述，获取2dp星形边框背景。
跨平台正确自定义着色。
当layout_width设置为match_parent，能够正确呈现，如在GooglePlay商店中一样。
当layout_height设置为16dp，36dp和48dp以外的值时，能够正确缩放。
能够正确显示诸如4.3等级，但由于框架的不正确实现而将其填充为4.5。
避免框架沉没的半星视觉毛病。
用作框架RatingBar替代。
预习积分Gradle：implementation'me.zhanghai.android.materialratingbar:library:1.4.0'用法只需将您的RatingBar替换为MaterialRatingBar，并记住为正确的行为应用相应的样式

3D视觉通讯，在视觉通讯中，专业书籍，可做入门使用。

由PoonamSharma和AkanshaSingh所写：深度学习在各种机器学习和计算机视觉应用中取得了显着的成功。
学习允许多个处理层自己学习功能，与传统的机器学习方法相反，而传统的机器学习方法无法以自然方式处理数据。
深度卷积网络在处理图像和视频方面表现出色，而循环神经网络在顺序数据方面取得了巨大成功。
本文回顾了迄今为止在该领域所做的所有方面和研究以及未来的可能性。

ThisisarepoformymasterthesisresearchabouttheFusionofVisualSLAMandGPS.Itcontainstheresearchpaper,codeandotherinterestingdata.Note:Thisisworkinprogress.Pleasetakealookatthewebsitethataccompaniesthisresearchat:https://Master.Kalisz.coThereisalsoaros-wrapperforDSO,whichisusedforthereal-timepartofthiswork(seehttps://github.com/JakobEngel/dso_ros).The"catkin"branchbyNikolausDemmelwasactuallyusedhere,astheoriginal"rosmake"versiondidnotworkforme.License:GPL-v3.###DirectSparseOdometry(DSO)ThisworkusestheDirectSparseOdometryProjectbyTUM(see:https://vision.in.tum.de/dsoandhttps://github.com/JakobEngel/dso).License:GPL-v3.

本人在做视觉稀疏SLAM，下载的2017年IROS会议稀疏SLAM相关论文

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。