Ujig

【论文翻译】《投光栅到3D表面条件下基于标定和移相的表面测量》

论文《Calibration-based phase-shifting projected fringe profifilometry for accurate absolute 3D surface profifile measurement》的翻译（和学习）

1. 介绍

2. 测量原则

2.1 基本定义和假设

2.2 基于标定的移相表面测量

2.3 相位-深度关系

3. 系统校准

3.1 横向校准

3.2 相位-深度校准

4. 试验结果

5. 结论

致谢

附录 A

参考文献

——————————————————————————————————————————————————

【摘要】

在此文章中，介绍了一个精确测量3D表面的基于标定和移相的精确标定方法，此方法对每个检测位置的系统的曲折分别进行校准。因此，此方法的精确度要高于基于常规全局系统模型的标定技术。通过跟蔡司通用精密测量中心(UPMC 550型)的数据对比试验结果发现，碗大小物体（直径约160毫米，深度约40毫米）的绝对测量精度约为5μm。此试验结果证明，事实上，基于标定和移相的测量技术的精确度足够在精密工程表面（如齿轮规格表面）测量中使用。

【关键词】投影光栅轮廓测定法；移相技术；3D表面轮廓测量

——————————————————————————————————————————————————

1. 介绍

发Phase-shifting projected fringe profifilometry (PSPFP)（移相投影光栅轮廓测定法）是为了检查粗糙的工程表面三维表面轮廓的一个强大的工具[1-7]。采用相移检测方案，即使在图像噪声过大的情况下，也能在数万个视场中获得更好的精度。在许许多多表面测量应用中，PSPFP有以下几个值得注意的优势，分别是非接触型、全区域测量能力、表面高采样密度、低环境脆弱性。

非远心PSPFP系统由于其处理相对较大的视场的能力而被广泛使用[8]。然而，还没有系统的方法用来准确地描述这类系统中的非线性相位-深度关系。相位-深度转换中的不确定性会导致最终的测量误差并且在很多情况下变成限制因素[9]。测试对象的横向几何结构很有用，因此还有一种情况发生了。在PSPFP的主要形式中，只能精确确定采样表面点的深度位置，而不是其横向位置[1,8]。在许多以前报道的作品中，图像横向几何学常被用来近似物体的横向几何。不幸的是，对于大多数现成的相机来说，当成像系统承受相当大的失真时，这种方法失败了。在不解决这些问题的情况下，PSPFP的使用仅限于简单的是通过还是故障的检查。

造成上述问题的原因可能是由于PSPFP最初不是为了精确、绝对的形状测量而开发的。最近报道了一些结合照相测量法和PSPFP技术的方法来试图解决这些问题[10-14]。这些技术主要基于照相测量法的理论框架并且需要至少两个照相机或两个投影仪。所以它们的适用性被限制在所测量的区域必须同时对照相机和投影仪都可见的应用中。当系统紧凑性成为关键设计准则时，双摄像机或双投影仪配置也是不优选的。当然，可以使用减小三角角度来缓解这两个问题。但是这将付出降低测量灵敏度的成本。

本文提出了一种精确的基于定标的相移测量方案，用于确定物体的绝对形状。它采用传统的单摄像机和单投影仪配置，使测量具有更高的灵活性，在硬件实现上更紧凑。在直接类似于双平面校准方案的情况下，该技术针对每个检测位置单独地表征系统失真。这种方法有效地考虑了局部失真效应，因此可能比依赖于全局系统模型的那些更精确。估计系统参数需要线性优化来保证数值解的稳定。最后，校准过程的系统模型包含检测平面不垂直于成像透镜的光轴的情况。这使得目前的技术特别适用于某些特殊配置的测量系统，如精密齿轮测量和大规模轮廓检查。

2. 测量原则

2.1 基本定义和假设

图1显示典型非远心PSPFP测量系统中的坐标系。世界坐标系xyz是一个固定的参考系统，用来表示被测物体的形状。检测平面坐标系RC是在CCD检测平面上定义的，轴R和C分别平行于传感器阵列的行和列方向。选择rc坐标系的原点作为左上角像素的中心。摄像机坐标系的原点，UVW，是成像透镜的光心。轴W与成像透镜的光轴重合。光栅坐标系的原点是一个特别标记的点，其中绝对相位被指定为零。光栅位于XgYg平面，边缘垂直于轴Xg。投影仪坐标系的定义简单，因为它与摄像机坐标系的相似性。

通过应用旋转矩阵和平移向量,点可以从一个参考系统映射到另一个参考系统。例如，检测平面坐标中的点(R，C)由相机参考系统中的(u，v，w)表示，两组坐标将由以下等式决定：

这里，上标的符号D和C分别表示检测平面和相机坐标系。这些符号的顺序表示坐标转换的方向。本公约也适用于今后的讨论。

在上述定义中，CCD检测平面不一定垂直于成像透镜的光轴。光栅平面也不一定垂直于于投影透镜的光轴。当倾斜地观察近的物体时，光栅平面和检测平面通常与物体表面大致共轭。当与物体的深度相比光学系统的景深变得有限时,这是特别必要的。除几何畸变外，假设成像和投影系统的其他像差已事先经过仔细校正。在实践中，这种假设通常是通过关闭相应的镜头来实现的。这样做可以显著地抑制与孔径大小的高阶幂次成比例的像差。图像点是指与主射线检测平面相交的点。为了在使用小孔径时补偿光线，可以增加CCD探测器上的曝光时间。和其它相移位置测量系统中一样，在目标点采样的相位值被假定为等于在其图像点采样的相位值。当正弦条纹被光学系统很好地分辨，并且系统的点扩散函数是对称的时，这个假设就成立了。

2.2 基于标定的移相表面测量

考虑在其中采样的绝对相位为U的世界坐标系中的任意曲面点(x,y,z)。根据上一节中给出的假设，检测平面中的图像点(R,C)处的绝对相位也是相同的。变量r，c， $\varphi$ 的关系为

$r=f_{r}(x,y,z)$ ， (2.1)

$c=f_{c}(x,y,z)$ ， (2.2)

$\varphi =\phi (x,y,z)$ ， (2.3)

$f_{r}(x,y,z)$ ， $f_{c}(x,y,z)$ 和 $\phi (x,y,z)$ 表示依赖于系统的非线性函数。当通过系统标定确定这些函数时，通过对上述非线性方程组的同时求解，可以得到(x,y,z)。等式(2.1)-(2.3)给出轮廓测量的抽象公式。为了实现这样一种方法，我们必须找到将测量量与未知量联系起来的显式约束。

等式(2.1)和(2.2)表示PSPFP系统成像臂的功能。畸变的成像过程通常由以下修正的射影变换来表示[15]，

$\frac{u+\Delta _{u}(u,v,w)}{w+\Delta _{w}(u,v,w)}=\frac{r^{WC}_{11}x+r^{WC}_{12}y+r^{WC}_{13}z+t^{WC}_{x}}{r^{WC}_{31}x+r^{WC}_{32}y+r^{WC}_{33}z+t^{WC}_{z}}$ ， (3）

$\frac{v+\Delta _{v}(u,v,w)}{w+\Delta _{w}(u,v,w)}=\frac{r^{WC}_{21}x+r^{WC}_{22}y+r^{WC}_{23}z+t^{WC}_{y}}{r^{WC}_{31}x+r^{WC}_{32}y+r^{WC}_{33}z+t^{WC}_{z}}$ ，

其中(u,v,w)表示一个扭曲的图像点， $\Delta _{u}(u,v,w)$ ， $\Delta _{v}(u,v,w)$ 和 $\Delta _{w}(u,v,w)$ 是由畸变引起的图像点的位移。符号W和C分别表示世界坐标系和摄像机坐标系。（在解释 $r^{WC}_{ij}$ 的含义时，应提醒读者注意上述公约。）

对于固定的检测位置 $(u_{0},v_{0},w_{0})$ ，等式（3）左侧的术语变为两个常数。同时求解这些方程，我们可以将x和y表示为z的函数，也就是

$x=a_{1}z+a_{0}$ ，

$y=b_{1}z+b_{0}$ ， (4)

其中系数可以通过繁琐但简单的代数操作来计算。等式(4)示出了所有被成像到固定像素的点位于直线中,并通常被称为像素的视线[16]。从这些点发出的主射线以相同的入射角到达透镜系统的前表面。然后这些射线将遭受一系列相同的折射,并且将从透镜系统的后表面以相同的角度出现。在我们对图像点的定义下，这些点在固定的检测平面上产生相同的图像点。结合等式(2.3)和(4)能直接得到

$\varphi =\phi ^{'}(z)$ 。 (5)

等式(5)指出，在固定的探测位置上，测量相位只取决于深度位置。在设计合理的测量系统中， $\phi ^{'}(z)$ 是一个可逆的单调函数。这使得我们可以将深度z表示为测量相位 $\varphi$ 的函数，

$z=Z(\varphi )$ ， (6)

其中 $Z(\varphi )$ 是 $\phi ^{'}(z)$ 的逆函数，也是单调函数。

现在可以通过结合等式(4)和(6)说明拟议的轮廓测量方案，

$x=a_{1}z+a_{0}$ ，

$y=b_{1}z+b_{0}$ ， (7)

$z=Z(\varphi )$ 。

根据公式(7)，可以通过从与横向坐标无关的 $\varphi$ 中确定来清楚地找到表面点的未知坐标。因为已经知道，所以后两个方程可以很容易地从等式(7)的前两个方程中计算出来。通过仔细设计的系统校准，必须在测量前找到 $Z(\varphi )$ 的功能形式和所涉及的所有系数。

值得强调的是 $Z(\varphi )$ 的系数和函数形式随检测位置的变化而变化。这是一种非常有效的机制，可以解释局部失真效应。为了简单起见，这里省略了空间依赖性，但是应当理解。

2.3 相位-深度关系

在下一节中，我们将注意力集中在 $Z(\varphi )$ 的函数构成。作为分析的第一步，我们在完美投影下推导出理想的相位-深度关系。为了提高逼近精度，还添加了一些解释各种扭曲的纠正术语。

如图2所示，有完美投影下，投影正弦光栅中的等相线在投影仪的图像空间中产生了一组等相平面。当像素的视线顺序地穿透这些等相位平面时，在像素位置处观察到单调变化的相位值。对于相位值 $\varphi$ ，对应的深度由像素的视线与恒定相位的平面相交的点的坐标给出。等相平面的方程可以用它们穿过相应的等相线和投影透镜的节点来获得。对于常相位为 $\varphi$ 的直线，它的光栅平面表达式是

$x_{G}=\frac{\varphi }{K}$ ，

$z_{G}=0$ ， (8)

其中K表示正弦光栅的波数。在投影仪参考系统中，它由

$r^{PG}_{11}x_{P}+r^{PG}_{12}y_{P}+r^{PG}_{13}z_{P}+t^{PG}_{x}=\frac{\varphi }{K}$ ，

$r^{PG}_{31}x_{P}+r^{PG}_{32}y_{P}+r^{PG}_{33}z_{P}+t^{PG}_{z}=0$ 。 (9)

的投影产生的等相平面由下式给出

$(d_{1}x_{P}+d_{2}y_{P}+d_{3}z_{P})\varphi =e_{1}x_{P}+e_{2}y_{P}+e_{3}z_{P}$ ， (10)

这里面

$d_{i}\equiv \frac{r^{PG}_{3i}}{K}$ ，

$e_{i}\equiv r^{PG}_{1i}t^{PG}_{z}-r^{PG}_{3i}t^{PG}_{x} (i=1,2,3)$ 。

通过变换等式(4)成投影仪坐标系可以得到像素的视线，它是在世界坐标系下的一种表示形式。这就可以得到

$x_{P}=a^{'}_{1}z+a^{'}_{0}$ ，

， (11)

$z_{P}=c_{1}z+c_{0}$ 。

等式(11)中系数的表达式由于我们不感兴趣，所以略去。将等式（11）代入等式（10）得到了理想的相深关系，

$\bar{z}=\frac{m_{1}\varphi +m_{0}}{n_{1}\varphi +n_{0}}$ ， (12)

其中

$m_{0}=a^{'}_{0}e_{1}+b^{'}_{0}e_{2}+c_{0}e_{3}$ ，

$m_{1}=-a^{'}_{0}d_{1}-b^{'}_{0}d_{2}-c_{0}d_{3}$ ，

$n_{0}=-a^{'}_{1}e_{1}-b^{'}_{1}e_{2}-c_{1}e_{3}$ ， (13)

$n_{1}=a^{'}_{1}d_{1}+b^{'}_{1}+c_{1}d_{3}$ 。

在等式(12)中，z被用来表示所获得的关系是理想化的。等式(12)表明， $Z(\varphi )$ 是非线性的，即使投影系统没有畸变。这是发散投影过程的结果，因此在非远心系统中是固有的。非线性程度取决于 $n_{1}$ 和 $n_{0}$ 的相对大小。只有在 $n_{1}\ll n_{0}$ 时，线性逼近才有效。

在变形的影响下，等相表面略有弯曲。在位于 $z_{P}$ 的平面上，畸变的像点会发生横向位移并通过下式与理想图像点相关，

$x_{P}+\Delta _{x}(x_{P},y_{P},z_{P})=\bar{x}_{P}$ ，

$y_{P}+\Delta _{y}(x_{P},y_{P},z_{P})=\bar{y}_{P}$ ， (14)

$\Delta _{x}(x_{P},y_{P},z_{P})$ 和 $\Delta _{y}(x_{P},y_{P},z_{P})$ 分别表示图像点的位移，短杆下的变量是理想图像点的横向坐标。为了强调等式(10)中的横向坐标是在完美投影下得到的，我们用 $\bar{x}_{P}$ 和 $\bar{y}_{P}$ 替换它们，并重写等式(10)为

$(d_{1}\bar{x}_{P}+d_{2}\bar{y}_{P}+d_{3}z_{P})\varphi =e_{1}\bar{x}_{P}+e_{2}\bar{y}_{P}+e_{3}z_{P}$ 。 (15)

代等式(14)到等式(15)

$\bg_white [d_{1}(x_{P}+\Delta x_{P})+d_{2}(y_{P}+\Delta y_{P})+d_{3}z_{P}]\varphi =$ $e_{1}(x_{P}+\Delta x_{P})+e_{2}(y_{P}+\Delta y_{P})+e_{3}z_{P}$ ， (16)

其中 $\Delta x_{P}\equiv \Delta _{x}(x_{P},y_{P},z_{P})$ 和 $\Delta y_{P}\equiv \Delta _{y}(x_{P},y_{P},z_{P})$ 是省略写法。如附录A所示， $\Delta x_{P}$ 和 $\Delta y_{P}$ 通常有以下形式，

$\Delta x_{P}=(\sum_{0\leqslant i\leqslant 3}k_{1i}z^{i}_{P})x_{P}(x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}s_{1i}z^{i}_{P})(x^{2}_{P}+y^{2}_{P})+$ $(\sum_{0\leqslant i\leqslant 3}p_{1i}z^{i}_{P})(3x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}p_{2i}z^{i}_{P})x_{P}y_{P}$ (17)

和

$\Delta y_{P}=(\sum_{0\leqslant i\leqslant 3}k_{1i}z^{i}_{P})y_{P}(x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}s_{2i}z^{i}_{P})(x^{2}_{P}+y^{2}_{P})+$ $(\sum_{0\leqslant i\leqslant 3}p_{2i}z^{i}_{P})(3x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}p_{1i}z^{i}_{P})x_{P}y_{P}$ (18)

—————————— ————————— ———————————————————— radial thin prism decentering

结合等式(11)-(18)，我们得到了 $Z(\varphi )$ 的隐式表达式,

$z=\frac{m_{1}\varphi +m_{0}}{n_{1}\varphi +n_{0}}+\sum_{0\leqslant i\leqslant 6}(\frac{g_{i}-h_{i}\varphi }{n_{1}\varphi +n_{0}}z^{i})$ 。 (19)

同样，为了简单起见，不给出系数 $g_{i}$ 和 $h_{i}$ 的表达式。等式(19)的第一部分可以被认为是理想的相深关系，而第二部分则来源于畸变。对于性能良好的系统，畸变图像点非常接近其理想对应点。这使我们能够在等式(19)的畸变项中用z代替 $\bar{z}$ 。这种替换所产生的表达式是

$z=\frac {m_{1}\varphi +m_{0}}{n_{1}\varphi +n_{0}}+\sum_{0\leqslant i\leqslant6}[\frac {g_{1}-h_{i}\varphi}{n_{1}\varphi+n_{0}}(\frac{m_{1}\varphi+m_{0}}{n_{1}\varphi+n_{0}})^{i}]$ 。 (20)

将式(20)中与 $n_{0}$ 相关的系数标准化，我们可以将其简化为

$z=\frac{m^{'}_{1}\varphi+m^{'}_{0}}{n^{'}_{1}\varphi+1}+\sum_{0\leqslant i\leqslant 6}[\frac{g_{i}-h_{i}\varphi}{n^{'}_{1}+1}(\frac{m^{'}_{1}\varphi+m^{'}_{0}}{n^{'}_{1}\varphi+1})^{i}]$ ，（21）

其中带素数的系数表示归一化参数。将z替换为 $\bar{z}$ 只会导致校正项中的高阶错误。这样小的误差可以通过随后的曲线拟合过程得到部分补偿，从而使逼近的精度更高。等式（21）中有11个待定系数，这意味着至少需要在不同深度进行11次校准。然而，该问题的复杂性可针对不同的系统配置进行调整。本主题将在下一节中重新讨论。

3. 系统校准

我们现在正在讨论在视线方程(4)和相位-深度关系(21)中寻找参数的经验方法。为了区分这两种处理，描述像素的视线的过程将称为横向校准，并且确定参数 $Z(\varphi )$ 的过程将被称为深度-深度校准。

3.1 横向校准

在横向校准中，两个与X和Y方向平行的正弦光栅依次放置在z深度的平面上。组装这些时间上分离但空间上重叠的光栅的图像产生虚拟网格图案，虚拟网格图案用作横向校准中的度量标准。当在不同的深度位置连续生成和测量多个虚拟网格时，就会绘制出不同像素的视线。各个光栅中的两个条纹是特别标记的。虚拟网格中这些条纹的交点代表XY平面的原点。

当光栅位于深度z时，考虑任意像素的中心，测量其中未包裹相位 $\varphi_{x}$ 和 $\varphi_{y}$ 。根据第2.1节中给出的假设，将在成像到中心点的表面点处直接测量同一对相位。然后给出表面点的横向坐标

$x=\frac{\varphi_{x}}{K_{x}}$ ，

$y=\frac{\varphi_{y}}{K_{y}}$ ， (22)

其中 $K_{x}$ 和 $K_{y}$ 是各个光栅的波数。

采用正弦光栅作为标定目标具有多方面的优点。通过将相移检测技术结合到相位测量中，自动获得高度的精度。由于位置信息嵌入在连续的强度分布中，所以每个像素在相位采样中都可以独立工作。这导致非常高的空间采样密度，这对于测量局部失真效应是关键的。此外，当相位变化在CCD像素的检测孔径上近似线性时，区域采样等效于在像素的中心进行的点采样。在这种情况下，检测位置按照建议的轮廓测量方案的要求固定。当使用离散模式作为校准目标时，如果没有数值插值，这种要求很难满足，这很容易产生各种类型的误差。

在两个以上的深度位置上测量虚拟网格后，通过将测量数据拟合成一条直线来估计每个像素的视线。尽管两个坐标测量值足以满足此目的，但强烈建议使用冗余测量值来提高估计的可靠性。

3.2 相位-深度校准

在相位-深度校准中，通过投影光学将正弦波投影到垂直于方向的平面上。用相移算法测量了平面上的合成相位分布。当重复相位测量时，平面连续平移到不同深度位置并在达到某一极限位置时停止。以这种方式测量的相位图首先沿着横向方向展开，然后深度方向以恢复相位连续性信息。在此处理之后，在每个像素位置得到一系列的绝对相位和相关的深度，以便进行后续的曲线拟合。

由于 $Z(\varphi )$ 对所涉及系数的非线性依赖性，对畸变相位-深度关系的估计相当复杂。我们需要采用迭代的方法来解决这些问题。在这种情况下总是遇到收敛和局部最小值问题。然而，如果我们分别估计式(21)中理想的相位-深度关系和畸变项，事情会简单得多。对于方程（21）的第一项所示的理想相深关系，我们可以将其重写为

$m^{'}_{1}\varphi-n^{'}_{1}\varphi z+m^{'}_{0}=z$ ， (23)

通过选择 $\varphi$ ， $z\varphi$ ，1作为基函数，将 $m^{'}_{1}$ ， $n^{'}_{1}$ ， $m^{'}_{0}$ 的估计转化为一个线性问题。当有三对以上的相位和深度值可用于曲线拟合时，可用最小二乘估计

$C=(A^{T}A)^{-1}A^{T}M$ ， (24)

其中 $C=\begin{bmatrix} m^{'}_{1}&n^{'}_{1}&n^{'}_{0} \end{bmatrix}^{T}$ 和 $M=\begin{bmatrix} z_{1} & z_{2} & z_{3} \end{bmatrix} ^{T}$ 。矩阵A，通常称为设计矩阵，由

$A=\begin{bmatrix} \varphi_{1} & \varphi_{1}z_{1} & 1\\ \varphi_{2} & \varphi_{2}z_{2} & 1\\ \varphi_{3} & \varphi_{3}z_{3} & 1\\ \vdots & \vdots & \vdots \\ \varphi_{n} & \varphi_{n}z_{n} & 1 \end{bmatrix}(n\geqslant 3)$ 。

这里，下标表示矩阵转置，并且‘-1’表示矩阵反转。

一旦找到理想的相位-深度关系，我们可以基于迄今为止所获得的系数来估计剩余的系数。定义

$\mu _{i}=\frac {(m^{'}_{1}\varphi+m^{'}_{0})^{i}}{(n^{'}_{1}\varphi+1)^{i+1}},0\leqslant i\leqslant 3$ ，

$v_{i}=\frac{\varphi(m^{'}_{1}\varphi+m^{'}_{0})^{i}}{(n^{'}_{1}\varphi+1)^{i+1}},0\leqslant i\leqslant3$ ， (25)

和

$z_{r}\equiv z-\frac{m^{'}_{1}\varphi +m^{'}_{0}}{n^{'}_{1}\varphi +1}$ ， (26)

其中 $z_{r}$ 表示残差深度误差，我们可以重写等式(23)为

$z_{r}=\sum_{0\leqslant i\leqslant6}g_{i}u_{i}+h_{i}v_{i}$ ， (27)

再次，估计问题被简化为线性估计问题。原则上，在等式(26)中显示的技术可用于适当构造设计矩阵A时的系数估计。但是，当 $A^{T}A$ 接近奇异时，该方法会失效。在这种情况下，可以使用基于奇异值分解的更稳健的技术。

应该指出的是，在现有的参数估计问题中，自变量 $\varphi$ 并不是无误差的，而因变量的测量精度通常要高得多，因此可以认为是准确的。在这种情况下，上述方法不能得到严格意义上的最优参数估计。然而，我们可以把这个问题当作一个等价的问题来处理，它的 $\varphi$ 是精确的，是不精确的。在上述方法中也暗示了的等效测量误差近似高斯分布，具有零均值。

4. 试验结果

进行了实验以验证所提出的技术的有效性。如图3所示，使用两个广角镜头进行投影和成像。它举例说明了具有大量畸变的测量系统。在相位-深度校准期间，平移台沿深度方向产生运动。将正弦条纹图投影到平面上，CCD探测器在平面上获取图像。用相移算法测量了平面上的合成相位分布。当平面连续平移到不同深度时，重复相位测量。在进行深度校准时采用的平表面是由钢块制成的。通过化学蚀刻工艺，获得了足够的表面扩散率。用精度为0.1μm的海德汉长度计测量了平面和光栅的深度位置。

一旦确定了每个像素的相位-深度关系 $Z(\varphi)$ ，我们就确定了视线方程中的参数。在横向校准中，两个条纹与X和Y方向平行的光栅依次放置在一个位于z深度的平面上。将这些时间分离但在空间上重叠的光栅的图像组合成一个虚拟网格模式，作为横向校准的度量标准。在图4的情况下，由ccd探测器捕获与x方向平行的条纹光栅的图像。当在不同的深度位置连续生成和测量多个虚拟网格时，就会绘制出不同像素的视线。

图5示出了两个选定像素处未包装相位与深度之间的测量关系的示例。使用五次多项式拟合来近似每个像素的相位-深度变换

使用21个深度测量。在两个随机选择的像素处，深度和相应水平位置之间的测量关系如图6所示。同样，使用第五阶多项式拟合使用21个深度测量来近似变换。

在系统校准过程中，横向校准和相位-深度校准依次在指定的深度范围内进行。校准体积宽约180.0毫米，高约180.0厘米，深约50.0毫米。两个广角镜头分别以20倍和18倍放大倍数进行投影和成像。这些透镜被指向世界坐标系的横向平面，角度为35进行投影，15进行成像。一台1000像素的ccd摄像机和一个条纹周期为50 μm的投影正弦光栅被调整成与横向平面近似共轭的光栅。没有努力使它们垂直于各自透镜的光轴。

相位深度校准采用粗糙度约为10 μm的扩散平面，横向校准采用条纹周期为2.341 mm的Ronchi条纹图。图7示出了在检测平面的拐角处的典型像素的视线和将测量数据拟合到直线后的残余误差。此处显示的残余误差表明

已开发的相位-深度校准和横向方案。利用此校准方案，对风机叶片进行了轮廓测量。图8(A)示出被测风扇叶片三维轮廓的一个透视图，图8(B)显示被测风扇叶片三维轮廓的另一个透视图。根据这两个附图，可以看出，所测量的3D轮廓真实地反映了风扇叶片的3D形状。为了对所提出的基于校准的相移投影条纹轮廓术具有定量的感觉，直径为大约160mm和深度为40mm的碗形物体S选定为测试对象。采用基于校准的相移投影条纹轮廓术和标准机械扫描仪（Zeiss通用精密测量中心，型号UPMC550）来测量碗的三维表面轮廓。图9(A)和(B)分别显示了基于校准的相移投影条纹轮廓术和upmc 550测量的三维轮廓线。通过比较来自图1的结果。9(a)和(b)，发现两种方法之间的Absolution误差差异约为5μm。实验结果表明，该方法具有很好的精度。

基于校准的相移投影条纹轮廓术的成功是由几个因素引起的。高抗噪性和高空间采样密度是两个主要因素。该技术能够在对机械夹具的最低要求下同时对整个表面进行取样。除了大大节省时间外，使用全现场检测技术的好处还包括大大降低环境脆弱性。由于剖面数据可以在很短的时间内采集（通常是一秒的一小部分），缓慢变化的环境变化不会对数据采集产生重大影响。此外，当测量到足够的校准数据时，拟合合适的多项式可以最小化相位到深度转换的不确定性，以及深度到水平/垂直位置转换的不确定性。在我们的实验中，校准数据包括21个测量值，这些测量值足够五阶多项式拟合以最小化和平滑数据噪声。尽管用于相深校准的扩散平面粗糙度为10μm，校准数据在各个方向上的总残差也在10μm左右，但在碗状物体表面测量中，我们仍然获得了5μm左右的很好精度。

5. 结论

总之，本文介绍了一种基于校准的相移测量技术，其中对每个位置的失真分别进行校准。该技术的主要优点是：(1)由于该技术仅使用一个照相机和一个投影仪配置进行校准，所以它提供了更高的灵活性的优点，更紧凑性；(2)因为它独立地表征每个检测位置的系统失真，所以它有效地消除了局部失真的影响；(3)系统参数的估计只需要线性优化，从而可以容易地找到稳定的数值解；(4)校准过程包括检测平面不垂直于成像透镜光轴的情况。通过与UPMC 550实验数据的比较，发现碗形物体的消去误差在5μm左右。因此，所提出的方法具有很好的精度（5μm/180mm $\approx 10^{-5}$ ），这使得在精密工程表面测量中有许多应用成为可能，如精密齿轮量规测量和大尺寸螺旋桨检查。

致谢

这项工作是在美国商务部、国家标准与技术研究所、先进技术计划、合作协议编号70NANB7H3022的支持下完成的。提交人还感谢宾夕法尼亚州立大学应用研究实验室的制造和维持技术研究所提供的支助。该研究所是一个非营利组织，由美国海军制造技术(ManTech)计划，海军研究室(合同编号N 00014-99-0005)赞助。本材料中所表达的任何意见、调查结果、结论或建议都是作者的意见，并不一定反映美国海军的观点。

附录 A

在下面的分析中，我们研究了当探测平面沿光学系统的光轴平移时，畸变是如何变化的。这一主题在过去还没有得到充分的探讨，尽管在大量的文献中可以找到固定探测平面上各种畸变的解析表达式。考虑到的畸变包括径向畸变、薄棱镜畸变和中心畸变，这是造成光学系统中最严重缺陷的原因。

严格的光线跟踪揭示了失真随物体位置和图像位置的变化而变化。对于PSPFP系统中的投影仪，光栅平面是固定的，但是被测量的物体可以占据延伸的轴向范围。当物体的轴向距离与标称物体距离相比不能忽略时，在投影系统的建模中需要考虑畸变的变化。为了说明如何进行此操作，我们以径向变形为例。

图10示出了包含未失真射线和其相关联的畸变射线 $EP^{'}$ 的平面。这些射线与位于轴向位置 $z_{P1}$ 和 $z_{P2}$ 的两个平面相交，形成两个理想的像点 $P_{1}$ 和 $P_{2}$ ，以及两个变形的 $P^{'}_{1}$ 和 $P^{'}_{2}$ 。假设径向畸变系数 $k_{0}$ 和 $k^{'}_{0}$ 在 $z_{P1}$ 和 $z_{P2}$ 处已知。然后，可以找到 $\Delta r_{1}$ 和 $\Delta r_{2}$ 的径向失真

$\Delta r_{1}=k_{0}r^{3}_{1}=k_{0}(z_{P1}tg\Theta )^{3}$ (A.1)

和

$\Delta r_{2}=k^{'}_{0}r^{3}_{2}=k^{'}_{0}(z_{P2}tg\Theta )^{3}$ 。 (A.2)

从图中可以看出，在任意 $z_{P}$ 上的径向畸变是由

$\Delta r=(\frac{z_{P2}-z_{P}}{z_{P2}-z_{P1}})k_{0}(z_{P1}tg\Theta )^{3}+(\frac{z_{P}-z_{P1}}{z_{P2}-z_{P1}})k^{'}_{0}(z_{P2}tg\Theta )^{3}$

$=[k_{0}(\frac{z_{P2}-z_{P}}{z_{P2}-z_{P1}})(\frac{z_{P1}}{z_{P}})^{3}+k^{'}_{0}(\frac{z_{P}-z_{P1}}{z_{P2}-z_{P1}})(\frac{z_{P2}}{z_{P}})^{3}](z_{P}tg\Theta )^{3}$ 。 (A.3)

然后在 $z_{P}$ 处的失真系数 $k_{1}$ 是然后

$k_{1}=k_{0}(\frac{z_{P2}-z_{P}}{z_{P2}-z_{P1}})(\frac{z_{P1}}{z_{P}})^{3}+k^{'}_{0}(\frac{z_{P}-z_{P1}}{z_{P2}-z_{P1}})(\frac{z_{P2}}{z_{P}})^{3}$ (A.4)

$=\frac{[k_{0}(z_{P1})^{3}(\frac{z_{P2}-z_{P}}{z_{P2}-z_{P1}})+k^{'}_{0}(z_{P2})^{3}(\frac{z_{P}-z_{P1}}{z_{P2}-z_{P1}})]}{(\frac{z_{P2}+z_{P1}}{2})^{3}(1+\frac{2z_{P}}{z_{P2}+z_{P1}}-1)^{3}}$ 。 (A.5)

测试对象的轴向范围往往比平均物体距离小得多，

$(z_{P2}-z_{P1})\ll \frac{z_{P2}+z_{P1}}{2}$ 。

将式(A.5)的分母推广到泰勒级数，并保持二阶幂，我们可以将 $k_{1}$ 表示为

$k_{1}=(\frac{z_{P2}+z_{P1}}{2})^{-3}[k_{0}z^{3}_{P1}(\frac{z_{P2}-z_{P}}{z_{P2}-z_{P1}})+k^{'}_{0}z^{3}_{P2}(\frac{z_{P}-z_{P1}}{z_{P2}-z_{P1}})]\times$ $[1-3(\frac{2z_{P}}{z_{P2}+z_{P1}}-1)+6(\frac{2z_{P}}{z_{P2}+z_{P1}}-1)^{2}]$ (A.6)

等式(A.6)具有以下一般格式，

$k_{1}=\sum^{3}_{i=0}k_{1i}z^{i}_{P}$ (A.7)

将径向畸变分解成横向分量，我们有

$\Delta x^{'}_{P}=(\sum_{0\leqslant i\leqslant 3}k_{1i}z^{i}_{P})x_{P}(x^{2}_{P}+y^{2}_{P})$ (A.8)

和

$\Delta y^{'}_{P}=(\sum_{0\leqslant i\leqslant 3}k_{1i}z^{i}_{P})y_{P}(x^{2}_{P}+y^{2}_{P})$ 。 (A.9)

偏心和薄棱镜的畸变可以用类似的方法进行分析。在这两种情况下，由于非零切向畸变，理想光线和畸变光线不再共面。然而，与上述分析类似的分析仍然可以应用于这些畸变的每个横向分量。因此，和 $EP^{'}$ 应被认为是理想光线和畸变光线在或平面上的投影。按照概述的步骤，我们可以得到轴向变化的变形的下列表达式，

$\Delta x^{''}_{P}=(\sum_{0\leqslant i\leqslant 3}s_{1i}z^{i}_{P})(x^{2}_{P}+y^{2}_{P})$ ， (A.10)

$\Delta y^{''}_{P}=(\sum_{0\leqslant i\leqslant 3}s_{2i}z^{i}_{P})(x^{2}_{P}+y^{2}_{P})$

对于薄棱镜畸变，以及

$\Delta x^{'''}_{P}=(\sum_{0\leqslant i\leqslant 3}p_{1i}z^{i}_{P})(3x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}p_{2i}z^{i}_{P})x_{P}y_{P}$ ， (A.11)

$\Delta y^{'''}_{P}=(\sum_{0\leqslant i\leqslant 3}p_{2i}z^{i}_{P})(3x^{2}_{P}+y^{2}_{P})+(\sum_{0\leqslant i\leqslant 3}p_{1i}z^{i}_{P})x_{P}y_{P}$

为了偏心变形。总畸变的横向分量为

和

——————————— ————————— ————————————————————

radial thin prism decentering

应该提到的是，Abdel Aziz和Karara[17]使用了类似的方法来讨论径向畸变对物体距离的依赖性。然而，我们的分析是在第2.1节给出的图像点的广义定义下进行的，其结论可应用于所有三种主要畸变的横向分量。

参考文献

[1] H. Takasaki, Appl. Opt. 9 (1970) 1467.

[2] V. Srinivasan, H.C. Liu, M. Halioua, Appl. Opt. 24 (2) (1985) 185.

[3] T. Matsumoto, Y. Kitagawa, T. Minemoto, Opt. Eng. 35 (1996) 1754.

[4] G. Lu, S. Wu, N. Palmer, H. Liu, Proc. SPIE 3520 (1998) 52.

[5] G. Wiora, Proc. SPIE 4117 (2000) 289.

[6] C. Zhang, P.S. Huang, F.P. Chiang, Proc. SPIE 4189 (2000) 122.

[7] Z.W. Zhong, C.P. Han, A.K. Asundi, Proc. SPIE 4398 (2001) 182.

[8] K. Creath, in: E. Wolf (Ed.), Progress in Optics, vol. 26, North-Holland, Amsterdam, 1988, p. 350.

[9] C.S. Vikram, Optik (Jena) 111 (12) (2000) 563.

[10] F. Chen, G.M. Brown, M. Song, Opt. Eng. 39 (2000) 10.

[11] O.D. Faugeras, G. Toscani, in: Proc. Int. Conf. Comput. Vision. Patt. Recogn. (Miami Beach, FL), Aug. 1983, p. 996.

[12] A. Isaguirre, P. Pu, J. Summers, in: Proc. IEEE Int. Conf. Robotics Automat. (St. Louis), 1985, p. 74.

[13] J. Weng, P. Cohen, M. Herniou, IEEE Trans. PAMI 14 (1992) 965.

[14] K.D. Gremban, C.E. Thorpe, T. Kande, in: IEEE Robotics Automat. Proceedings. International Conference (Philadelphia, PA), 1988, p. 947.

[15] W. Faig, Photogramm. Eng. Remote Sensing 41 (12) (1975) 1479.

[16] H.A. Martins, J.R. Birk, R.B. Kelley, Comput. Graphics Image Process. 17 (1981) 173.

[17] Y.I. Abdel-Aziz, H.M. Karara, in: Symposium on Close-Range Photogrammetry (Urbana, IL) Jan. 1971, p. 1.

你可能感兴趣的:(论文翻译)

论文翻译 - BITE: Textual Backdoor Attacks with Iterative Trigger Injection anniewwy LLM Backdoor Attack
论文链接：https://arxiv.org/pdf/2205.12700.pdf项目代码：https://github.com/INK-USC/BITEBITE:TextualBackdoorAttackswithIterativeTriggerInjectionAbstract1Introduction2ThreatModel3Methodology3.1BiasMeasurementonLa
我做这件事，唯一的目的就是让你开心沉吟大叔
一个男人心里满满的爱意：我做这件事，唯一的目的就是让你高兴，而不是赢得你的好感、证明我的能力、让你对我感恩戴德。所以，我不想让你知道我的付出，不想让你对我怀有歉意和内疚，更不想因此获得什么回报。我只是心甘情愿地想为你做点什么，因为我爱你。这才是真爱吧。以前有个读者，说她男朋友特别小气，还不诚实。请她吃顿饭要念叨很久，给她买礼物，花一百要说成三百，帮她做论文翻译，明明一小时就搞定了，非要说是熬了个通
剖析以太坊上的庞氏骗局：识别、分析和影响卷神
区块链安全防护论文翻译：Bartoletti,Massimo,etal."DissectingPonzischemesonEthereum:identification,analysis,andimpact."FutureGenerationComputerSystems102(2020):259-277.摘要：庞氏骗局是一种以高额利润为诱饵的金融欺诈。实际上，只有新用户加入了庞氏骗局，用户才能得
《 HFContractFuzzer: Fuzzing Hyperledger Fabric Smart Contractsfor Vulnerability Detection》论文翻译 WXF_Security 智能合约安全研究 fabric golang
《HFContractFuzzer:FuzzingHyperledgerFabricSmartContractsforVulnerabilityDetection》（EASE2021）摘要区块链技术以其特有的去中心化、不可变性等优点，近年来被广泛应用于各个领域。运行在区块链上的智能合约在去中心化应用场景中也扮演着越来越重要的角色。因此，自动检测智能合约中的安全漏洞成为区块链技术应用中亟待解决的问题
Data Augmentation and Deep Learning Methods in SoundClassification: A Systematic Review ggqyh 深度学习人工智能
文章为翻译，仅供学习参考论文原地址：DataAugmentationandDeepLearningMethodsinSoundClassification:ASystematicReview作者：OlusolaO.Abayomi-Alli,RobertasDamaševiˇcius,AtikaQazi,MariamAdedoyin-OloweandSanjayMisra4论文翻译地址：https:
因果学习及反因果学习（论文翻译）三分钟湿度
OnCausalandAnti-causalLearning本博文对论文OnCausalandAnti-causalLearning的摘要和模型部分做了翻译和小修改，本论文主要描述因果学习中常见的几类基于函数估计的模型，同时说明了因果与相关性、因果学习与机器学习之间的关系，论文重点在讨论和比较不同模型，内容较为笼统，不做深入探讨，但对不同模型之间的本质关系的讨论值得一看。论文地址：https://
Convolutional Neural Networks for No-Reference Image Quality Assessment 论文翻译亚里论文阅读 NR-IQA 使用卷积网络进行图像质量评价
ConvolutionalNeuralNetworksforNo-ReferenceImageQualityAssessment论文翻译TranslationAbstract1Introduction2RelatedWork3CNNforNR-IQA3.1NetworkArchitecture3.2LocalNormalization3.3Pooling3.4ReLUNonlinearity3.5
有道论文翻译接口，python版和lua版 monsterskiller 手机编程脚本编程 python
论文翻译接口python版importrequestsimporthashlibfromurllib.parseimportquotedefget_md5(s,is_hex=True):md5=hashlib.md5()md5.update(s.encode())ifis_hex:returnmd5.hexdigest()returnmd5.digest()deftranslate(source_
医学论文翻译有哪些要求，应该如何翻译呢？英信翻译公司其他
近年来，随着国内医学水平的不断提高，医学论文翻译的需求也呈现出快速增长的趋势。在国外期刊上发表论文，往往需要将整篇论文翻译成英文。那么，医学论文翻译有哪些要求，应该如何翻译呢？专家指出，医学论文翻译最基本的要求就是准确性，要求翻译者能够准确地将原文的含义传达给读者，不出现歧义或者误解的情况。这要求翻译者具备深厚的医学专业知识和语言能力，能够理解原文的含义，并将其准确地表达出来。除了准确性之外，医学
GPT原始论文：Improving Language Understanding by Generative Pre-Training论文翻译 iKang_dlut gpt 人工智能深度学习
1摘要自然语理解包括文本蕴含、问题回答、语义相似性评估和文档分类等一系列多样化的任务。尽管大量未标注的文本语料库很丰富，但用于学习这些特定任务的标注数据却很稀缺，这使得基于区分性训练的模型难以充分发挥作用。我们展示了通过在多样化的未标注文本语料库上对语言模型进行生成式预训练，随后对每个特定任务进行区分性微调，可以实现这些任务的大幅度改进。与以往的方法不同，我们在微调过程中使用了任务感知的输入转换，
【论文翻译】Generation of Non-Deterministic Synthetic Face Datasets Guided by Identity Priors（21.12）联系丝信计算机视觉
文章目录读后感Abstract1Introduction1.1Ourcontributions2RelatedWorks2.1SyntheticImageGeneration2.2MatedSampleGeneration2.3LimitationsinState-of-the-art3PCA-FR-GuidedSampling4SyntheticMatedFace(SymFace)Dataset
ORB-SLAM2代码学习1 rgdb_tum.cc Dziwu SLAM 学习计算机视觉人工智能
论文翻译参考1参考2rgdb_tum.cc的框架代码大致思路LoadImages()加载图像——判断rgb图是否存在——判断rgb图与depth图数量是否对应相同。ORB_SLAM2::SystemSLAM()初始化，创建SLAM系统，并初始化各个线程。遍历每一对RGB图和depth图【读取RGB图和depth图，读取时间戳（vTimestamps存储了时间戳，实际上就是存储了数据文件的每一幅图像
GFS--Google File System论文翻译和理解不争_900c
一、系统设计目标高可用的大文件分布式文件系统。二、关键点Architecture-架构：有哪些Server，每个Server的功能。Master存储的MetaData的结构。client写数据流程。client读数据流程。启动时Master和ChunkServer的交互。ChunkServer发生故障时，Master和ChunkServer的交互。三、核心设计概述2.Master中存储的MetaD
翻译 5765f3fa240e
对于论文翻译，大家要极其重视阅读平行文本和查资料的重要性。我平时经常做论文翻译和润色，每一次都是如履薄冰。需要阅读核心参考文献，查资料消除术语，彻底领会论文背后的逻辑。这些都解决了，才轮到运用语言基本功。假如大家接论文翻译，请认真对待查资料和阅读平行文本这两件事，如果做不到，暂时不要接论文翻译。
BERT论文翻译 TheHonestBob NLP 自然语言处理
一、写在前面在Transformer和BERT大行其道的时代，搞懂这两种基础模型结构很有必要，在网上没有搜索到满意的论文翻译结果，最近刚好有时间，把BERT的论文在个人英语水平基础上最大程度的保留原作者的本意翻译一遍，如有翻译不到位的地方请各位指出，觉得不错的点个赞鼓励一下，Tansformer的论文我之前已经翻译了，可以查看我的这篇博客attentionisallyouneed论文翻译。查看be
ImageNet Classification with Deep Convolutional Neural Networks论文翻译——中英文对照 SnailTyan 深度学习 Deep Learnig
文章作者：Tyan博客：noahsnail.com|CSDN|简书翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translationImageNetClassificationwithDeepConvolutionalNeuralNetworksAbstractWetrainedalarge,deepconvolutionaln
2021-02-05 碰撞检测GJK算法详解（初学者慎入） MathPhilosophy
碰撞检测有2个经典算法，一个是分离轴算法SAT,还有一个就是本文要介绍的GJK，GJK是三个人的名字首写大字母；这个算法的数学推导有点复杂，目前网上只有这篇https://blog.csdn.net/u010016421/article/details/104788769/相对比较详细的介绍了算法，其主要也是参考原始论文翻译的；考虑到原始论文比较难读，博主特地专门写一篇文章介绍，博主的这篇文章会必
YoloV8改进策略：BackBone改进|DCNv4最新实践|高效涨点|多种改进教程|完整论文翻译静静AI学堂 YOLO
摘要涨点效果：在我自己的数据集上，mAP50由0.986涨到了0.993，mAP50-95由0.737涨到0.77，涨点明显！DCNv4是可变形卷积的第四版，速度和v3相比有了大幅度的提升，但是环境搭建有一定的难度，对新手不太友好。如果在使用过程遇到编译的问题，请严格按照我写的环境配置。论文：《DCNv4：对视觉应用的动态和稀疏算子的重新思考》https://arxiv.org/pdf/2401.
论文翻译 SVSGAN: Singing Voice Separation Via Generative Adversarial Network 夏HL
文章主要是将混合音频的声谱作为输入，人声,bgm的声谱作为标签，通过GAN来完成近似过程，生成器最后一层用的output_voice=[z_voice/(z_voice+z_bgm)]*x,output_bgm=[z_bgm/(z_voice+z_bgm)]*x而且文章中的生成器是经过预先训练后的。我在MKR-100上用SVSGAN时难以训练(以后换成wgan)。0.摘要从混合音频中分离出两种来源
ALOHA论文翻译：Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware baidu_huihui 精细双手操作低成本硬件
学习用低成本硬件进行精细双手操作MobileALOHA论文翻译：LearningFine-GrainedBimanualManipulationwithLow-CostHardware论文翻译@[TOC]在这里插入图片描述图1：ALOHA：一种用于双手远程操作的低成本开源硬件系统。整个系统使用现成的机器人和3D打印组件，总成本不到20,000美元。左图：用户通过反向驱动领导机器人进行远程操作，从而
手把手教你用GPT写提示词；进行文献综述；论文翻译/润色及写作 asyxchenchong888 gpt4 GPT gpt chatgpt 人工智能 python
2023年随着OpenAI开发者大会的召开，最重磅更新当属GPTs，多模态API，未来自定义专属的GPT。微软创始人比尔盖茨称ChatGPT的出现有着重大历史意义，不亚于互联网和个人电脑的问世。360创始人周鸿祎认为未来各行各业如果不能搭上这班车，就有可能被淘汰在这个数字化时代，如何能高效地处理文本、文献查阅、PPT编辑、编程、绘图和论文写作已经成为您成功的关键。而ChatGPT，作为一种强大的自
【Linux系统下论文翻译软件Zotero】 Dymc 安装笔记 linux 服务器论文翻译软件
Linux系统下论文翻译软件Zotero1下载安装包2建立快捷方式3插件安装4翻译插件出现报错1下载安装包Linux系统下的论文翻译软件Zotero，下载地址：https://www.zotero.org/download/2建立快捷方式解压后，创建快捷方式，即创建软链接：sudomkdir/opt/zoterosudomvZotero_linux-x86_64/*/opt/zotero/cd/o
KGCapsAN论文翻译毕一
摘要：基于方面(方面级)的情感分析是在细粒度情感分析中非常重要的子任务，旨在自动推断出某一方面在其上下文中的情绪。之前的研究已经表明，利用注意力为基础的方法可以有效地提高基于方面的情感分析的精度。尽管有了卓越的进步,基于方面的情绪分析现实中几个方面挑战。(1)目前基于注意力的方法可能会导致某一方面的注意力不正确地集中在与句法无关的词上。(2)传统的方法无法将情感与特殊的句子结构区分开来，如双重否定
记你我的第一次相遇易美编校
Hi大家好！今天是易美编校在与你们的第一次相遇，让我想到了白落梅的《世间所有的相遇都是久别重逢》,人和人的缘分真的很深，可以维系千年，任凭风尘起落，情怀不改。人和人的缘分真的很浅，只不过是相逢刹那，转身便成了永远的陌路。不知道你我之间将会有怎样的一个开始？先做个自我介绍吧，Emate易美编校是北京龙华全科教育科技有限公司旗下学术服务品牌，旨在为非英语国家的科学家提供专业化的论文翻译、润色、修改及其
基于ChatGPT的代码解释神器：GPT Academic、GitHub Copilot 码上出奇迹 chatgpt gpt github
（个人推荐使用第二个GitHubCopilot）1.GPT学术优化(GPTAcademic)工具简介GPTAcademic是什么为ChatGPT/GLM提供实用化交互界面，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm2等本地模型。兼容文
推荐几个将pdf论文翻译转化为中文论文的免费在线网站 Wency(王斯-CUEB) 经验分享
如果你需要将英文PDF研究论文翻译成中文，有几个网站可以帮助你：OnlineDocTranslator【传送门】这项免费服务允许您上传PDF并将其翻译成中文。它支持包括PDF在内的多种文档格式，并保持文档的原始布局。GroupDocs【传送门】这个在线工具提供免费的PDF文档从英文到中文的翻译。它是一个基于浏览器的应用程序，因此不需要安装软件。请注意，PDF文档的字符限制为10,000个字符。Do
关于大论文的格式、排版、配色技巧汇总 Mist_Orz 论文写作论文写作
文章目录关于公式的编号和引用关于引用关于图标的配色ChatGPT为论文翻译加润色关于使用EndNote为论文添加参考文献时中英文“等”与“et.al”的问题如题❤2023.10.19关于公式的编号和引用在word中为公式编号的方法，使用域→→→Word在数学公式后面自动加序号标注自定义域的名称，并且编辑域名列表【重要】→→→Word中公式自动编号及交叉引用：简单、详细、可用关于引用如何将两个参考文
[论文复现]Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing JUNLONG2
论文翻译连接https://www.jianshu.com/p/b1be6a8a0bf7文章中提到的轮子有：1.在开源BranchyNet和Chainer下，实现了分支模型。2.使用经典AlexNet模型对cifar-10数据集执行图像识别任务。3.设置静态带宽环境，我们使用WonderShaper工具控制可用带宽。4.对于动态带宽环境设置，我们使用比利时4G/LTE带宽记录的数据集来模拟动态带宽
NeRF算法原理总结概述超爱吃小蛋糕的66 深度学习算法深度学习人工智能自动驾驶 NeRF 三维重建
简介本文旨在对NeRF算法进行总结。论文翻译见博客：《NeRF算法论文解析与翻译》参考链接：神经网络辐射场NeRF、实时NeRFBaking、有向距离场SDF、占用网络Occupancy、NeRF自动驾驶NeRF详解NeRF入门之体渲染(VolumeRendering)NeRF中的位置编码1.算法概述整体上NeRF干了这么一件事，输入一组静态场景的连续RGB图像和每帧图像对应的位姿，基于体渲染技术
论文阅读：《Few-Shot Unsupervised Image-to-Image Translation》 LiBiscuit
十二月了时间过得太快2020过得太快又太慢忙里偷闲的十二月有太多值得期待攒了好久终于来更新了论文名称：《Few-ShotUnsupervisedImage-to-ImageTranslation》论文地址：https://arxiv.org/abs/1905.01723论文翻译：https://blog.csdn.net/a312863063/article/details/90728788论文阅
ViewController添加button按钮解析。（翻译）张亚雄 c
<div class="it610-blog-content-contain" style="font-size: 14px"></div>// ViewController.m // Reservation software // // Created by 张亚雄 on 15/6/2.
mongoDB 简单的增删改查开窍的石头 mongodb
在上一篇文章中我们已经讲了mongodb怎么安装和数据库/表的创建。在这里我们讲mongoDB的数据库操作在mongo中对于不存在的表当你用db.表名他会自动统计下边用到的user是表明，db代表的是数据库添加(insert):
log4j配置 0624chenhong log4j
1) 新建java项目 2) 导入jar包，项目右击，properties—java build path—libraries—Add External jar，加入log4j.jar包。 3) 新建一个类com.hand.Log4jTest package com.hand; import org.apache.log4j.Logger; public class
多点触摸(图片缩放为例) 不懂事的小屁孩多点触摸
多点触摸的事件跟单点是大同小异的，上个图片缩放的代码，供大家参考一下 import android.app.Activity; import android.os.Bundle; import android.view.MotionEvent; import android.view.View; import android.view.View.OnTouchListener
有关浏览器窗口宽度高度几个值的解析换个号韩国红果果 JavaScript html
1 元素的 offsetWidth 包括border padding content 整体的宽度。 clientWidth 只包括内容区 padding 不包括border。 clientLeft = offsetWidth -clientWidth 即这个元素border的值 offsetLeft 若无已定位的包裹元素
数据库产品巡礼：IBM DB2概览蓝儿唯美 db2
IBM DB2是一个支持了NoSQL功能的关系数据库管理系统，其包含了对XML，图像存储和Java脚本对象表示（JSON）的支持。DB2可被各种类型的企业使用，它提供了一个数据平台，同时支持事务和分析操作，通过提供持续的数据流来保持事务工作流和分析操作的高效性。 DB2支持的操作系统 DB2可应用于以下三个主要的平台: 工作站，DB2可在Linus、Unix、Windo
java笔记5 a-john java
控制执行流程： 1，true和false 利用条件表达式的真或假来决定执行路径。例：（a==b）。它利用条件操作符“==”来判断a值是否等于b值，返回true或false。java不允许我们将一个数字作为布尔值使用，虽然这在C和C++里是允许的。如果想在布尔测试中使用一个非布尔值，那么首先必须用一个条件表达式将其转化成布尔值，例如if(a!=0)。 2，if-els
Web开发常用手册汇总 aijuans PHP
一门技术，如果没有好的参考手册指导,很难普及大众。这其实就是为什么很多技术，非常好，却得不到普遍运用的原因。正如我们学习一门技术，过程大概是这个样子： ①我们日常工作中，遇到了问题，困难。寻找解决方案，即寻找新的技术； ②为什么要学习这门技术？这门技术是不是很好的解决了我们遇到的难题，困惑。这个问题，非常重要，我们不是为了学习技术而学习技术，而是为了更好的处理我们遇到的问题，才需要学习新的
今天帮助人解决的一个sql问题 asialee sql
今天有个人问了一个问题，如下： type AD value A
意图对象传递数据百合不是茶 android 意图Intent Bundle对象数据的传递
学习意图将数据传递给目标活动; 初学者需要好好研究的 1,将下面的代码添加到main.xml中 <?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http:/
oracle查询锁表解锁语句 bijian1013 oracle object session kill
一.查询锁定的表如下语句，都可以查询锁定的表语句一： select a.sid, a.serial#, p.spid, c.object_name, b.session_id, b.oracle_username, b.os_user_name from v$process p, v$s
mac osx 10.10 下安装 mysql 5.6 二进制文件［tar.gz］征客丶 mysql osx
场景：在 mac osx 10.10 下安装 mysql 5.6 的二进制文件。环境：mac osx 10.10、mysql 5.6 的二进制文件步骤：[所有目录请从根“/”目录开始取，以免层级弄错导致找不到目录] 1、下载 mysql 5.6 的二进制文件，下载目录下面称之为 mysql5.6SourceDir；下载地址：http://dev.mysql.com/downl
分布式系统与框架 bit1129 分布式
RPC框架 Dubbo 什么是Dubbo Dubbo是一个分布式服务框架，致力于提供高性能和透明化的RPC远程服务调用方案，以及SOA服务治理方案。其核心部分包含: 远程通讯: 提供对多种基于长连接的NIO框架抽象封装，包括多种线程模型，序列化，以及“请求-响应”模式的信息交换方式。集群容错: 提供基于接
那些令人蛋痛的专业术语白糖_ spring Web SSO IOC
spring 【控制反转(IOC)/依赖注入(DI)】：由容器控制程序之间的关系，而非传统实现中，由程序代码直接操控。这也就是所谓“控制反转”的概念所在：控制权由应用代码中转到了外部容器，控制权的转移，是所谓反转。简单的说：对象的创建又容器(比如spring容器)来执行，程序里不直接new对象。 Web 【单点登录(SSO)】：SSO的定义是在多个应用系统中，用户
《给大忙人看的java8》摘抄 braveCS java8
函数式接口：只包含一个抽象方法的接口 lambda表达式：是一段可以传递的代码你最好将一个lambda表达式想象成一个函数，而不是一个对象，并记住它可以被转换为一个函数式接口。事实上，函数式接口的转换是你在Java中使用lambda表达式能做的唯一一件事。方法引用：又是要传递给其他代码的操作已经有实现的方法了，这时可以使
编程之美-计算字符串的相似度 bylijinnan java 算法编程之美
public class StringDistance { /** * 编程之美计算字符串的相似度 * 我们定义一套操作方法来把两个不相同的字符串变得相同，具体的操作方法为： * 1.修改一个字符（如把“a”替换为“b”）; * 2.增加一个字符（如把“abdd”变为“aebdd”）; * 3.删除一个字符（如把“travelling”变为“trav
上传、下载压缩图片 chengxuyuancsdn 下载
/** * * @param uploadImage --本地路径(tomacat路径) * @param serverDir --服务器路径 * @param imageType --文件或图片类型 * 此方法可以上传文件或图片.txt,.jpg,.gif等 */ public void upload(String uploadImage,Str
bellman-ford(贝尔曼-福特)算法 comsci 算法 F#
Bellman-Ford算法(根据发明者 Richard Bellman 和 Lester Ford 命名)是求解单源最短路径问题的一种算法。单源点的最短路径问题是指：给定一个加权有向图G和源点s，对于图G中的任意一点v，求从s到v的最短路径。有时候这种算法也被称为 Moore-Bellman-Ford 算法，因为 Edward F. Moore zu 也为这个算法的发展做出了贡献。与迪科
oracle ASM中ASM_POWER_LIMIT参数 daizj ASM oracle ASM_POWER_LIMIT 磁盘平衡
ASM_POWER_LIMIT 该初始化参数用于指定ASM例程平衡磁盘所用的最大权值，其数值范围为0~11，默认值为1。该初始化参数是动态参数，可以使用ALTER SESSION或ALTER SYSTEM命令进行修改。示例如下： SQL>ALTER SESSION SET Asm_power_limit=2;
高级排序:快速排序 dieslrae 快速排序
public void quickSort(int[] array){ this.quickSort(array, 0, array.length - 1); } public void quickSort(int[] array,int left,int right){ if(right - left <= 0
C语言学习六指针_何谓变量的地址一个指针变量到底占几个字节 dcj3sjt126com C语言
# include <stdio.h> int main(void) { /* 1、一个变量的地址只用第一个字节表示 2、虽然他只使用了第一个字节表示，但是他本身指针变量类型就可以确定出他指向的指针变量占几个字节了 3、他都只存了第一个字节地址，为什么只需要存一个字节的地址，却占了4个字节，虽然只有一个字节，但是这些字节比较多，所以编号就比较大，
phpize使用方法 dcj3sjt126com PHP
phpize是用来扩展php扩展模块的，通过phpize可以建立php的外挂模块,下面介绍一个它的使用方法,需要的朋友可以参考下安装（fastcgi模式）的时候，常常有这样一句命令：代码如下: /usr/local/webserver/php/bin/phpize 一、phpize是干嘛的？ phpize是什么？ phpize是用来扩展php扩展模块的，通过phpi
Java虚拟机学习 - 对象引用强度 shuizhaosi888 JAVA虚拟机
本文原文链接：http://blog.csdn.net/java2000_wl/article/details/8090276 转载请注明出处！无论是通过计数算法判断对象的引用数量，还是通过根搜索算法判断对象引用链是否可达，判定对象是否存活都与“引用”相关。引用主要分为：强引用(Strong Reference)、软引用(Soft Reference)、弱引用(Wea
.NET Framework 3.5 Service Pack 1（完整软件包）下载地址 happyqing .net 下载 framework
Microsoft .NET Framework 3.5 Service Pack 1（完整软件包） http://www.microsoft.com/zh-cn/download/details.aspx?id=25150 Microsoft .NET Framework 3.5 Service Pack 1 是一个累积更新，包含很多基于 .NET Framewo
JAVA定时器的使用 jingjing0907 java timer 线程定时器
1、在应用开发中，经常需要一些周期性的操作，比如每5分钟执行某一操作等。对于这样的操作最方便、高效的实现方式就是使用java.util.Timer工具类。 privatejava.util.Timer timer; timer = newTimer(true); timer.schedule( newjava.util.TimerTask() { public void run()
Webbench 流浪鱼 webbench
首页下载地址 http://home.tiscali.cz/~cz210552/webbench.html Webbench是知名的网站压力测试工具，它是由Lionbridge公司（http://www.lionbridge.com）开发。 Webbench能测试处在相同硬件上，不同服务的性能以及不同硬件上同一个服务的运行状况。webbench的标准测试可以向我们展示服务器的两项内容：每秒钟相
第11章动画效果（中） onestopweb 动画
index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
windows下制作bat启动脚本. sanyecao2314 java cmd 脚本 bat
java -classpath C:\dwjj\commons-dbcp.jar;C:\dwjj\commons-pool.jar;C:\dwjj\log4j-1.2.16.jar;C:\dwjj\poi-3.9-20121203.jar;C:\dwjj\sqljdbc4.jar;C:\dwjj\voucherimp.jar com.citsamex.core.startup.MainStart
Java进行RSA加解密的例子 tomcat_oracle java
加密是保证数据安全的手段之一。加密是将纯文本数据转换为难以理解的密文；解密是将密文转换回纯文本。　　数据的加解密属于密码学的范畴。通常，加密和解密都需要使用一些秘密信息，这些秘密信息叫做密钥，将纯文本转为密文或者转回的时候都要用到这些密钥。　　对称加密指的是发送者和接收者共用同一个密钥的加解密方法。　　非对称加密(又称公钥加密)指的是需要一个私有密钥一个公开密钥，两个不同的密钥的
Android_ViewStub 阿尔萨斯 ViewStub
public final class ViewStub extends View java.lang.Object android.view.View android.view.ViewStub 类摘要： ViewStub 是一个隐藏的，不占用内存空间的视图对象，它可以在运行时延迟加载布局资源文件。当 ViewSt