Halcon 光度立体 缺陷检测

一、概述

halcon——缺陷检测常用方法总结（光度立体） - 唯有自己强大 - 博客园 (cnblogs.com)

        上周去了康耐视的新品发布会，我真的感觉压力山大，因为VM可以实现现在项目中的80% 的功能，感觉自己的不久就要失业了。同时康耐视开始布局工业的每个方面，生成一个完整的生态链，国内很喜欢搞某某一条龙服务。相机方面出了很多尤其是3D的，还有2.5D的相机，精度方面不好说，他们说Z方向的重复性精度可以达到0.15u，我们没有使用过，我对此保持怀疑，因为我用过的精度最高的是基恩士的的0.2u的，我尊重日本企业的严谨性和专业性，今天我看了一下那个halcon 的光度立体法，是2.5D 的。

光度立体法主要是表面检测的，在检测缺口、凹痕，适用于检测金属物料。在采集图片的时候最好是使用灰度图，至少是3张 最好是4张图像

光度立体的局限性：

  • 一方面假定相机是无畸变成像，也就是说必须使用远心镜头或者长焦镜头。
  • 另一方面假定每一个光源发射的光束都是平行且均匀的，也就是说必须使用具有均匀强度的远心照明光源，或者使用远距离的点光源代替。

此外，物体必须具有朗伯反射特性，即它必须以漫反射的方式反射入射光。有镜面反射的物体或者区域（镜子或者光滑的表面）不能使用此方法，会得到一个错误的结果

光照方向说明

安装说明：

    1、远心镜头必须与被测试的物体表面垂直按照，在采集多张图片的时候一定要保证相机和物体不动，对于采集至少三张的灰度图像，其每次取像的照明方向必须改变（相对于相机）。

    2、在采集的多张图像中的每付图像照明方向必定是制定Slants和Tilts两个参数角度

Slants：

表示光束方向与相机中轴线的夹角，一般是30-60度之间

Tilts：

Tilt角度通常都是均匀分布在被测物体周围，比如3个方向打光，Tilt角度应该是[0,120,240]OR[0,120,-120]，4个方向打光是[0,90,180,-90]。需要注意的是，打光方向不能相同，否则重构的图像结果达不到预期效果

二、算子解释

  •  photometric_stereo （根据光度立体技术重建曲面）

*参数列表：
*Images（in）//输入灰度图像（4张）
*HeightField（out）//返回重建高度信息图
*Gradient（out）//返回表面的梯度信息图
*Albedo（out）//返回表面的反射率信息图
*Slant//光源光线与摄像机光轴的夹角
*Tilt//光源光线投影与被测物主轴的夹角
*ResultType//请求结果类型（高度场/梯度场/反射率）
*ReconstructionMethod//重建方法类型
*GenParamName//一般参数名称
*GenParamValue// 一般参数设置*   重建高度信息图 表面的梯度信息图 表面的反射率信息图 光源光线与摄像机光轴的夹角  光源光线投影与被测物主轴的夹角  请求结果类型（高度场/梯度场/反射率）  重建方法类型（迫松重建）
photometric_stereo (Images, HeightField,    Gradient,      Albedo,          Slants,                  Tilts,                          ResultType,                     'poisson',          [],        [])
  • derivate_vector_field（处理photometric_stereo 函数输出的重建后的梯度、反射率、以及高度场信息图）

*derivate_vector_field    处理photometric_stereo 函数输出的重建后的梯度、反射率、以及高度场信息图  
*将向量场的分量与高斯函数的导数进行卷积，并计算由此得到的各种特征。
*在光度立体项目中，专门用于处理photometric_stereo 函数输出的重建后的梯度、反射率、以及高度场图像。
*参数列表：
*VectorField（in）// 梯度场图像
*Result（out）    // 返回平均曲率场图像
*Sigma（in）      // 高斯系数*如果在Sigma中传递一个值，那么在列和行方向上的平滑量是相同的。*如果在Sigma中传递两个值，第一个值指定列方向的平滑量，第二个值指定行方向的平滑量。
*Component（in）  //组件计算   *curl，向量场的旋度。旋度的一个应用是分析光流场。旋度是如果向量场是流体，小船会旋转多少。*divergence，向量场的散度。“divergence”的一个应用是分析光流场。打个比方，如果向量场是流体，散度就是源和汇的位置。*mean_curvature，当输入向量场 VectorField为梯度场时，下垫面的平均曲率H。用于处理photometric_stereo返回的向量场。*gauss_curvature，当输入向量场 VectorField 为梯度场时，下垫面的高斯曲率K。用于处理photometric_stereo返回的向量场。derivate_vector_field (Gradient, Curl, 1, 'curl')

 

三、缺陷检测

反射率信息图

思路

1、不同角度采集4张灰度图，设置不同的角度参数 Slants   Tilts
2、photometric_stereo  ，返回不同的图 重建高度信息图 表面的梯度信息图 表面的反射率信息图
3、得到反射率信息图 然后利用blob 分析进行缺陷检测


*思路：
* 1、不同角度采集4张灰度图，设置不同的角度参数 Slants   Tilts
* 2、photometric_stereo  ，返回不同的图 重建高度信息图 表面的梯度信息图 表面的反射率信息图
* 3、得到反射率信息图 然后利用blob 分析进行缺陷检测dev_close_window ()
dev_open_window (0, 0, 640, 480, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')* Part 1利用反射率图像检测皮革表面缺陷
read_image (Images, 'photometric_stereo/leather_1_0' + [1:4])
write_image (Images, 'tiff', 0, 'D:/1.tiff')
** 展示不同方向光源成像图像
for I := 1 to 4 by 1Message := 'Sample 1: Acquire image ' + I + ' of 4'select_obj (Images, ObjectSelected, I)dev_display (ObjectSelected)disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')* wait_seconds (0.5)
endfor
stop ()
* 应用光度立体法生成的反射率图进行缺陷检测
Tilts := [6.1,95.0,-176.1,-86.8]
Slants := [41.4,42.6,41.7,40.9]* 梯度场     反射率
ResultType := ['gradient','albedo']*参数列表：
*Images（in）//输入灰度图像（4张）
*HeightField（out）//返回重建高度信息图
*Gradient（out）//返回表面的梯度信息图
*Albedo（out）//返回表面的反射率信息图
*Slant//光源光线与摄像机光轴的夹角
*Tilt//光源光线投影与被测物主轴的夹角
*ResultType//请求结果类型（高度场/梯度场/反射率）
*ReconstructionMethod//重建方法类型
*GenParamName//一般参数名称
*GenParamValue// 一般参数设置*   重建高度信息图 表面的梯度信息图 表面的反射率信息图 光源光线与摄像机光轴的夹角  光源光线投影与被测物主轴的夹角  请求结果类型（高度场/梯度场/反射率）  重建方法类型（迫松重建）
photometric_stereo (Images, HeightField,    Gradient,      Albedo,          Slants,                  Tilts,                          ResultType,                     'poisson',          [],        [])* 显示反射率图
dev_display (Albedo)*检测缺陷   反射率的基础上进行缺陷检测
var_threshold (Albedo, Region, 15, 15, 0.4, 0.4, 'light')
connection (Region, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 10, 99999)
union1 (SelectedRegions, RegionUnion)
closing_circle (RegionUnion, RegionClosing, 3.5)
connection (RegionClosing, Defects)
area_center (Defects, Area, Row, Column)
gen_circle (Circle, Row, Column, gen_tuple_const(|Row|,sqrt(Area) + 30))
*显示缺陷
dev_display (Albedo)
dev_set_color ('red')
dev_set_draw ('margin')
dev_set_line_width (4)
dev_display (Circle)

梯度信息图

思路

1、不同角度采集4张灰度图，设置不同的角度参数 Slants   Tilts
2、photometric_stereo  ，返回不同的图 重建高度信息图 表面的梯度信息图 表面的反射率信息图
3、得到梯度信息图然后利用blob 分析进行缺陷检测


*思路：
* 1、不同角度采集4张灰度图，设置不同的角度参数 Slants   Tilts
* 2、photometric_stereo  ，返回不同的图 重建高度信息图 表面的梯度信息图 表面的反射率信息图
* 3、得到梯度信息图然后利用blob 分析进行缺陷检测* Part 2 利用梯度图像检测皮革表面缺陷
read_image (Images, 'photometric_stereo/leather_2_0' + [1:4])
for I := 1 to 4 by 1Message := 'Sample 2: Acquire image ' + I + ' of 4'select_obj (Images, ObjectSelected, I)dev_display (ObjectSelected)disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')*wait_seconds (0.5)stop()
endfor* 应用光度立体法生成的反射率图
photometric_stereo (Images, HeightField, Gradient, Albedo, Slants, Tilts, ResultType, 'poisson', [], [])
*对反射率图二值化（发现无法二值化）
threshold (Albedo, Region1, 128, 255)
* 显示反射率图
dev_display (Albedo)*derivate_vector_field    处理photometric_stereo 函数输出的重建后的梯度、反射率、以及高度场信息图  
*将向量场的分量与高斯函数的导数进行卷积，并计算由此得到的各种特征。
*在光度立体项目中，专门用于处理photometric_stereo 函数输出的重建后的梯度、反射率、以及高度场图像。
*参数列表：
*VectorField（in）// 梯度场图像
*Result（out）    // 返回平均曲率场图像
*Sigma（in）      // 高斯系数*如果在Sigma中传递一个值，那么在列和行方向上的平滑量是相同的。*如果在Sigma中传递两个值，第一个值指定列方向的平滑量，第二个值指定行方向的平滑量。
*Component（in）  //组件计算   *curl，向量场的旋度。旋度的一个应用是分析光流场。旋度是如果向量场是流体，小船会旋转多少。*divergence，向量场的散度。“divergence”的一个应用是分析光流场。打个比方，如果向量场是流体，散度就是源和汇的位置。*mean_curvature，当输入向量场 VectorField为梯度场时，下垫面的平均曲率H。用于处理photometric_stereo返回的向量场。*gauss_curvature，当输入向量场 VectorField 为梯度场时，下垫面的高斯曲率K。用于处理photometric_stereo返回的向量场。derivate_vector_field (Gradient, Curl, 1, 'curl')*derivate_gauss.hdev
*derivate_gauss (Image, ImageGauss, 3, 'none')
* 将一个图像与高斯函数的导数进行卷积。  效果与FFT进行高斯滤波差不多。
*主要的区别是边界处理:FFT的定义假设信号是周期性的，因此边界处理是循环的延续。与此相反，derivate_gauss在图像边界使用灰度值的镜像。
*通过FFT进行过滤的速度已经快于在Sigma=3(排除创建过滤器的时间)中使用derivate_gauss。这种优势随着Simag的增大而变得更加明显。    
*'none' 仅使用平滑
*'x' 沿X的一阶导数
derivate_gauss (Curl, CurlGradient, 1, 'gradient')// 将一个图像与高斯函数的导数进行卷积。  效果与FFT进行高斯滤波差不多。
* 显示梯度图
dev_display (CurlGradient)
Message := 'Changes in the gradient curl'
disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()* 用梯度图寻找缺陷
threshold (CurlGradient, Region, 0, 0.01)
*
rank_region (Region, RegionCount, 10, 10, 30)//归类区域
connection (RegionCount, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 2000, 99999)
union1 (SelectedRegions, RegionUnion)
rank_region (RegionUnion, RegionCount1, 25, 25, 170)
connection (RegionCount1, NoTextured)* 显示
dev_display (Albedo)
dev_set_draw ('margin')
dev_set_color ('red')
dev_set_line_width (3)
dev_display (NoTextured)
disp_message (WindowHandle, 'Non-textured areas on leather', 'window', 12, 12, 'black', 'true')
stop ()

四、洗发水表面检测 

思路：

梯度信息图来检测

 inspect_shampoo_label_photometric_stereo.hdev

*思路 ：
* inspect_shampoo_label_photometric_stereo.hdev
dev_close_window ()
dev_update_off ()
dev_open_window (0, 0, 640, 512, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
Message := 'Inspect the label of a shampoo bottle'
Message[1] := 'using photometric stereo. In this case four'
Message[2] := 'different light orientations were used.'
disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 
* Show input images with different illumination
read_image (Images, 'photometric_stereo/shampoo_label_0' + [1:4])
for I := 1 to 4 by 1Message := 'Acquire image ' + I + ' of 4'select_obj (Images, ObjectSelected, I)dev_display (ObjectSelected)disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')wait_seconds (0.5)
endfor
* 
* Apply photometric stereo to determine the albedo
* and the surface gradient.
Tilts := [6.1,95.0,-176.1,-86.8]
Slants := [41.4,42.6,41.7,40.9]
ResultType := ['gradient','albedo']
photometric_stereo (Images, HeightField, Gradient, Albedo, Slants, Tilts, ResultType, 'poisson', [], [])
* 
* Display the albedo image
dev_display (Albedo)
disp_message (WindowHandle, 'Albedo image', 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 
* Calculate the gaussian curvature of the surface
* using the gradient field as input for the operator
* derivate_vector_field.
* Defects are usually easy to detect in the curvature image.
derivate_vector_field (Gradient, MeanCurvature, 1.0, 'mean_curvature')
* 
* Detect defects
* 
* Segment the tablet areas in the curvature image
threshold (MeanCurvature, Region, -10, -0.07)
opening_circle (Region, RegionOpening, 1)
connection (RegionOpening, ConnectedRegions)
select_shape (ConnectedRegions, Defects, 'area', 'and', 50, 99999)
shape_trans (Defects, Circle, 'outer_circle')
* Display the defects in curvature image
dev_set_draw ('margin')
dev_set_color ('red')
dev_set_line_width (2)
dev_display (MeanCurvature)
dev_display (Circle)
Message := 'The defect can easily be detected'
Message[1] := 'in the surface curvature image'
disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')
stop ()
* Display the defects in the albedo image
dev_set_draw ('margin')
dev_set_color ('red')
dev_display (Albedo)
dev_display (Circle)
disp_message (WindowHandle, 'Defect in albedo image', 'window', 12, 12, 'black', 'true')

我用反射率的图做了，是达不到这个效果的

五、药片缺陷检测

* Initialization
dev_close_window ()
dev_update_off ()
dev_open_window (0, 0, 512, 512, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
Message := 'Inspect the backside of a blister'
Message[1] := 'using photometric stereo. In this case four'
Message[2] := 'different light orientations were used.'
disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 
* Show input images with different illumination
read_image (Images, 'photometric_stereo/blister_back_0' + [1:4])
for I := 1 to 4 by 1Message := 'Acquire image ' + I + ' of 4'select_obj (Images, ObjectSelected, I)dev_display (ObjectSelected)disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')wait_seconds (0.5)
endfor
stop ()
* 
* Apply photometric stereo to determine the albedo
* and the surface gradient.
Tilts := [6.1,95.0,-176.1,-86.8]
Slants := [41.4,42.6,41.7,40.9]
ResultType := ['gradient','albedo']
photometric_stereo (Images, HeightField, Gradient, Albedo, Slants, Tilts, ResultType, 'poisson', [], [])
* 
* Display the albedo image
dev_display (Albedo)
disp_message (WindowHandle, 'Albedo image', 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 
* Calculate the gaussian curvature of the surface
* using the gradient field as input for the operator
* derivate_vector_field.
* Defects are usually easy to detect in the curvature image.
derivate_vector_field (Gradient, GaussCurvature, 1, 'gauss_curvature')
* 
* Detect defects
* 
* Segment the tablet areas in the curvature image
regiongrowing (GaussCurvature, Regions, 1, 1, 0.001, 250)
select_shape (Regions, TabletRegions, ['width','height'], 'and', [150,150], [200,200])
shape_trans (TabletRegions, TabletRegions, 'convex')
union1 (TabletRegions, TabletRegions)
erosion_circle (TabletRegions, TabletRegions, 3.5)
* Search for defects inside the tablet areas
reduce_domain (GaussCurvature, TabletRegions, ImageReduced)
abs_image (ImageReduced, ImageAbs)
threshold (ImageAbs, Region, 0.03, 255)
closing_circle (Region, RegionClosing, 10.5)
connection (RegionClosing, ConnectedRegions)
select_shape (ConnectedRegions, Defects, 'area', 'and', 10, 99999)
area_center (Defects, Area, Row, Column)
gen_circle (Circle, Row, Column, gen_tuple_const(|Row|,20.5))
* Display the defects in curvature image
dev_set_draw ('margin')
dev_set_color ('red')
dev_set_line_width (2)
dev_display (GaussCurvature)
dev_display (Circle)
Message := 'The defect can easily be detected'
Message[1] := 'in the surface curvature image'
disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')
stop ()
* Display the defects in the albedo image
dev_set_draw ('margin')
dev_set_color ('red')
dev_display (Albedo)
dev_display (Circle)
disp_message (WindowHandle, 'Defect in albedo image', 'window', 12, 12, 'black', 'true')

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.mzph.cn/diannao/17418.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

XAMPP Apache配置SSL证书，支持HTTPS访问

XAMPP Apache配置SSL证书，支持HTTPS访问

文章目录 第1步：购买SSL证书第2步：确保443端口没有被占用第2步：httpd.conf启用SSL第3步：httpd-ssl.conf配置一些解释 本文的测试结果基于XAMPP 5.6.28软件，相关的版本信息如下： Windows Version: Home 6…
阅读更多...
[集群聊天服务器]----(十一) 使用Redis实现发布订阅功能

[集群聊天服务器]----(十一) 使用Redis实现发布订阅功能

接着上文，[集群聊天服务器]----(十)Nginx的tcp负载均衡配置–附带截图，我们配置nginx，使用了多台服务端来提高单机的并发量，接下来我们回到项目中，思考一下，各个服务端之间怎么进行通信呢？ 配置…
阅读更多...
Reactor模式Proactor模式

Reactor模式Proactor模式

1.Reactor/Dispatcher模式 1.1 概述 Reactor模式下，服务端的构成为Reactor 处理资源池。其中，Reactor负责监听和分发事件，而处理资源池则负责处理事件。 该模式下的组合方案有下面几种(第三种几乎没有被实际应用)： 1 * Reacto…
阅读更多...
文件上传漏洞：pikachu靶场中的文件上传漏洞通关

文件上传漏洞：pikachu靶场中的文件上传漏洞通关

目录 1、文件上传漏洞介绍 2、pikachu-client check 3、pikachu-MIME type 4、pikachu-getimagesize 最近在学习文件上传漏洞，这里使用pikachu靶场来对文件上传漏洞进行一个复习练习 废话不多说，开整 1、文件上传漏洞介绍 pikachu靶场是这样介绍文…
阅读更多...
APM2.8下载固件的方法（两种办法详解）

APM2.8下载固件的方法（两种办法详解）

1.把APM飞控用安卓手机的USB线插入电脑。 选择COM口，不要选择auto，如果你没有COM口说明你驱动安装有问题。 波特率115200。点击相应的图标就可以下载固件到飞控板。 请注意：烧录APM必须选择INSTALL FIRMWARE LEAGACY,第一个是用于刷pixhawk的…
阅读更多...
Ubuntu Nvidia Docker单机多卡环境配置

Ubuntu Nvidia Docker单机多卡环境配置

ubuntu版本是22.04，现在最新版本是24.xx，截止当前，Nvidia的驱动最高还是22.04版本，不建议更新至最新版本。本部分是从0开始安装Nvidia docker的记录，若已安装Nvdia驱动，请直接跳至3。 1、更新软件软件列表…
阅读更多...
【软件设计师】网络安全

【软件设计师】网络安全

1.网络安全基础信息 网络安全的五个基本要素： 机密性：确保信息不暴露给未授权的实体或进程 完整性：只有得到允许的人才能修改数据，并且能判断出数据是否已被修改 可用性：得到授权的实体在需要时可以访问数据&#xff0…
阅读更多...
Laravel和ThinkPHP框架比较

Laravel和ThinkPHP框架比较

一、开发体验与易用性比较 1. 代码可读性： - Laravel以其优雅的语法和良好的代码结构著称，使得代码更加易读易懂。 - 相比之下，ThinkPHP的代码可读性较为一般，在一些复杂业务场景下，可能会稍显混乱。 让您能够一站式…
阅读更多...
【动手学PaddleX】谁都能学会的基于迁移学习的老人摔倒目标检测

【动手学PaddleX】谁都能学会的基于迁移学习的老人摔倒目标检测

本项目使用PaddleX搭建目标检测模块，在一个精选的数据集上进行初步训练，并在另一个老年人跌倒检测的数据集上进行参数微调，实现了迁移学习的目标检测项目。 1.项目介绍 迁移学习是非常有用的方法，在实际生活中由于场景多样&…
阅读更多...
［大师C语言(第十三篇)］C语言排序算法比较与技术详解

［大师C语言(第十三篇)］C语言排序算法比较与技术详解

引言 排序算法是计算机科学中最基础且重要的内容之一。在数据处理、数据库索引、搜索算法等多个领域都有广泛的应用。C语言作为一种高效、底层的编程语言，被广泛用于实现各种排序算法。本文将深入探讨几种常用的排序算法，包括冒泡排序、选择排序和插入排…
阅读更多...
Brewer Science将在CS Mantech进行展示

Brewer Science将在CS Mantech进行展示

在风景如画的亚利桑那州图森市举办的CS Mantech盛会上（2024年5月20日至23日），杰出化合物半导体材料企业Brewer Science，将带来一场名为“化合物半导体制造的创新材料解决方案”的演讲盛宴。这一演讲，定于五月二十一日星…
阅读更多...
Fastjson 的 JSONObject 类

Fastjson 的 JSONObject 类

在fastjson中 JSONObject类有许多常用的方法用于操作 JSON 对象，下面我们一起了解一下。 1、put(String key, Object value) 用途：在 JSONObject 对象中设置键值对。如果键已存在，则更新其值。示例： JSONObject jsonObject ne…
阅读更多...
【Java面试】五、MySQL篇（下）

【Java面试】五、MySQL篇（下）

文章目录 1、事务的特性2、并发事务问题3、事务的隔离级别4、undo log 和 redo log4.1 底层结构4.2 redo log4.3 undo log 5、MVCC5.1 隐式字段5.2 undo log 版本链5.3 ReadView5.4 ReadView的匹配规则实现事务隔离 6、MySQL的主从同步原理7、分库分表7.1 垂直分库7.2 垂直分表…
阅读更多...
stm32启动文件

stm32启动文件

启动文件由汇编编写，是系统上电复位后第一个执行的程序。主要做了以下工作： 初始化堆栈指针SP_initial_sp 初始化PC指针Reset_Handler 初始化中断向量表 配置系统时钟 调用C库函数_main初始化用户堆栈，从而最终调用main函数去到C的世界 …
阅读更多...
js内置对象和对象方法

js内置对象和对象方法

内置对象（Math） Math.PI 表示圆周率 console.log(Math.PI); // 3.141592653589793 Math.abs()可以用来计算一个数的绝对值 console.log(Math.abs(-3)); // 3 Math.ceil() 可以用来对一个数向上取整，小数位只要有值，就自动进1…
阅读更多...
linux下使用cmake-gui编译WXQT

linux下使用cmake-gui编译WXQT

一.编译环境 操作系统：Ubuntu 22.04.3 LTS wxWidgets源码：wxWidgets-3.1.5 编译工具：CMake-gui qt版本：5.13.2 二.编译步骤 1.将源码解压。 2.打开CMake-gui，并设置好源码目录和构建目录 3.点击configure 会弹出…
阅读更多...
图解操作系统学习笔记

图解操作系统学习笔记

1、一些系统命令 学习图解操作系统的时候，其中提供了一些查看系统状态的命令，这里做一下笔记，记录一下。 1、strace 查看和记录一个进程的系统调用和信号传递的详细过程 # 查看和记录一个进程的系统调用和信号传递的详细过程 strace -p <pid> # 读取某个命令的系统…
阅读更多...
C++模板使用

C++模板使用

文章目录 目录 文章目录 前言 一、交换函数(泛型编程) 二、函数模板 2.1 函数模板概念 2.2函数模板格式 2.3使用方法 2.4 函数模板的原理 2.4.1库中的swap 2.5 函数模板的实例化 2.6 模板参数的匹配原则 三、类模板 3.1 类模板的定义格式 3.2类模板声明和定义分离 前言 C语言阶…
阅读更多...
前端面试题日常练-day29 【面试题】

前端面试题日常练-day29 【面试题】

题目 希望这些选择题能够帮助您进行前端面试的准备&#xff0c;答案在文末。 1. 在Vue中&#xff0c;以下哪个选项用于监听用户的输入事件&#xff1f; a) v-on:input b) v-model c) v-bind d) v-show 2. Vue中&#xff0c;以下哪个选项用于为异步操作提供更好的错误处理机…
阅读更多...
数据仓库——分层原理

数据仓库——分层原理

目录 一、什么是数据仓库 二、数仓建模的意义&#xff0c;为什么要对数据仓库分层&#xff1f; 三、ETL 四、技术架构 五、数仓分层架构 数仓逻辑分层 1、数据引入层&#xff08;ODS&#xff0c;Operational Data Store&#xff0c;又称数据基础层&#xff09;&#xff…
阅读更多...
最新文章

Copyright @ 2022~2023