Python语言；代码包括有原始图像确定ROI；对前方道路的透视变换；边缘检测（采用sobel采用 x 方向的索贝尔算子）;在RGB色彩空间中对黄白两种颜色进行过滤从而提取出车道线的像素；HLS阈值化处理；组合梯度和色彩过滤车道线像素；滑窗多项式拟合车道线；拟合曲线使用透视变换还原到原视角。

基于机器视觉的高精度同轴度图像检测系统讲解

在相机位姿估计的实际应用中，参考点的坐标数据不可避免地包含了测量误差，其量值大小通常不会完全一致，如果不区别测量误差直接进行相机位姿估计，将可能导致估计结果与真值相差甚远。为此，在广泛应用的正交迭代算法基础上，提出了相机位姿估计的加权正交迭代算法，该方法以加权共线误差为目标函数，根据像面重投影误差确定权重系数取值，优化相机位姿估计结果，具有精度高、稳健性好等优点，且满足全局收敛条件。数值仿真实验与风洞迎角实验的结果表明，本文算法更加有效，能够抑制不同程度测量误差对相机位姿估计结果的影响，所得结果明显优于正交迭代算法，具有较强的工程实用价值。

三维点云手眼标定（眼在手上和眼在手外），资源包括了三维点云眼在手上和眼在手外场景的标定Halcon代码。 可应用于三维点云建立线激光与机器人关系求解，应用场景可能会用于无序抓取和鞋点胶之前建立线激光与机器人坐标。 适用于刚接触三维，刚接触HALCON,对三维手眼标定不了解的视觉爱好者，可参考学习，应用于项目实战中。 里面也包含了欧拉角求解，对这块求解有疑惑的也可参考。 可参考我之前标定过程画的流程图标定。

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

二.国内外研究现状 近年来，国外已开发了一些基于双目视觉的道路车道线检测系统。其中，具有代表性有以下两种。 （1）LOIS系统：利用一种可变形的模板技术将道路曲率以及车辆在车道中的位置的确定转化为多维参数空间的最优化问题； （2）GOLD系统：采用双目立体视觉技术，利用定位道路表面油漆上的具有结构特征的道路标识来检测车道线，

机器视觉Halcon投影变换 *关闭当前显示窗口，清空屏幕 dev_close_window () *读取测试图像 read_image (Image_display, 'data/display.jpg') *将图像转化为灰度图像 rgb1_to_gray (Image_display, GrayImage) *获取图像的尺寸 get_image_size(Image_display,imageWidth, imageHeight) *新建显示窗口，适应图像尺寸 dev_open_window (0, 0, imageWidth, imageHeight, 'black', WindowHandle1) dev_display (GrayImage) *初始化角点坐标 XCoordCorners := [] YCoordCorners := [] *阈值处理，提取较暗的区域 threshold(GrayImage,DarkRegion,0, 80)

前言 本科期间学习过C语言，拿到了计算机二级证书，此外主要自学MATLAB和Python进行深度学习相关的编程。一直以为C++和C#与C语言大同小异，没有重视，在学校的项目需要用C++进行编程，并且甲方点名界面要用Qt做，觉得MFC太难看。也罢，近乎于从0开始，趁着新肺，在家自学C++与Qt，借此记录，欢迎大家交流。 一、开发环境 1、Windows 10 64位； 2、Qt 5.8.0（MINGW编译器，利用Qt Creator而不是宇宙最强IDE——vs）； 3、OpenCV 3.2.0 二、环境配置 参考的是：拜小白教你Qt5.8.0+OpenCV3.2.0配置教程(详细版) 虽然作者讲

适用于深度学习，机器学习的目标检测。风能是现代社会最重要的可再生能源之一,风能的主要利用形式是风力发电,风机叶片是捕获风能并将其转化为电能的主要部件,由于大多数的风电机组工作环境复杂恶劣,且长期承受交变负荷作用,使得在役风机叶片容易出现故障,从而降低风机发电效率、造成安全生产隐患,因此对风机叶片表面故障进行检测和识别显得尤为重要。2003年中国风电进入开始快速发展阶段，2018年中国风电容量赶超美国，成为全球第一，然而，我国早期投建的风机已逐步进入中老年。风机叶片在运行过程中，受台风，雷电，冰雪，盐雾等恶劣天气影响，加上长期使用工程中受到的交变载荷的作用，容易出现裂纹，砂眼，分层，脱粘等损伤，所以需要长期的巡检，探测外表缺陷，损害，并进行长期的运营保养。为解决风机运维成本高，检测效率低，缺陷识别难等

ORB-SLAM2安装指南，具体可参见博客中的详细介绍，按照步骤安装，可在Ubuntu14.04中运行ORB-SLAM2算法。