概念硬球模型硬球模型主要用来模拟库特流、剪切流中颗粒运动比较快的情况下，颗粒之间的碰撞撞击是瞬间发生的（瞬时的），在碰撞的过程中颗粒本身不会产生显著的塑性变形。 所以在硬球模型中，我们只需要考虑来那个颗粒的同时碰撞，不需要同时计算三个以上颗粒之间的碰撞。软球模型软球模型主要用来模拟两个颗粒间的碰撞过程，当然也可以模拟两个以上颗粒的碰撞问题，他们之间的碰撞发生在一段时间范围内，主要是利用牛顿第二定律
转载
2024-07-17 11:23:15
0阅读
1、整体评估 对于待检测的颗粒，其缺陷可分为形状类缺陷和颜色类缺陷两大类。大部分的形状类缺陷都能够检测，颜色类缺陷目前能够检测黑色颗粒带白条的情况。 1）对于形状类缺陷，如果通过厂家配合，在实际检测工位上添加类似震动的机械装置，能够将众多独立的颗粒分开，则所有的形状类缺陷都能够检测。 2）对于颜色类缺陷，后续通过更换合适的颜色打光，实现所有的缺陷检测也不存在太大问题。 需要说明的是，本次实验的对象
概述单颗粒分析是一组相关的计算机图像处理技术，用于分析来自透射电子显微镜（TEM）的图像。 开发这些方法是为了改善和扩展可从颗粒样品（通常是蛋白质或其他大型生物实体，例如病毒）的TEM图像中获得的信息。 染色或未染色颗粒的单个图像噪声很大，故难以解释。 将相似颗粒的多个数字图像组合在一起，就可以得到具有更强更容易解释的特征的图像。 该技术的扩展使用单颗粒方法来构建粒子的三维重构。 利用冷冻电镜首先
转载
2023-11-03 23:25:20
22阅读
【深度学习】-Imdb数据集情感分析之模型对比（3）- CNN前言【深度学习】-Imdb数据集情感分析之模型对比（2）- LSTM【深度学习】-Imdb数据集情感分析之模型对比（1）- RNN对之前内容感兴趣的朋友可以参考上面这两篇文章，接下来我要给大家介绍本篇博客的内容。之前引入的LSTM以及RNN两种模型都是一类有“记忆的”模型，即文本关系型特征模型，为了添加对比，我们引入了另一种文本结构化深
转载
2024-04-08 10:35:39
46阅读
1 典型CNN模型 LeNet，这是最早用于数字识别的CNNAlexNet，2012 ILSVRC比赛远超第2名的CNN，比LeNet更深，用多层小卷积层叠加替换单大卷积层。ZF Net，2013 ILSVRC比赛冠军GoogLeNet，2014 ILSVRC比赛冠军VGGNet，2014 ILSVRC比赛中的模型，图像识别略差于GoogLeNet，但是在很多图像转化学习问题(比如obj
转载
2024-03-28 11:23:37
73阅读
参考：http://x-algo.cn/index.php/2016/12/22/1318/Inception v1目标人类的大脑可以看做是神经元的重复堆积，Inception网络存在的原因就是想找构造一种「基础神经元」结构。人类的神经元之间链接往往是稀疏链接，所以就是寻找「稀疏网络」的稠密表示，并希望这个稠密网络在效果上可以「接近」甚至「超越」稀疏链接的网络。1x1卷积层对特征降维，一方面可以解
转载
2024-03-12 16:22:47
75阅读
这篇博客介绍的是深度神经网络中常用在图像处理的模型——卷积神经网络（CNN），CNN在图像分类中（如kaggle的猫狗大战）大显身手。这篇博客将带你了解图像在计算机中是如何存储的，什么是卷积，卷积神经网络的四个重要环节（局部感知、参数共享、多卷积核、池化），不会涉及复杂的公式。计算机是怎么存储图片的为了更好的理解计算机对图片的存储，我找了一个非常简单的图片，是一个385*385（像素）的jpg格式
转载
2024-08-08 22:05:49
50阅读
铠侠(原东芝存储)今日在东京宣布了新一代112层堆叠3D闪存，计划在今年第一季度出样。 铠侠的前身东芝存储在2007年首次提出BiCS 3D闪存技术，48层的堆叠的BiCS2进入到iPhone等手机存储芯片，2017年64层堆叠的BiCS3首次用于固态硬盘。 2018年96层堆叠的BiCS4实现量产，并在去年被应用到RC500/RD500 NVMe固态硬盘当中。
转载
2024-04-21 18:57:41
297阅读
本节介绍如果对图像进行颗粒分析。颗粒分析用于获得统计信息，如面积、数量、位置、以及颗粒存在。 利用这些信息，可以完成许多机器视觉检测任务，例如硅圆片的裂缝检测，或电路板的焊接缺陷检测。如何进行颗粒分析的例子有助于实现网络检测任务的实现包括定位木板的结构化缺陷或检查塑料薄模裂缝。
下图列举了实现颗粒分析的步骤:
创建二值图像
通过阈值将灰
转载
精选
2010-10-27 21:57:03
2142阅读
cnn-explainerGitHub地址：cnn-explainer 论文地址：CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualizationcnn-explainer将卷积神经网络每一个步骤全部可视化出来，能够清晰地看到每一步的操作，对于初学者理解CNN原理和计算过程是非常有帮助的。cnn
转载
2024-04-16 09:59:27
228阅读
ZFNet网络综述前言卷积神经网络（CNN）由卷积层和池化层交替组成。卷积层使用线性滤波器和底层receptive field做内积，然后接一个非线性的激活函数，得到的输出称作特征图（feature map）。CNN的卷积滤波器是底层数据块的广义线性模型（generalized linear model ）（GLM），而且我们认为它的抽象程度较低。这里的抽象较低是指该特征对同一概念的变体是不变的。
转载
2023-10-07 12:41:45
67阅读
Network In Network论文信息： 论文细节： 一般来说，所要提取的特征是高度非线性的，在传统的 CNN 中尝试使用超完备的滤波器来提取各种潜在的特征，具体来说，当需要提取某个抽象特征时，我们初始化大量的滤波器去提取尽可能多的特征，将我们期望的特征也覆盖到。如此产生的结果是网络结构复杂，参数空间过大。作者利用 Mlpconv 和 全局平均 pooling 建立了 Network in
概述现在电脑基本大部分都是使用固态硬盘(ssd)了，大家也都知道固态硬盘相较于机械硬盘(ssd)它的体积更小，速度更快，当然这些也是它的优势。不过还有很多小伙伴担心固态硬盘的数据安全性与寿命，固态硬盘的各种级别各种参数也会给挑选它的人产生一些疑惑。那么今天，咱们首先来看看：固态硬盘是如何分级的？固态硬盘主要由主控、缓存、与闪存颗粒三个主要部件组成，那他们都扮演了什么角色呢？首先主控，它是固态硬盘的
转载
2024-07-17 16:06:12
403阅读
测试用例是测试工作的核心。测试工作是讲究投入产出比的工作，这也是测试用例设计的指导思想。测试用例有度的概念，正如亚里士多德在《伦理学》中讨论道德为例：道德意味着过与不及之间的状态。面向测试用例，网上流传着这么一句话：“不同的机构会有不同的测试目的；相同的机构也可能有不同测试目的，可能是测试不同区域或是对同一区域的不同层次的测试”下面就列举测试用例设计的方方面面，看不同的团队，不同的测试目的，如何把
转载
2023-07-31 21:25:38
84阅读
在2015年里，TLC SSD逐渐成为市场主角，凭借超高的性价比掀起了SSD的普及战役。就在TLCSSD攻城略地之余，很多SSD厂商却开始改完“eMLC”，而TLC SSD阵营中也出现了“eTLC”的分支。那么，这些前缀带“e”的闪存颗粒究竟是个什么东东?闪存颗粒的筛选流程早在SLC NAND时代，也曾有过名为“eSLC”的闪存颗粒。在MLC和TLC一统江湖的时代，eMLC和eTLC的出现也就显得
转载
2024-08-29 18:38:18
228阅读
巧用excel绘制颗粒级配曲线与自动计算粒组特征参数摘要：颗粒分析试验为基础土工试验之一，其成果对土样定名及物理力学性质的判断都有着重要意义。由于试验原始数据繁多，处理步骤繁杂，而以往试验室对颗分数据多为人工处理，导致颗粒分析数据处理工作量大，且结果易出错。利用excel的函数和图表功能，可实现颗粒分析试验从原始数据计算、颗粒级配曲线绘制到粒组特征参数计算的数据自动处理，减少人为影响，提高工作效率
转载
2023-11-14 12:34:05
103阅读
本节介绍如果对图像进行颗粒分析。颗粒分析用于获得统计信息，如面积、数量、位置、以及颗粒存在。 利用这些信息，可以完成许多机器视觉检测任务，例如硅圆片的裂缝检测，或电路板的焊接缺陷检测。如何进行颗粒分析的例子有助于实现网络检测任务的实现包括定位木板的结构化缺陷或检查塑料薄模裂缝。
下图列举了实现颗粒分析的步骤:
翻译
精选
2010-04-29 21:57:07
10000+阅读
【前言】
本人一直有数据丢失恐惧症，因此对叠瓦机械硬盘和TLC / QLC SSD嗤之以鼻。家里现有的存储设备为8块企业级SAS垂直盘组成的RAID 10，并进行网盘动态备份。目前消费级垂直机械硬盘依旧有售，可SLC / MLC SSD早就成了上古神器，连TLC SSD都快面临停产，只能去捡漏企业级SSD。印象中企业级产品拥有高规格、高性能、高稳定性的特性，价格高不可攀。可逛过“海鲜市场
卷积：神经网络不再是对每个像素做处理，而是对一小块区域的处理，这种做法加强了图像信息的连续性，使得神经网络看到的是一个图像，而非一个点，同时也加深了神经网络对图像的理解，卷积神经网络有一个批量过滤器，通过重复的收集图像的信息，每次收集的信息都是小块像素区域的信息，将信息整理，先得到边缘信息，再用边缘信息总结从更高层的信息结构，得到部分轮廓信息，最后得到完整的图像信息特征，最后将特征输入
转载
2024-08-08 12:02:50
40阅读
前言本文大致分成两大部分，第一部分尝试将本文涉及的分类器统一到神经元类模型中，第二部分阐述卷积神经网络（CNN）的发展简述和目前的相关工作。本文涉及的分类器（分类方法）有：线性回归逻辑回归（即神经元模型）神经网络（NN）支持向量机（SVM）卷积神经网络（CNN）从神经元的角度来看，上述分类器都可以看成神经元的一部分或者神经元组成的网络结构。各分类器简述逻辑回归说逻辑回归之前需要简述一下线性回归。图
转载
2023-12-12 15:31:14
429阅读
