OpenCV完结篇——计算机视觉（人脸识别 || 车牌识别）

文章目录

  • Haar人脸识别方法
  • Haar识别眼鼻口
  • Haar+Tesseract进行车牌识别
  • 深度学习基础知识
  • dnn实现图像分类

在这里插入图片描述
在这里插入图片描述

Haar人脸识别方法

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
scaleFactor调整哈尔级联器的人脸选框使其能框住人脸
在这里插入图片描述
官方教程指路
在这里插入图片描述
每个特征都是通过从黑色矩形下的像素总和减去白色矩形下的像素总和获得的单个值
在这里插入图片描述
级联器模型文件位置

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述

Haar识别眼鼻口

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('./haarcascade_eye.xml')
mouse = cv2.CascadeClassifier('./haarcascade_mcs_mouth.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)
eyes = eye.detectMultiScale(gray, 1.1, 5)
mouses = mouse.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)for (x, y, w, h) in eyes:cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 0), 3)# for (x, y, w, h) in mouses:
#     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述
识别嘴就会不精确了

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('./haarcascade_eye.xml')
mouse = cv2.CascadeClassifier('./haarcascade_mcs_mouth.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)
eyes = eye.detectMultiScale(gray, 1.1, 5)
mouses = mouse.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)for (x, y, w, h) in eyes:cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 0), 3)for (x, y, w, h) in mouses:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述
识别鼻子

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('./haarcascade_eye.xml')
mouse = cv2.CascadeClassifier('./haarcascade_mcs_mouth.xml')
nose = cv2.CascadeClassifier('./haarcascade_mcs_nose.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)
eyes = eye.detectMultiScale(gray, 1.1, 5)
mouses = mouse.detectMultiScale(gray, 1.1, 5)
noses = nose.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)for (x, y, w, h) in eyes:cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 0), 3)for (x, y, w, h) in mouses:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 3)for (x, y, w, h) in noses:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述
只要不测口，还是比较准确的

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('./haarcascade_eye.xml')
mouse = cv2.CascadeClassifier('./haarcascade_mcs_mouth.xml')
nose = cv2.CascadeClassifier('./haarcascade_mcs_nose.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)
# eyes = eye.detectMultiScale(gray, 1.1, 5)
# mouses = mouse.detectMultiScale(gray, 1.1, 5)
# noses = nose.detectMultiScale(gray, 1.1, 5)i = 0for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)roi_img = img[y: y+h, x:x+w]eyes = eye.detectMultiScale(roi_img, 1.1, 5)for (x, y, w, h) in eyes:cv2.rectangle(roi_img, (x, y), (x + w, y + h), (255, 255, 0), 3)noses = nose.detectMultiScale(roi_img, 1.1, 5)for (x, y, w, h) in noses:cv2.rectangle(roi_img, (x, y), (x + w, y + h), (0, 0, 255), 3)# mouses = mouse.detectMultiScale(roi_img, 1.1, 5)# for (x, y, w, h) in mouses:#     cv2.rectangle(roi_img, (x, y), (x + w, y + h), (0, 255, 255), 3)# i += 1# winname = 'face' + str(i)# cv2.imshow(winname, roi_img)# for (x, y, w, h) in mouses:
#     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 3)# for (x, y, w, h) in noses:
#     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述
测口准确度太低！！！

# -*- coding: utf-8 -*-
import cv2
import numpy as npcv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('./haarcascade_eye.xml')
mouse = cv2.CascadeClassifier('./haarcascade_mcs_mouth.xml')
nose = cv2.CascadeClassifier('./haarcascade_mcs_nose.xml')#第二步，导入人脸识别的图片并将其灰度化
img = cv2.imread('E:/pic/Pic/11.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行人脸识别
#[[x,y,w,h]]
faces = facer.detectMultiScale(gray, 1.1, 5)
# eyes = eye.detectMultiScale(gray, 1.1, 5)
# mouses = mouse.detectMultiScale(gray, 1.1, 5)
# noses = nose.detectMultiScale(gray, 1.1, 5)i = 0for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)roi_img = img[y: y+h, x:x+w]eyes = eye.detectMultiScale(roi_img, 1.1, 5)for (x, y, w, h) in eyes:cv2.rectangle(roi_img, (x, y), (x + w, y + h), (255, 255, 0), 3)noses = nose.detectMultiScale(roi_img, 1.1, 5)for (x, y, w, h) in noses:cv2.rectangle(roi_img, (x, y), (x + w, y + h), (0, 0, 255), 3)mouses = mouse.detectMultiScale(roi_img, 1.1, 5)for (x, y, w, h) in mouses:cv2.rectangle(roi_img, (x, y), (x + w, y + h), (0, 255, 255), 3)# i += 1# winname = 'face' + str(i)# cv2.imshow(winname, roi_img)# for (x, y, w, h) in mouses:
#     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 3)# for (x, y, w, h) in noses:
#     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述

Haar+Tesseract进行车牌识别

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
在这里插入图片描述
安装很简单，这里贴一个安装教程

配置出现问题的，可以看看这篇博客

测试一下，识别文字还是很准的！！！
在这里插入图片描述
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np# cv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
carplate = cv2.CascadeClassifier('./haarcascade_russian_plate_number.xml')#第二步，导入带车牌的图片并将其灰度化
img = cv2.imread('./chinacar.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行车牌定位
#[[x,y,w,h]]
carplates = carplate.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in carplates:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)cv2.imshow('img', img)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np# cv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
carplate = cv2.CascadeClassifier('./haarcascade_russian_plate_number.xml')#第二步，导入带车牌的图片并将其灰度化
img = cv2.imread('./chinacar.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行车牌定位
#[[x,y,w,h]]
carplates = carplate.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in carplates:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)# 对获取到的车牌进行预处理
# 1.提取ROI
roi = gray[y: y+h, x:x+w]
# 2.进行二值化
ret, roi_bin = cv2.threshold(roi, 10, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)cv2.imshow('img', img)
cv2.imshow('roi_bin', roi_bin)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

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

# -*- coding: utf-8 -*-
import cv2
import numpy as np# 引入tesseract库
import pytesseract# cv2.namedWindow('img', cv2.WINDOW_NORMAL)
#第一步，创建Haar级联器
carplate = cv2.CascadeClassifier('./haarcascade_russian_plate_number.xml')#第二步，导入带车牌的图片并将其灰度化
img = cv2.imread('./chinacar.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#第三步，进行车牌定位
#[[x,y,w,h]]
carplates = carplate.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in carplates:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 3)# 对获取到的车牌进行预处理
# 1.提取ROI
roi = gray[y: y+h, x:x+w]
# 2.进行二值化
ret, roi_bin = cv2.threshold(roi, 10, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract_OCR\tesseract.exe'
print(pytesseract.image_to_string(roi, lang='chi_sim+eng', config='--psm 8 --oem 3'))cv2.imshow('img', img)
cv2.imshow('roi_bin', roi_bin)
if cv2.waitKey(0) & 0xff == 27:cv2.destroyAllWindows()

在这里插入图片描述
具体实现还需要进一步优化！！！

深度学习基础知识

深度学习是计算机视觉最为重要的方法
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
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
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
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
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

dnn实现图像分类

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
在这里插入图片描述
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
from cv2 import dnn
import numpy as np# 1.导入模型，创建神经网络
# 2.读取图片，转成张量
# 3.将张量输入到网络中，并进行预测
# 4.得到结果，显示# 导入模型，创建神经网络
config = "./bvlc_googlenet.prototxt"
model = "./bvlc_googlenet.caffemodel"
net = dnn.readNetFromCaffe(config, model)# 读取图片，转成张量
img = cv2.imread('./smallcat.jpeg')
blob = dnn.blobFromImage(img, 1.0, (224, 224), (104, 117, 123))# 将张量输入到网络中，并进行预测
net.setInput(blob)
r = net.forward()# 读取类目
classes = []
path = './synset_words.txt'
with open(path, 'rt') as f:classes = [x [x.find(" ") + 1:] for x in f]order = sorted(r[0], reverse=True)
z = list(range(3))for i in list(range(0, 3)):z[i] = np.where(r[0] == order[i])[0][0]print('No.', i + 1, ' matches:', classes[z[i]], end='')print('category row is at:', z[i] + 1, ' ', 'posibility:', order[i])

在这里插入图片描述
在这里插入图片描述

之后我会持续更新，如果喜欢我的文章，请记得一键三连哦，点赞关注收藏，你的每一个赞每一份关注每一次收藏都将是我前进路上的无限动力 ！！！↖(▔▽▔)↗感谢支持！

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/news/175573.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

代理IP可以用于哪些实际场景？遇到问题如何解决

代理IP可以用于哪些实际场景？遇到问题如何解决

随着互联网的普及和网络应用的广泛使用，代理IP已成为许多人工作和生活中不可或缺的一部分。代理IP可以用于多种实际场景，并在遇到问题时提供有效的解决方案。下面将详细介绍代理IP的实际应用场景及遇到问题时的解决方法。 一、代理IP的实际应用场景 1. 网…
阅读更多...
开源运维监控系统-Nightingale（-夜莺）应用实践（未完）

开源运维监控系统-Nightingale（-夜莺）应用实践（未完）

一、前言 某业务系统因OS改造，原先的Zabbix监控系统推倒后未重建，本来计划用外部企业内其他监控系统接入，后又通知需要自建才能对接，考虑之前zabbix的一些不便，本次计划采用一个类Prometheus的监控系统，镜调研后发现Nightingale兼容Prometheus，又有一些其他功能增强，又…
阅读更多...
Docker Compose；docker-compose；docker compose

Docker Compose；docker-compose；docker compose

(一) Docker Compose | 菜鸟教程 --> --> --> -->
阅读更多...
ESP32-Web-Server编程-建立第一个网页

ESP32-Web-Server编程-建立第一个网页

ESP32-Web-Server编程-建立第一个网页 HTTP 简述 可能你每天都要刷几个短视频，打开几个网页来娱乐一番。当你打开一个网络上的视频或者图片时，其实际发生了下面的流程： 其中客户端就是你的浏览器啦，服务器就是远程一个存放视频或…
阅读更多...
【JAVA学习笔记】72 - 满汉楼 - 餐饮管理系统

【JAVA学习笔记】72 - 满汉楼 - 餐饮管理系统

项目代码 https://github.com/yinhai1114/Java_Learning_Code/tree/main/IDEA_Chapter26 一、需求说明 满汉楼项目功能多，界面复杂，涉及到复杂的awt和swing技术和事件编程，做如下调整: 1.去掉界面和事件处理(工作中使用很少)，使…
阅读更多...
如何在VS2022上的MFC项目中操作Excel（VS2010、VS2012、VS2015、VS2017、VS2019使用方法一样）

如何在VS2022上的MFC项目中操作Excel（VS2010、VS2012、VS2015、VS2017、VS2019使用方法一样）

先决条件 本机安装office2003、2007、2010、2016及以后版本，总之必须安装office导入Excel库文件，导入方式可参考： 如何在vs2017及以前版本(vs2010、vs2015)上添加 添加类型库中的MFC类如何在vs2019及以后版本(如vs2022)上添加 添加ActiveX控…
阅读更多...
flutter布局详解及代码示例（上）

flutter布局详解及代码示例（上）

布局 基本布局 Row（水平布局）：在水平（X轴）方向上排列子widget的列表。Column（垂直布局）：在垂直（Y轴）方向上排列子widget的列表。Stack（可重叠布…
阅读更多...
有一种浪漫，叫接触Linux

有一种浪漫，叫接触Linux

大家好，我是五月。 嵌入式开发 嵌入式开发产品必须依赖硬件和软件。 硬件一般使用51单片机，STM32、ARM，做成的产品以平板，手机，智能机器人，智能小车居多。 软件用的当然是以linux系统为蓝本&#xff0c…
阅读更多...
顺子日期（14）

顺子日期（14）

顺着日期 public class Main {public static void main(String[] args) {int res 0;//2022年int[] days new int[] {31,28,31,30,31,30,31,31,30,31,30,31};//31,28,31,30,31,30,31,31,30,31,30,31//一三五七八十腊//构造2022年每一天的日期yyyymmddStringBuffer date new…
阅读更多...
【计算机网络笔记】ARP协议

【计算机网络笔记】ARP协议

系列文章目录 什么是计算机网络？ 什么是网络协议？ 计算机网络的结构 数据交换之电路交换 数据交换之报文交换和分组交换 分组交换 vs 电路交换 计算机网络性能（1）——速率、带宽、延迟 计算机网络性能（2）…
阅读更多...
3D点云目标检测：VoxelNex解读（带源码/未完）

3D点云目标检测：VoxelNex解读（带源码/未完）

VoxelNext 通用vsVoxelNext一、3D稀疏卷积模块1.1、额外的两次下采样1.2、稀疏体素删减 二、高度压缩三、稀疏池化四、head五、waymo数据集训练六、训练自己的数据集bug修改 通用vsVoxelNext 一、3D稀疏卷积模块 1.1、额外的两次下采样 使用通用的3D sparse conv，…
阅读更多...
window关于下载anaconda 2023年以后的版本，jupyter notebook闪退，没有内核的问题

window关于下载anaconda 2023年以后的版本，jupyter notebook闪退，没有内核的问题

这种问题的解决办法： 下载anaconda较早版本，比如我下载的是：2022年5月的版本。 下载之后，打开jupyter好像也会没有内核和闪退。 下面解决步骤： 1.注意：打开anaconda powershell prompt 2.重点来了&#xf…
阅读更多...
【GO】k8s 管理系统项目16[前端部分--项目初始化]-学习记录

【GO】k8s 管理系统项目16[前端部分--项目初始化]-学习记录

学习链接 https://blog.csdn.net/qq_29974229/article/details/129119279?spm1001.2014.3001.5502 nvm use v16.15.0 npm install vue -g npm install -g vue/clivue create k8s-plantform-fe选择 Default cd k8s-plantform-fe npm run servecd ./src mkdir views mkdir r…
阅读更多...
Java-认识异常

Java-认识异常

本章重点： 1. 异常概念与体系结构 2. 异常的处理方式 3. 异常的处理流程 4. 自定义异常类 1. 异常的概念与体系结构 1.1 异常的概念 在Java中，将程序执行过程中发生的不正常行为称为异常。比如之前写代码时经常遇到的： 1. 算术异常 2. 数组…
阅读更多...
Python网络爬虫练习

Python网络爬虫练习

爬取历年中国大学排名(前20名)，并随机选取一所高校画图展示其历年总分变化,并计算平均分，在图上展示该平均分直线： 代码如下： import matplotlib.pyplot as plt import pandas as pd import requests import randomdef main(yea…
阅读更多...
普乐蛙绵阳科博会一场VR科普航天科学盛宴科普知识

普乐蛙绵阳科博会一场VR科普航天科学盛宴科普知识

普乐蛙绵阳科普展：一场科学盛宴，点燃孩子探索欲望的火花! 普乐蛙绵阳科普展正在如火如荼地进行中，吸引了无数孩子和家长的热情参与。这场科普盛宴以独特的内外视角，让人们感受到科学的魅力，激发了孩子们对知识的渴望和…
阅读更多...
【挑战业余一周拿证】二、在云中计算 - 第 3 节 - Amazon EC2 定价

【挑战业余一周拿证】二、在云中计算 - 第 3 节 - Amazon EC2 定价

目录 第 3 节 - Amazon EC2 定价 一、按需 适用场景 二、Savings Plans 适用场景 三、预留实例 三种付款模式 四、Spot 实例 适用场景 五、专用主机 适用场景 关注订阅号 首页：【挑战业余一周拿证】AWS 认证云从业者 - 基础 课程目录：【挑…
阅读更多...
【阅读记录】《联邦学习》杨强

【阅读记录】《联邦学习》杨强

第2章 隐私、安全及机器学习 2.3　威胁与安全模型 2.3.1　隐私威胁模型 对机器学习系统的攻击可能在任何阶段发生，包括数据发布、模型训练和模型推理。 模型训练阶段：重构攻击（避免使用寻存储显式特征值的模型，SVM KNN等&…
阅读更多...
深度学习之循环神经网络

深度学习之循环神经网络

视频链接：6 循环神经网络_哔哩哔哩_bilibili 给神经网络增加记忆能力 对全连接层而言，输入输出的维数固定，因此无法处理序列信息 对卷积层而言，因为卷积核的参数是共享的，所以卷积操作与序列的长度无关。但是因为卷积…
阅读更多...
人工智能与供应链行业融合：预测算法的通用化与实战化

人工智能与供应链行业融合：预测算法的通用化与实战化

前言 「作者主页」：雪碧有白泡泡 「个人网站」：雪碧的个人网站 让我们一起深入探索人工智能与供应链的融合，以及预测算法在实际应用中的价值！🔍🚀 文章目录 前言供应链预测算法的基本流程统计学习模型与机…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023