一、项目介绍

本项目构建了一套基于深度学习 YOLOv12 的草莓成熟度识别检测系统，旨在实现对草莓在不同成熟阶段的高精度、实时检测与分类。系统采用 YOLO 格式数据集，将草莓分为 3 个类别：生（raw）、半熟（turning）及成熟（ripe），并使用 2939 张训练集与 774 张验证集图片进行模型训练与验证。模型在 YOLOv12 框架下结合多尺度特征提取与优化的锚框机制，实现了对不同大小、不同角度草莓的精准识别。
系统前端提供了 UI 图形界面，支持 实时检测 与 结果可视化，并集成 用户登录与注册功能，便于权限管理和个性化使用。后端以 Python 为主要开发语言，配合训练好的 YOLOv12 模型，实现了高效推理与检测结果输出。本系统可广泛应用于草莓采摘自动化、质量分级、智能农业监测等领域，为农业智能化管理提供可靠的技术支撑。

基于深度学习YOLOv12的草莓成熟度检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv12的草莓成熟度检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

目录

一、项目介绍

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码(视频简介)

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv12模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

  • 提供用户登录和注册功能

  • 用户名和密码验证

  • 账户信息本地存储(accounts.json)

  • 密码长度至少6位的安全要求

2.2 检测功能

  • 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

  • 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

  • 摄像头检测：实时摄像头流检测(默认摄像头0)

  • 检测结果保存到"results"目录

2.3 检测结果显示

  • 显示原始图像和检测结果图像

  • 检测结果表格展示，包含：

    • 检测到的类别

    • 置信度分数

    • 物体位置坐标(x,y)、

2.4 参数配置

  • 模型选择

  • 置信度阈值调节(0-1.0)

  • IoU(交并比)阈值调节(0-1.0)

  • 实时同步滑块和数值输入框

2.5 其他功能

  • 检测结果保存功能

  • 视频检测时自动保存结果视频

  • 状态栏显示系统状态和最后更新时间

  • 无边框窗口设计，可拖动和调整大小

3. 技术特点

  • 采用多线程处理检测任务，避免界面卡顿

  • 精美的UI设计，具有科技感的视觉效果：

    • 发光边框和按钮

    • 悬停和按下状态效果

    • 自定义滑块、表格和下拉框样式

  • 检测结果保存机制

  • 响应式布局，适应不同窗口大小

4. 系统流程

  1. 用户登录/注册

  2. 选择检测模式(图片/视频/摄像头)

  3. 调整检测参数(可选)

  4. 开始检测并查看结果

  5. 可选择保存检测结果

  6. 停止检测或切换其他模式

三、数据集介绍

本研究所使用的数据集由实地采集与公开数据结合构成，涵盖了室内温室种植、户外果园采摘及市场售卖等多种场景。拍摄设备包括高清单反相机与工业摄像头，保证了样本的清晰度与细节表现。同时，为增强模型的泛化能力，数据集中包含了不同光照条件（晴天、阴天、室内补光）、多种拍摄角度（俯视、平视、仰视）以及复杂背景（叶片、果枝、采摘篮等）下的草莓图片。

类别定义

数据集采用 YOLO 格式标注，共分为三类：

  1. raw（未成熟）：果实表面以绿色为主，糖分积累不足，不适合采摘；

  2. turning（半成熟）：果实颜色由绿向红过渡，表面呈现部分红色斑块，口感略酸；

  3. ripe（成熟）：果实整体呈鲜红色，糖分充足，适宜采摘与销售。

 数据标注

标注工作采用 LabelImg 与 Roboflow 工具完成，使用 YOLO 标注格式（class x_center y_center width height），其中坐标与尺寸均进行归一化处理。每张图片均由两名标注员独立标注，并经第三方审核，以确保标签的准确性与一致性。

 数据规模与分布

数据集共包含 3713 张图像，其中：

  • 训练集：2939 张（占 79.15%）

  • 验证集：774 张（占 20.85%）

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\草莓成熟度检测数据集\train\images
val: F:\草莓成熟度检测数据集\val\images
test:nc: 3
names: ["raw", "ripe", "turning"]

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov12 python==3.9

激活虚拟环境

conda activate yolov12

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLOmodel_path = 'yolo12s.pt'
data_path = 'data.yaml'if __name__ == '__main__':model = YOLO(model_path)results = model.train(data=data_path,epochs=100,batch=8,device='0',workers=0,project='runs',name='exp',)
根据实际情况更换模型
# yolov12n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolov12s.yaml (small)：小模型，适合实时任务。
# yolov12m.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolov12b.yaml (base)：基本版模型，适合大部分应用场景。
# yolov12l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 8：每批次8张图像。
  • --epochs 100：训练100轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov12s.pt：初始化模型权重，yolov12s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sysimport cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLO
from UiMain import UiMainWindow
import time
import os
from PyQt5.QtWidgets import QDialog
from LoginWindow import LoginWindowclass DetectionThread(QThread):frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始帧, 检测帧, 检测结果finished_signal = pyqtSignal()  # 线程完成信号def __init__(self, model, source, conf, iou, parent=None):super().__init__(parent)self.model = modelself.source = sourceself.conf = confself.iou = iouself.running = Truedef run(self):try:if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 视频或摄像头cap = cv2.VideoCapture(self.source)while self.running and cap.isOpened():ret, frame = cap.read()if not ret:break# 保存原始帧original_frame = frame.copy()# 检测results = self.model(frame, conf=self.conf, iou=self.iou)annotated_frame = results[0].plot()# 提取检测结果detections = []for result in results:for box in result.boxes:class_id = int(box.cls)class_name = self.model.names[class_id]confidence = float(box.conf)x, y, w, h = box.xywh[0].tolist()detections.append((class_name, confidence, x, y))# 发送信号self.frame_received.emit(cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),detections)# 控制帧率time.sleep(0.03)  # 约30fpscap.release()else:  # 图片frame = cv2.imread(self.source)if frame is not None:original_frame = frame.copy()results = self.model(frame, conf=self.conf, iou=self.iou)annotated_frame = results[0].plot()# 提取检测结果detections = []for result in results:for box in result.boxes:class_id = int(box.cls)class_name = self.model.names[class_id]confidence = float(box.conf)x, y, w, h = box.xywh[0].tolist()detections.append((class_name, confidence, x, y))self.frame_received.emit(cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),detections)except Exception as e:print(f"Detection error: {e}")finally:self.finished_signal.emit()def stop(self):self.running = Falseclass MainWindow(UiMainWindow):def __init__(self):super().__init__()# 初始化模型self.model = Noneself.detection_thread = Noneself.current_image = Noneself.current_result = Noneself.video_writer = Noneself.is_camera_running = Falseself.is_video_running = Falseself.last_detection_result = None  # 新增：保存最后一次检测结果# 连接按钮信号self.image_btn.clicked.connect(self.detect_image)self.video_btn.clicked.connect(self.detect_video)self.camera_btn.clicked.connect(self.detect_camera)self.stop_btn.clicked.connect(self.stop_detection)self.save_btn.clicked.connect(self.save_result)# 初始化模型self.load_model()def load_model(self):try:model_name = self.model_combo.currentText()self.model = YOLO(f"{model_name}.pt")  # 自动下载或加载本地模型self.update_status(f"模型 {model_name} 加载成功")except Exception as e:QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")self.update_status("模型加载失败")def detect_image(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "请先停止当前检测任务")returnfile_path, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")if file_path:self.clear_results()self.current_image = cv2.imread(file_path)self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)self.display_image(self.original_image_label, self.current_image)# 创建检测线程conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status(f"正在检测图片: {os.path.basename(file_path)}")def detect_video(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "请先停止当前检测任务")returnfile_path, _ = QFileDialog.getOpenFileName(self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")if file_path:self.clear_results()self.is_video_running = True# 初始化视频写入器cap = cv2.VideoCapture(file_path)frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps = cap.get(cv2.CAP_PROP_FPS)cap.release()# 创建保存路径save_dir = "results"os.makedirs(save_dir, exist_ok=True)timestamp = time.strftime("%Y%m%d_%H%M%S")save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")fourcc = cv2.VideoWriter_fourcc(*'mp4v')self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))# 创建检测线程conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status(f"正在检测视频: {os.path.basename(file_path)}")def detect_camera(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "请先停止当前检测任务")returnself.clear_results()self.is_camera_running = True# 创建检测线程 (默认使用摄像头0)conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, 0, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑
def handle_login(self):username = self.username_input.text().strip()password = self.password_input.text().strip()if not username or not password:QMessageBox.warning(self, "警告", "用户名和密码不能为空！")returnif username in self.accounts and self.accounts[username] == password:self.accept()  # 验证通过else:QMessageBox.warning(self, "错误", "用户名或密码错误！")# 密码强度检查（注册时）
def handle_register(self):if len(password) < 6:  # 密码长度≥6位QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯 多重检测模式

对应文件：main.py

图片检测

def detect_image(self):file_path, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")if file_path:self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.start()  # 启动检测线程

视频检测

def detect_video(self):file_path, _ = QFileDialog.getOpenFileName(self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")if file_path:self.video_writer = cv2.VideoWriter()  # 初始化视频写入器self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self):self.detection_thread = DetectionThread(self.model, 0, conf, iou)  # 摄像头设备号0self.detection_thread.start()

🖼️ 沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image):q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888)pixmap = QPixmap.fromImage(q_img)label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))  # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y):self.results_table.insertRow(row)items = [QTableWidgetItem(class_name),  # 类别列QTableWidgetItem(f"{confidence:.2f}"),  # 置信度QTableWidgetItem(f"{x:.1f}"),  # X坐标QTableWidgetItem(f"{y:.1f}")   # Y坐标]

⚙️ 参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步
def update_confidence(self, value):confidence = value / 100.0self.confidence_spinbox.setValue(confidence)  # 滑块→数值框self.confidence_label.setText(f"置信度阈值: {confidence:.2f}")# IoU阈值同步  
def update_iou(self, value):iou = value / 100.0self.iou_spinbox.setValue(iou)

✨ UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color):return f"""QPushButton {{border: 1px solid {color};color: {color};border-radius: 6px;}}QPushButton:hover {{background-color: {self.lighten_color(color, 10)};box-shadow: 0 0 10px {color};  # 悬停发光效果}}"""

动态状态栏

def update_status(self, message):self.status_bar.showMessage(f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}"  # 实时时间戳)

🔄 智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread):frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 信号量通信def run(self):while self.running:  # 多线程检测循环results = self.model(frame, conf=self.conf, iou=self.iou)self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码(视频简介)

演示与介绍视频：

基于深度学习YOLOv12的草莓成熟度检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv12的草莓成熟度检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

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.pswp.cn/diannao/95185.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/95185.shtml
英文地址，请注明出处：http://en.pswp.cn/diannao/95185.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

深入理解Android Kotlin Flow：响应式编程的现代实践

深入理解Android Kotlin Flow：响应式编程的现代实践

引言在现代Android开发中&#xff0c;处理异步数据流是一个核心需求。Kotlin Flow作为协程库的一部分&#xff0c;提供了一种声明式的、可组合的异步数据流处理方式。本文将深入探讨Flow的设计理念、核心组件、高级用法以及在实际项目中的最佳实践。一、Flow基础概念1.1 什么是…
阅读更多...
功能测试详解

功能测试详解

&#x1f345; 点击文末小卡片&#xff0c;免费获取软件测试全套资料&#xff0c;资料在手&#xff0c;涨薪更快 一、测试项目启动与研读需求文档&#xff08;一&#xff09; 组建测试团队1、测试团队中的角色2、测试团队的基本责任尽早地发现软件程序、系统或产品中所有的问题…
阅读更多...
算法73. 矩阵置零

算法73. 矩阵置零

给定一个 m x n 的矩阵&#xff0c;如果一个元素为 0 &#xff0c;则将其所在行和列的所有元素都设为 0 。请使用原地算法。 示例 1&#xff1a;输入&#xff1a;matrix [[1,1,1],[1,0,1],[1,1,1]] 输出&#xff1a;[[1,0,1],[0,0,0],[1,0,1]] 示例2&#xff1a; 输入&#xf…
阅读更多...
【力扣22】括号生成

【力扣22】括号生成

数字n代表生成括号的对数&#xff0c;请你设计一个函数&#xff0c;用于能够生成所有可能的并且有效的括号组合。 源代码&#xff1a; class Solution { public:int n;vector<string> ans;string path;vector<string> generateParenthesis(int n) {this->n n;d…
阅读更多...
ELK分布式日志采集系统

ELK分布式日志采集系统

* 系统架构&#xff1a;filebeat 采集各服务器日志&#xff1b;Logstash-docker 过滤整理日志&#xff1b; Elasticsearch-docker 存储和索引数据&#xff1b; Kibana-docker 提供可视化展示和操作。* FileBeat简介&#xff1a;Filebeat是本地文件的日志数据采集器。* Kafka简介…
阅读更多...
Python生产环境部署指南：专业级应用启动方案

Python生产环境部署指南：专业级应用启动方案

在生产环境中部署Python应用需要考虑稳定性、性能和安全性。本文将详细介绍多种专业部署方案，助你构建可靠的生产环境。 一、核心部署架构 标准Python生产环境包含三个核心组件： 应用服务器：运行Python代码（Gunicorn/uWSGI/Uvicorn） 进程管理器：保障服务持续运行（Supe…
阅读更多...
C语言：结构体、共用体与枚举详解

C语言：结构体、共用体与枚举详解

在 C 语言编程中&#xff0c;结构体&#xff08;struct&#xff09;、共用体&#xff08;union&#xff09;与枚举&#xff08;enum&#xff09;是三种非常重要的用户自定义数据类型。它们能帮助我们更好地组织、管理和表达复杂的数据结构。本文将结合实例&#xff0c;深入介绍…
阅读更多...
Linux Web服务器与WordPress部署笔记

Linux Web服务器与WordPress部署笔记

web服务器 nginx 配置基本认证 用户名和密码使用plain text发送&#xff0c;所以最好配置SSL/TLS。 # 安装工具[rootserver ~ 09:21:43]# yum -y install httpd-tools[rootserver ~ 09:28:30]# vim /etc/nginx/conf.d/ssl.confserver {​location /auth-basic/ {auth_basic …
阅读更多...
贪心----3. 跳跃游戏 II

贪心----3. 跳跃游戏 II

45. 跳跃游戏 II - 力扣&#xff08;LeetCode&#xff09; /** 维护变量: max_reachable,遍历过的元素的最远可达位置 end,当前区间终点(随max_reachable变化) 遍历过程: 遍历时迭代遍历过的元素最远可达位置,利用end记录当前区间终点(随max_reachable变化) 当移动至end即当前…
阅读更多...
RabbitMQ面试精讲 Day 13：HAProxy与负载均衡配置

RabbitMQ面试精讲 Day 13：HAProxy与负载均衡配置

【RabbitMQ面试精讲 Day 13】HAProxy与负载均衡配置 开篇 欢迎来到"RabbitMQ面试精讲"系列的第13天&#xff01;今天我们将聚焦RabbitMQ集群架构中的关键组件——HAProxy及其负载均衡配置。在大型分布式系统中&#xff0c;如何实现RabbitMQ集群的高可用和负载均衡是…
阅读更多...
C# 中常用集合以及使用场景

C# 中常用集合以及使用场景

1. 数组 (Array)‌‌特点‌&#xff1a;固定大小、内存连续、访问速度快‌使用场景‌&#xff1a;需要高性能的固定大小集合数值计算&#xff08;如矩阵运算&#xff09;存储已知长度的数据&#xff08;如配置文件参数&#xff09;‌2. List<T>‌‌特点‌&#xff1a;动态…
阅读更多...
量化实战学习 Day 2：双均线策略实现与回测分析

量化实战学习 Day 2：双均线策略实现与回测分析

一、前言在完成第一天的环境搭建和基础认知后&#xff0c;今天将进入真正的策略开发环节。本文将记录我从数据处理到第一个量化策略实现的全过程&#xff0c;包含完整的代码示例和深度思考。二、复习与环境检查1.1 环境复查首先确认了Day 1搭建的环境运行正常&#xff1a; cond…
阅读更多...
ubuntu 安装内核模块驱动 DKMS 介绍

ubuntu 安装内核模块驱动 DKMS 介绍

DKMS&#xff08;Dynamic Kernel Module Support&#xff0c;动态内核模块支持&#xff09;是一个用于管理 Linux 内核模块的工具&#xff0c;主要作用是在系统内核更新时&#xff0c;自动重新编译和安装依赖于特定内核版本的驱动程序&#xff08;内核模块&#xff09;&#xf…
阅读更多...
adb使用指南

adb使用指南

adb使用指南一、介绍二、连接一、有线连接方式二、无线连接方式**Android 10及以下版本****Android 11及以上版本**三、指令1、设备连接管理2、应用调试3、文件传输4、系统控制6、日志分析7、其他速查表总结python脚本实例&#xff1a;提示&#xff1a;以下是本篇文章正文内容&…
阅读更多...
C语言实战：二级指针与文件操作的完美邂逅——动态管理文件数据

C语言实战：二级指针与文件操作的完美邂逅——动态管理文件数据

资料合集下载链接： ​https://pan.quark.cn/s/472bbdfcd014​ 在上一篇文章中，我们探讨了二级指针作为函数“输出特性”的强大功能。今天，我们将更进一步，通过一个完整的实战项目，将二级指针与文件I/O操作结合起来，学习如何动态、高效地读取和管理文件内容。 这个项目…
阅读更多...
低代码开发实战案例，如何通过表单配置实现数据输入、数据存储和数据展示？

低代码开发实战案例，如何通过表单配置实现数据输入、数据存储和数据展示？

JVS低代码轻应用快速开发采用所见即所得的配置思路&#xff0c;表单是低代码中最基础的业务配置引擎之一&#xff0c;快速的通过表单配置实现数据输入、数据存储&#xff0c;数据展示。那么在轻应用下直接点开菜单打开的表单&#xff0c;录入数据提交到数据模型&#xff0c;后续…
阅读更多...
数字孪生系统让汽车工厂虚实联动预测维护少停机

数字孪生系统让汽车工厂虚实联动预测维护少停机

在汽车制造行业&#xff0c;设备突发停机往往会引发连锁反应&#xff0c;导致生产中断、成本飙升。传统运维模式依赖人工巡检与事后维修&#xff0c;难以应对复杂生产场景下的设备管理需求。如今&#xff0c;数字孪生系统凭借虚实联动的核心能力&#xff0c;为汽车工厂打造预测…
阅读更多...
iceberg1.2.0 修改表与覆盖写

iceberg1.2.0 修改表与覆盖写

版本iceberg 1.2.0修改表只支持HiveCatalog表修改表属性&#xff0c;Iceberg表属性和Hive表属性存储在HMS中是同步的修改外部表删表时是否删除数据的表属性&#xff0c;这里是修改为删除表时不删除数据alter table iceberg_test1 set TBLPROPERTIES(external.table.purgeFALSE)…
阅读更多...
Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming

Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming

2024.8tsinghuamethodwhisper encoder: whisper smallLLM Qwen0.5b init预测方式&#xff1a;text 7*audio token&#xff0c; parallel generation的方式预测&#xff0c;delay-step1----先预测文本token&#xff0c;再预测SNAC 第一级码本&#xff0c;然后序列化的逐渐预测后…
阅读更多...
【MATLAB例程】基于UKF的IMM例程，模型使用CA（匀加速）和CT（协调转弯）双模型，二维环境下的轨迹定位。附代码下载链接

【MATLAB例程】基于UKF的IMM例程，模型使用CA（匀加速）和CT（协调转弯）双模型，二维环境下的轨迹定位。附代码下载链接

本文介绍的MATLAB程序可以实现&#xff1a;基于交互式多模型&#xff08;IMM&#xff09;的无迹卡尔曼滤波&#xff08;UKF&#xff09;方法&#xff0c;用于二维平面中目标的运动状态估计。该算法结合了两个运动模型&#xff1a;匀速直线模型&#xff08;CV&#xff09;和匀速…
阅读更多...
最新文章

Copyright @ 2022~2023