特征識(shí)別
關(guān)注創(chuàng)建者：段譽(yù) 創(chuàng)建時(shí)間：2019-05-07
特征識(shí)別的視頻教程
卡爾曼濾波和MATLAB程序詳解視頻算法與實(shí)時(shí)技術(shù)信號(hào)處理
及誤差協(xié)方差矩陣P的作用分析及離線處理（21分鐘，有程序） 18、KF11_卡爾曼濾波論文寫作需要的幾個(gè)數(shù)量指標(biāo)及進(jìn)一步擴(kuò)展（17分鐘） 第五章 ?卡爾曼濾波在定位和視頻跟蹤與估計(jì)實(shí)際信號(hào)等方面的應(yīng)用 19、KF12_基于卡爾曼濾波方法分析簡(jiǎn)化的GPS定位問(wèn)題（42分鐘，有程序） 20、KF13_1KF方法分析自由下落球體視頻圖像問(wèn)題的系統(tǒng)模型（33分鐘） 21、KF13_2視頻圖像的球體特征識(shí)別方法與
￥238 29小時(shí)24分鐘 2421播放
查看
循環(huán)神經(jīng)網(wǎng)絡(luò)RNN算法與MATLAB程序詳解視頻
主要內(nèi)容包括：視頻課程內(nèi)容介紹及慎拍不拍說(shuō)明與參考文獻(xiàn)，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)算法基本概念、理論及實(shí)例步驟，原始流行程序RNN.m詳解及可加可改問(wèn)題，改進(jìn)自適應(yīng)學(xué)習(xí)率RAdam與新優(yōu)RNN程序詳解，新優(yōu)RNN程序可改建議及不同學(xué)習(xí)率對(duì)比與通用模板，股票預(yù)測(cè)問(wèn)題用RNN求解與RNN函數(shù)關(guān)系式寫法，RNN算法對(duì)意大利葡萄酒特征數(shù)據(jù)進(jìn)行識(shí)別分類及圖像識(shí)別分類。全部提供MATLAB代碼程序和PPT課件。
￥178 31分鐘 501播放
查看
MeshWorks參數(shù)優(yōu)化教程
5.無(wú)需設(shè)置參數(shù)，可自動(dòng)識(shí)別特征并創(chuàng)建參數(shù)。
免費(fèi) 4小時(shí)22分鐘 20播放
查看
特征識(shí)別的實(shí)例教程
海克斯康工業(yè)軟件ESPRIT EDGE具備強(qiáng)大的車銑復(fù)合加工編程功能，其車削特征識(shí)別功能尤為出色。該功能可基于模型形狀，一鍵自動(dòng)識(shí)別并生成零件的前端面、后端面車削，內(nèi)圓、外圓車削，以及內(nèi)外圓槽車削等全部加工特征（如圖示1）。更高效的是，ESPRIT EDGE還能根據(jù)零件類型自動(dòng)為這些特征命名，用戶可直接選用軟件生成的加工特征，快速創(chuàng)建車削刀具路徑。這一功能顯著減少了手動(dòng)特征歸類及重命名的時(shí)間，大幅提升了編程效率。
圖示1
ESRPIT EDGE
操作步驟
01
選擇車削零件的實(shí)體模型或者單獨(dú)需要車削的一組面，然后在軟件的特征創(chuàng)建工具欄中單擊 “車削特征”功能。
02
根據(jù)軟件的操作提示，選擇加工零件的車削軸。
03
在彈出的參數(shù)對(duì)話框界面中，按實(shí)際的加工需求選擇加工類型，加工側(cè)向及輪廓類型。比如：用戶只想對(duì)主軸端進(jìn)行車削操作，可以將加工側(cè)向的副軸圖標(biāo)點(diǎn)暗。
04
如果用戶需要對(duì)加工特征的開(kāi)始和結(jié)束位置進(jìn)行調(diào)整，可以在加工區(qū)域的特征位置列表右鍵單擊需要調(diào)整的位置點(diǎn)，然后選擇“拾取新位置”按鈕并在圖形區(qū)域選擇相應(yīng)的點(diǎn)即可，并單擊左上角的 “確定”圖標(biāo)完成特征的創(chuàng)建。
05
ESPRIT EDGE 車削特征識(shí)別與ESPRIT 20XX版的車削輪廓功能類似，但是軟件界面更加簡(jiǎn)潔直觀，特征識(shí)別的準(zhǔn)確率更高。ESPRIT EDGE能夠在創(chuàng)建特征之前預(yù)覽特征，并可以在創(chuàng)建特征之前對(duì)特征進(jìn)行直接修改，避免不必要的二次修改。更重要的一點(diǎn)是，使用車削特征識(shí)別創(chuàng)建的特征自帶加工類型屬性，從而不需要在車削加工參數(shù)中通過(guò)手動(dòng)來(lái)設(shè)置加工類型，極大的提高了編程效率，避免了用戶因加工類型設(shè)置錯(cuò)誤而無(wú)法創(chuàng)建車削刀具路徑。
展開(kāi) 二、SNN-KWS/ASR特征工程
將SNN應(yīng)用于語(yǔ)音喚醒（Keyword Spotting, KWS）[1]甚或語(yǔ)音識(shí)別（Automatic Speech Recognition, ASR）[2]，首要問(wèn)題即是如何將語(yǔ)音，或更廣一點(diǎn)，音頻轉(zhuǎn)換為神經(jīng)脈沖序列（后文將這種轉(zhuǎn)換簡(jiǎn)稱為Audio2Spike），它隸屬SNN在音頻領(lǐng)域的特征工程，決定了SNN-KWS/ASR的性能上限。
（1）物理模型
文獻(xiàn)[1]中SNN-KWS使用的Audio2Spike轉(zhuǎn)換方法見(jiàn)文獻(xiàn)[3]，后者還附帶了Github代碼（以Python單元測(cè)試框架Unittest寫就）。該轉(zhuǎn)換方法對(duì)音頻至脈沖的生物過(guò)程建立物理模型，考慮了鼓管、前庭管、蝸孔、卵圓窗、圓窗的流體動(dòng)力學(xué)基底模型，將音頻（聲壓）數(shù)據(jù)轉(zhuǎn)化為基底膜在不同位置的運(yùn)動(dòng)速度數(shù)據(jù)，再由考慮了離子傳輸機(jī)制的毛細(xì)胞模型將運(yùn)動(dòng)速度數(shù)據(jù)轉(zhuǎn)換為神經(jīng)脈沖，最后由泄露積分發(fā)射（Leaky Integrate-and-Fire, LIF）神經(jīng)元模型完成鎖相。
注1：基底膜在耳蝸底窄而剛（對(duì)高頻響應(yīng)好），在耳蝸?lái)攲挾幔▽?duì)低頻響應(yīng)好），此特性決定耳蝸實(shí)際上是一個(gè)分頻器，耳蝸各處毛細(xì)胞對(duì)不同頻率響應(yīng)能力不同，連接毛細(xì)胞的神經(jīng)纖維形成螺旋神經(jīng)節(jié)后有序地將音調(diào)拓?fù)溆诚瘢═onotopic map）轉(zhuǎn)繼到腦干中的耳蝸核。
注2：鎖相（Phase locking）是指毛細(xì)胞發(fā)射的神經(jīng)脈沖間隔，是該處最佳響應(yīng)頻率周期的整數(shù)倍，或說(shuō)，毛細(xì)胞發(fā)射神經(jīng)脈沖的時(shí)刻，對(duì)應(yīng)聲波某個(gè)特定相位。由于動(dòng)作點(diǎn)位啟動(dòng)后存在不應(yīng)期，持續(xù)約0.1~1ms，所以鎖相現(xiàn)象一般存在于1kHz以下的聲波（否則上一個(gè)脈沖還沒(méi)結(jié)束，下一個(gè)還未能發(fā)射）。
展開(kāi) 框架由一個(gè)特征面屬性向量、一個(gè)特征面拓?fù)渑c幾何關(guān)系矩陣、若干特征截面屬性約束以及若干特征幾何參數(shù)約束組成。特征面屬性向量用于定義特征的構(gòu)成組件以及組件的排列順序，并規(guī)定各個(gè)組件中特征面的數(shù)目和屬性。特征面拓?fù)渑c幾何關(guān)系矩陣用于定義各特征組件之間以及組件內(nèi)各特征面之間必須滿足的拓?fù)渑c幾何關(guān)系約束。特征截面屬性約束用于定義特征截面的屬性須滿足的約束。特征幾何參數(shù)約束用于定義特征幾何參數(shù)須滿足的約束。用戶可以按照特征定義框架的規(guī)范定義自己所需的形狀特征，且自定義特征能被統(tǒng)一的特征識(shí)別算法識(shí)別。特征識(shí)別過(guò)程主要有零件面屬性分析、特征實(shí)例構(gòu)造和特征實(shí)例有效性檢查三步。零件面屬性分析的目的在于從所有零件表面中篩取出各特征組件的潛在構(gòu)成面，這些面滿足各組件的特征面屬性約束和單張面的幾何參數(shù)約束。然后依據(jù)特征面拓?fù)渑c幾何關(guān)系矩陣以及特征幾何參數(shù)約束，利用特征組件的潛在構(gòu)成面構(gòu)造特征實(shí)例。最后檢查各特征實(shí)例是否滿足全部特征截面屬性約束，只有符合全部約束的特征實(shí)例才是有效的特征實(shí)例。
飛機(jī)及其工裝零件上的絕大多數(shù)形狀特征都能采用上述特征定義框架進(jìn)行定義并能被統(tǒng)一的特征識(shí)別算法所識(shí)別，但是飛機(jī)結(jié)構(gòu)件輪廓面這類檢測(cè)特征是一個(gè)例外。這是因?yàn)檩喞娌淮嬖趨^(qū)別于一般零件表面的專屬幾何與拓?fù)鋵傩裕喞嬷g也沒(méi)有特定的幾何與拓?fù)潢P(guān)系，而且不同的零件具有不同形狀的輪廓。因此針對(duì)飛機(jī)結(jié)構(gòu)件輪廓面識(shí)別，我們提出了模擬滾動(dòng)法。首先在零件體外部設(shè)置一根豎直的且無(wú)限長(zhǎng)的旋轉(zhuǎn)滾柱，滾柱在零件引力的作用下逐漸移動(dòng)到與零件輪廓接觸的位置。然后在零件引力、與零件輪廓接觸產(chǎn)生的壓力以及滾柱旋轉(zhuǎn)產(chǎn)生的摩擦力的合力作用下，滾柱沿著零件輪廓滾動(dòng)。在此過(guò)程中，若一個(gè)零件表面與滾柱有接觸，則該表面為潛在的輪廓面。最后根據(jù)工程實(shí)際需求從潛在輪廓面中自動(dòng)篩選出實(shí)際所需的輪廓面，從而完成輪廓面識(shí)別。
展開(kāi) 框架由一個(gè)特征面屬性向量、一個(gè)特征面拓?fù)渑c幾何關(guān)系矩陣、若干特征截面屬性約束以及若干特征幾何參數(shù)約束組成。特征面屬性向量用于定義特征的構(gòu)成組件以及組件的排列順序，并規(guī)定各個(gè)組件中特征面的數(shù)目和屬性。特征面拓?fù)渑c幾何關(guān)系矩陣用于定義各特征組件之間以及組件內(nèi)各特征面之間必須滿足的拓?fù)渑c幾何關(guān)系約束。特征截面屬性約束用于定義特征截面的屬性須滿足的約束。特征幾何參數(shù)約束用于定義特征幾何參數(shù)須滿足的約束。用戶可以按照特征定義框架的規(guī)范定義自己所需的形狀特征，且自定義特征能被統(tǒng)一的特征識(shí)別算法識(shí)別。特征識(shí)別過(guò)程主要有零件面屬性分析、特征實(shí)例構(gòu)造和特征實(shí)例有效性檢查三步。零件面屬性分析的目的在于從所有零件表面中篩取出各特征組件的潛在構(gòu)成面，這些面滿足各組件的特征面屬性約束和單張面的幾何參數(shù)約束。然后依據(jù)特征面拓?fù)渑c幾何關(guān)系矩陣以及特征幾何參數(shù)約束，利用特征組件的潛在構(gòu)成面構(gòu)造特征實(shí)例。最后檢查各特征實(shí)例是否滿足全部特征截面屬性約束，只有符合全部約束的特征實(shí)例才是有效的特征實(shí)例。
飛機(jī)及其工裝零件上的絕大多數(shù)形狀特征都能采用上述特征定義框架進(jìn)行定義并能被統(tǒng)一的特征識(shí)別算法所識(shí)別，但是飛機(jī)結(jié)構(gòu)件輪廓面這類檢測(cè)特征是一個(gè)例外。這是因?yàn)檩喞娌淮嬖趨^(qū)別于一般零件表面的專屬幾何與拓?fù)鋵傩裕喞嬷g也沒(méi)有特定的幾何與拓?fù)潢P(guān)系，而且不同的零件具有不同形狀的輪廓。因此針對(duì)飛機(jī)結(jié)構(gòu)件輪廓面識(shí)別，我們提出了模擬滾動(dòng)法。首先在零件體外部設(shè)置一根豎直的且無(wú)限長(zhǎng)的旋轉(zhuǎn)滾柱，滾柱在零件引力的作用下逐漸移動(dòng)到與零件輪廓接觸的位置。然后在零件引力、與零件輪廓接觸產(chǎn)生的壓力以及滾柱旋轉(zhuǎn)產(chǎn)生的摩擦力的合力作用下，滾柱沿著零件輪廓滾動(dòng)。在此過(guò)程中，若一個(gè)零件表面與滾柱有接觸，則該表面為潛在的輪廓面。最后根據(jù)工程實(shí)際需求從潛在輪廓面中自動(dòng)篩選出實(shí)際所需的輪廓面，從而完成輪廓面識(shí)別。
展開(kāi) 經(jīng)緯恒潤(rùn)音樂(lè)律動(dòng)氛圍燈效果實(shí)拍
產(chǎn)品亮點(diǎn)
經(jīng)緯恒潤(rùn)音樂(lè)律動(dòng)氛圍燈具有Real-time(實(shí)時(shí)歌曲特征識(shí)別，支持邊下載、邊播放、邊識(shí)別)和Non-real time（離線歌曲特征識(shí)別）兩種模式。Real-time模式下可對(duì)歌曲進(jìn)行節(jié)奏跟蹤（包含輕重拍檢測(cè)），核心算法包括Onset檢測(cè)算法、實(shí)時(shí)校準(zhǔn)算法、Beat識(shí)別算法，具有節(jié)拍跟蹤穩(wěn)定、準(zhǔn)確率高、算力占用低的特點(diǎn)。Non-real time模式，核心算法包括AI音樂(lè)風(fēng)格分類算法（包括搖滾、流行、古典、鄉(xiāng)村等）和AI音樂(lè)段落劃分算法（前奏、主歌、副歌等）。通過(guò)Real-time和Non-real time音樂(lè)特征識(shí)別，為氛圍燈音樂(lè)律動(dòng)提供了豐富的效果組合，極大地提升了用戶視聽(tīng)享受。
同時(shí)，經(jīng)緯恒潤(rùn)音樂(lè)律動(dòng)氛圍燈還設(shè)置了十分豐富的效果庫(kù)。這可以保證用戶在選擇動(dòng)效時(shí)具有足夠的自由度，在播放歌曲時(shí)也可以對(duì)應(yīng)不同風(fēng)格的歌曲，將動(dòng)效細(xì)分做的更為精細(xì)。同時(shí)，該產(chǎn)品的效果庫(kù)及識(shí)別算法均可通過(guò)OTA系統(tǒng)進(jìn)行更新，能夠?qū)崿F(xiàn)自我豐富成長(zhǎng)。
經(jīng)緯恒潤(rùn)音樂(lè)律動(dòng)氛圍燈效果演示視頻*
*注：氛圍燈產(chǎn)品本身不包含音樂(lè)內(nèi)容，以上視頻僅作音樂(lè)播放時(shí)的效果展示
產(chǎn)品發(fā)展及展望
目前來(lái)看，車載氛圍燈是一個(gè)快速增長(zhǎng)且較為藍(lán)海的產(chǎn)業(yè)，也是一個(gè)伴隨著消費(fèi)升級(jí)而被迫切需要功能改進(jìn)的產(chǎn)品。裝配音樂(lè)律動(dòng)功能的氛圍燈能夠給乘坐者帶來(lái)沉浸式的視聽(tīng)體驗(yàn)，現(xiàn)已被越來(lái)越多的整車廠所看重。
經(jīng)緯恒潤(rùn)的音樂(lè)律動(dòng)氛圍燈產(chǎn)品，能夠精準(zhǔn)識(shí)別用戶需求，將大效果庫(kù)與音樂(lè)律動(dòng)特征識(shí)別算法相結(jié)合，帶來(lái)全新的艙內(nèi)音樂(lè)體驗(yàn)。目前，已成功配套于帝豪、極氪等多款主流車型，獲得多家客戶認(rèn)可。
展開(kāi) 
特征識(shí)別的相關(guān)專題、標(biāo)簽、搜索
特征識(shí)別的最新內(nèi)容
最為關(guān)鍵的是，Bronkhorst引入了先進(jìn)的數(shù)字信號(hào)處理（DSP）算法，我們的智能變送器能夠?qū)崟r(shí)監(jiān)測(cè)輸出信號(hào)的頻率特征，自動(dòng)識(shí)別并過(guò)濾掉由外部振動(dòng)引起的特定頻率噪聲，即使在高頻振動(dòng)環(huán)境下，內(nèi)置的自適應(yīng)濾波器也能迅速鎖定真實(shí)的質(zhì)量流量信號(hào)，確保輸出數(shù)據(jù)的平穩(wěn)與準(zhǔn)確。
操作步驟：
打開(kāi)“工具” → “BatchMesher”
將5個(gè)零件層拖入任務(wù)列表
為每個(gè)部件選擇對(duì)應(yīng)的網(wǎng)格參數(shù)模板（李工預(yù)先創(chuàng)建了“碰撞分析_殼單元”模板，包含上述參數(shù)設(shè)置）
勾選“生成網(wǎng)格后自動(dòng)檢查質(zhì)量”
點(diǎn)擊“開(kāi)始”
功能點(diǎn)：PreSys 2026R1 BatchMesher功能增強(qiáng)，新增特征識(shí)別（孔、圓角、倒角、法蘭等
CMOS圖像傳感器的設(shè)計(jì)2個(gè)月前
配有相應(yīng)數(shù)據(jù)庫(kù)后，可同時(shí)兼顧圖像采集與光譜特征識(shí)別分析功能。
如想了解更多，歡迎加威：threephy
雙峰分布和異常值是影響估值結(jié)果準(zhǔn)確性的兩大重要因素，可通過(guò)直方圖對(duì)其進(jìn)行識(shí)別，這類基礎(chǔ)特征識(shí)別也被稱為基礎(chǔ)統(tǒng)計(jì)分析。
在課程學(xué)習(xí)過(guò)程中，你將接觸到各類實(shí)操細(xì)節(jié)，例如在使用Surpac進(jìn)行任何統(tǒng)計(jì)分析前，需先創(chuàng)建復(fù)合測(cè)線文件。這些細(xì)節(jié)對(duì)整個(gè)實(shí)操流程至關(guān)重要，建議你做好相關(guān)學(xué)習(xí)準(zhǔn)備。
祝你學(xué)習(xí)愉快！
機(jī)器視覺(jué)輔件：
圖像處理系統(tǒng)：光學(xué)文字、識(shí)別系統(tǒng)、自動(dòng)化/機(jī)器人技術(shù)、紅外圖像系統(tǒng)；
機(jī)器視覺(jué)集成：字符處理和識(shí)別系統(tǒng)、自動(dòng)化/機(jī)器人技術(shù)、紅外圖像系統(tǒng)、煙草、印鈔、電子組裝、質(zhì)量檢測(cè)、自動(dòng)識(shí)別（OCR/OCV）、測(cè)量、智能視覺(jué)、表面檢測(cè)、印刷、包裝、復(fù)雜工業(yè)對(duì)象視覺(jué)在線、汽車制造、車牌、智能交通、生物特征識(shí)別、監(jiān)控、醫(yī)療檢測(cè)、光學(xué)檢查等系統(tǒng)。
3DCC的AI輔助自動(dòng)虛擬裝配基于深度學(xué)習(xí)與性能目標(biāo)驅(qū)動(dòng)模型，可識(shí)別結(jié)構(gòu)特征、功能面與裝配次序，自動(dòng)生成具有工程完整性的裝配關(guān)系，為尺寸鏈、公差分配和性能校核提供穩(wěn)定的語(yǔ)義基礎(chǔ)。
這使得復(fù)雜結(jié)構(gòu)的仿真建模不再依賴個(gè)人經(jīng)驗(yàn)，顯著降低了虛擬裝配的專業(yè)門檻，并提高模型一致性與構(gòu)建效率。
引入公差分析后，設(shè)計(jì)團(tuán)隊(duì)可以在試制前完成：關(guān)鍵尺寸鏈及敏感特征識(shí)別、正向與反向公差分配、不同裝配方案與順序的可行性評(píng)估等工作。
也正因如此，國(guó)際頭部車企與電子企業(yè)長(zhǎng)期采用專業(yè)公差軟件，將裝配風(fēng)險(xiǎn)從現(xiàn)場(chǎng)試錯(cuò)前移到模型驅(qū)動(dòng)的設(shè)計(jì)決策中。
3DCC如何幫助企業(yè)提升一次裝配成功率？
圖像、點(diǎn)云、毫米波作為多維度輸入，經(jīng)核心算法模塊 Super MS2N 整合各模態(tài)特征，精準(zhǔn)識(shí)別 3D 目標(biāo)并生成標(biāo)注框，明確目標(biāo)邊界與類別，接著借 “非因果追蹤” 模塊跨幀關(guān)聯(lián)、優(yōu)化軌跡，修正標(biāo)注誤差，最終輸出高精度 GT 數(shù)據(jù)，為 3DGS 場(chǎng)景賦予準(zhǔn)確語(yǔ)義關(guān)聯(lián)。
（2）2D 語(yǔ)義分割：針對(duì)圖像數(shù)據(jù)做語(yǔ)義分割，輸出分割標(biāo)注，輔助 3D 場(chǎng)景的細(xì)節(jié)優(yōu)化。
通過(guò)專家系統(tǒng)、智能特征提取與模式識(shí)別，我們正見(jiàn)證仿真從工程輔助工具，邁向智能設(shè)計(jì)伙伴的轉(zhuǎn)型。
為了支撐這種轉(zhuǎn)型，我們不斷優(yōu)化仿真平臺(tái)的計(jì)算資源結(jié)構(gòu)。Altair “仿真數(shù)據(jù)管理（SPDM）”和“工程知識(shí)中臺(tái)”的建設(shè)思路。
EDGECAM實(shí)體加工模塊可自動(dòng)檢測(cè)實(shí)體模型，快速識(shí)別加工特征，并提供最合適的刀具和加工策略，生成最準(zhǔn)確的刀具路徑。
該公司生產(chǎn)的卡盤、驅(qū)動(dòng)油（氣）缸等采用的是EDGECAM 5 軸編程，EDGECAM 5軸定位加工采用三維立體編程，使用者可以選擇對(duì)應(yīng)的機(jī)床型號(hào)和夾具，實(shí)現(xiàn)直觀的三維可視化編程。這不僅降低了編程難度也減少了出錯(cuò)幾率。
