植物分类是植物科学研究领域和农林业生产运营中重要的基础性工作，植物分类学是一项具有长远意义的基础性研究，其主要的分类依据是植物的外观特征，包括叶、花、枝干、树皮、果实等。
因此，花卉分类是植物分类学的重要部分，利用计算机进行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方法。
在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特征，并使用分级SVM分类器对花卉图像进行了识别。
论文提出了分区域特征提取以及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。
本文构建了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了95.72%的识别准确率。
实验结果表明，本文所实现的花卉种类识别系统具有较高的识别准确率和稳定性。
因此，花卉分类是植物分类学的重要部分，利用计算机进行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方法。
在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特征，并使用分级SVM分类器对花卉图像进行了识别。
论文提出了分区域特征提取以及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。
本文构建了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了95.72%的识别准确率。
实验结果表明，本文所实现的花卉种类识别系统具有较高的识别准确率和稳定性。
2022/9/4 7:01:48
6.39MB
1
可以允许限制交易手数，满足小资金跟单客户的需求。
实时显示样本账户、下单账号的持仓和盈亏情况，便于观察能否漏单，计算滑点。
显示下单账号的盈亏情况，及时止盈止损
实时显示样本账户、下单账号的持仓和盈亏情况，便于观察能否漏单，计算滑点。
显示下单账号的盈亏情况，及时止盈止损
2022/9/4 2:59:29
195KB
1
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
积分不够私信我
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
积分不够私信我
2022/9/4 1:58:55
10KB
1
cnn+rnn+attention以及CTC-loss融合的文字识别代码，基于tensorflow实现，要的拿去不客气，样本使用自我合成的数据，可本人添加，有些人傻的，上来就说不能直接运行，大爷的说了要添加训练样本，傻吗。
。
。
。
。
2022/9/3 21:26:23
16KB
1
CS231A课程项目：深度立体声匹配重新实现GC-Net我主要是重新实现GC-Net。
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
2022/9/3 12:38:33
16.3MB
1
针对氧化铝配料过程中前往物料成分波动大且难以在线检测的问题,首先,利用滞后的离线分析获得的多变量时间序列,直接构造包含充分预测信息的初始相空间;然后,构建时间序列决策表,并采用一种IGA算法对冗余嵌入和冗余变量进行Rs约简,获取广义重构相空间;最后,根据广义重构结果构造输入样本集,建立LS_SVM实时预测模型.仿真结果表明,提出的模型具有较好的泛化能力,能获得较理想的返料成分含量预测精度(6种氧化物的相对均方根误差均小于13%),具有一定的应用价值.
2022/9/3 6:59:10
889KB
1
霍夫变换大多都用在二维立体中的线、圆检测，这里将其扩展到三维空间点的立体检测。
文件里面包含文档和代码，数据样本。
https://blog.csdn.net/OEMT_301/article/details/103958624
文件里面包含文档和代码，数据样本。
https://blog.csdn.net/OEMT_301/article/details/103958624
2022/9/3 0:25:35
8.46MB
1
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。
2024-04-09 15:03
15KB