【PCL实现点云分割】ROS深度相机实践指南（上）:PCL库初识和ROS-PCL数据类型转换

前言

  • 本教程使用PCL对ROS深度相机捕获到的画面进行操场上锥桶的分割

  • 本人相关的RGBD深度相机原理及其使用教程：

    • [csdn 博客] 上手一个RGBD深度相机：从原理到实践–ROS noetic+Astra S（上）：解读深度测距原理和内外参推导
    • [csdn 博客] 上手一个RGBD深度相机：从原理到实践–ROS noetic+Astra S（中）：RGB相机的标定和使用

  • 关于PCL的学习教程强烈推荐双愚大大的文章：PCL(Point Cloud Library)学习指南&资料推荐（2024版）请添加图片描述

  • 本文使用的环境和设备

    • ubuntu 20.04LTS
    • ros1 noetic
    • Astra S 深度相机
    • pcl-1.10

1 PCL-PointCloudLibrary

1-1 简介

请添加图片描述

  • PCL（Point Cloud Library）是一个开源项目，旨在为三维点云处理提供一个全面的库。点云是由大量空间点组成的数据集，通常用于三维重建、三维扫描和三维测量等应用。PCL提供了丰富的算法和工具，用于点云数据的获取、处理、可视化以及分析。
  • PCL支持多种编程语言，包括C++和Python，并且可以在多种操作系统上运行，如Windows、Linux和Mac OS X。它是一个跨平台、可扩展的库，适用于多种三维数据处理任务。
  • PCL的主要功能包括：
    • 数据获取：支持从多种传感器（如激光扫描仪、RGB-D相机等）获取点云数据。
    • 数据预处理：提供滤波、采样、去噪等预处理算法，以优化点云数据的质量。
    • 特征提取：提供关键点检测、表面法线估计、曲率估计等特征提取算法，用于后续的处理和分析。
    • 表面重建：支持多种表面重建算法，如泊松重建、网格简化等，用于生成三维模型的表面。
    • 物体识别：提供物体检测、分割、识别等算法，用于从点云数据中识别出特定的物体。
    • 机器学习：集成了一些机器学习算法，如聚类、分类、回归等，用于对点云数据进行学习和分析。
    • 可视化：提供强大的可视化工具，用于显示点云数据、三维模型和算法结果。
  • 一句话简单概括就是PCL在3D点云数据处理的地位就像opencv在2D图像处理中的地位一样
1-2 安装与配置
  • ubuntu上安装PCL很简单，这里我们直接采用apt进行安装(源码安装过于复杂了，感觉不是很必要)
sudo apt-get install libpcl-dev
sudo apt-get install ros-noetic-pcl-ros
  • 安装成功后我们需要获取PCL包PCLConfig.cmake的位置，以便后面我们在CmakeLists中使用,这里使用dpkg进行查找
dpkg -L libpcl-dev

请添加图片描述

  • 我们在我们的工作空间中需要使用到的PCL的功能包的CMakeLists中加入下述代码
set(PCL_DIR "/usr/lib/x86_64-linux-gnu/cmake/pcl")
find_package(catkin REQUIRED COMPONENTSroscpprospystd_msgssensor_msgsOpenCVcv_bridgePCL
)
  • 测试，我们新建一个cpp文件
#include <iostream>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>int
main (int argc, char** argv)
{// 创建一个点云对象pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);// 填充点云数据cloud->width = 5;cloud->height = 1;cloud->is_dense = false;cloud->points.resize (cloud->width * cloud->height);for (size_t i = 0; i < cloud->points.size (); ++i){cloud->points[i].x = 1024 * rand () / (RAND_MAX + 1.0);cloud->points[i].y = 1024 * rand () / (RAND_MAX + 1.0);cloud->points[i].z = 1024 * rand () / (RAND_MAX + 1.0);}// 创建PCL可视化对象pcl::visualization::PCLVisualizer viewer ("3D Viewer");viewer.addPointCloud<pcl::PointXYZ> (cloud, "sample cloud");viewer.spin ();return 0;
}
  • catkin_make编译，运行，会得到如下窗口，可以看到窗口内新建了5个随机点云数据请添加图片描述

2 pcl::PointCloud和sensor_msgs/PointCloud2的互相转换

2-1 sensor_msgs/PointCloud2

  • 启动astra.launch启动我们的深度相机(不明白的朋友可以看看这篇文章[csdn 博客] 上手一个RGBD深度相机：从原理到实践–ROS noetic+Astra S（上）：解读深度测距原理和内外参推导)

  • 我们对发布点云的话题进行查询，发现相机驱动发布的话题类型是sensor_msgs/PointCloud2请添加图片描述

  • 我们使用ROS内置的消息进行查询，得到如下数据类型

# rosmsg show sensor_msgs/PointCloud2 
std_msgs/Header headeruint32 seqtime stampstring frame_id
uint32 height
uint32 width
sensor_msgs/PointField[] fieldsuint8 INT8=1uint8 UINT8=2uint8 INT16=3uint8 UINT16=4uint8 INT32=5uint8 UINT32=6uint8 FLOAT32=7uint8 FLOAT64=8string nameuint32 offsetuint8 datatypeuint32 count
bool is_bigendian
uint32 point_step
uint32 row_step
uint8[] data
bool is_dense
  • sensor_msgs/PointCloud2是用于在ROS中传输点云数据的标准消息类型。
    • std_msgs/Header header:
      • uint32 seq: 消息序列号，用于消息排序。
      • time stamp: 时间戳，表示消息的生成时间。
      • string frame_id: 参考框架的ID，用于在三维空间中定位点云数据。
    • uint32 height: 点云的高度，即行数。
    • uint32 width: 点云的宽度，即列数。
    • sensor_msgs/PointField[] fields:
      • 这是一个数组，定义了点云中每个点的数据字段。
      • uint8 INT8=1: 8位有符号整数。
      • uint8 UINT8=2: 8位无符号整数。
      • uint8 INT16=3: 16位有符号整数。
      • uint8 UINT16=4: 16位无符号整数。
      • uint8 INT32=5: 32位有符号整数。
      • uint8 UINT32=6: 32位无符号整数。
      • uint8 FLOAT32=7: 32位浮点数。
      • uint8 FLOAT64=8: 64位双精度浮点数。
      • string name: 字段名称，例如"x"、“y”、"z"表示空间坐标。
      • uint32 offset: 字段在点云数据中的偏移量。
      • uint8 datatype: 字段的数据类型，对应上面的枚举值。
      • uint32 count: 该字段在点云数据中的数量，例如，如果点云包含(x, y, z)坐标，那么"x"字段的计数为1。
    • bool is_bigendian: 表示点云数据是否为大端字节序。
    • uint32 point_step: 每个点的数据大小（以字节为单位）。
    • uint32 row_step: 每行的数据大小（以字节为单位），如果点云是按行组织的。
    • uint8[] data: 存储点云数据的字节数组。
    • bool is_dense: 表示点云数据是否密集，即是否所有点都存在且没有空隙。
  • 我们echo一次看看真实的数据长什么样（中间的data很多数据，输出重定向差点卡死我了）
header: 
seq: 11
stamp: 
secs: 1726826397
nsecs: 164749698
frame_id: "camera_depth_optical_frame"
height: 480
width: 640
fields: 
- 
name: "x"
offset: 0
datatype: 7
count: 1
- 
name: "y"
offset: 4
datatype: 7
count: 1
- 
name: "z"
offset: 8
datatype: 7
count: 1
is_bigendian: False
point_step: 16
row_step: 10240"\ndata: [0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0, 0, 0, 192,...
92, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 192, 127, 0, 0, 0, 0]
is_dense: False
2-2 pcl::PointCloud

  • 请添加图片描述

  • 我们看数据类型

struct PCL_EXPORTS PCLPointCloud2{::pcl::PCLHeader header;std::uint32_t height = 0;std::uint32_t width = 0;std::vector<::pcl::PCLPointField>  fields;static_assert(BOOST_ENDIAN_BIG_BYTE || BOOST_ENDIAN_LITTLE_BYTE, "unable to determine system endianness");std::uint8_t is_bigendian = BOOST_ENDIAN_BIG_BYTE;std::uint32_t point_step = 0;std::uint32_t row_step = 0;std::vector<std::uint8_t> data;std::uint8_t is_dense = 0;public:using Ptr = shared_ptr< ::pcl::PCLPointCloud2>;using ConstPtr = shared_ptr<const ::pcl::PCLPointCloud2>;....
  • PCL（Point Cloud Library）中的一个结构体PCLPointCloud2，它是用于在PCL中处理和传输点云数据的一种数据结构。
  • 成员变量：
    • header：PCLHeader类型的成员变量，包含时间戳、帧ID等信息。
    • height：点云的高度，即行数。
    • width：点云的宽度，即列数。
    • fields：PCLPointField类型的向量，描述了点云中每个点的数据字段。
    • is_bigendian：表示点云数据是否为大端字节序。
    • point_step：每个点的数据大小（以字节为单位）。
    • row_step：每行的数据大小（以字节为单位），如果点云是按行组织的。
    • data：存储点云数据的字节数组。
    • is_dense：表示点云数据是否密集，即是否所有点都存在且没有空隙。
2-3 数据转换
  • 要将这两种数据结构互相转换，可以使用PCL提供的转换函数。
  • 1.从 sensor_msgs/PointCloud2 转换为 pcl::PointCloud<pcl::PointXYZ>
#include <ros/ros.h>
#include <sensor_msgs/PointCloud2.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>void convertSensorMsgsToPCL(const sensor_msgs::PointCloud2ConstPtr& cloud_msg)
{// 创建一个空的PCL点云pcl::PointCloud<pcl::PointXYZ> cloud;// 从sensor_msgs/PointCloud2消息转换为PCL点云pcl::fromROSMsg(*cloud_msg, cloud);// 现在可以使用PCL库处理cloud
}
  • 2.从 pcl::PointCloud<pcl::PointXYZ> 转换为 sensor_msgs/PointCloud2
#include <ros/ros.h>
#include <sensor_msgs/PointCloud2.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>sensor_msgs::PointCloud2 convertPCLToSensorMsgs(const pcl::PointCloud<pcl::PointXYZ>& cloud)
{// 创建一个空的sensor_msgs/PointCloud2消息sensor_msgs::PointCloud2 output;// 从PCL点云转换为sensor_msgs/PointCloud2消息pcl::toROSMsg(cloud, output);}
  • 在这些示例中，pcl::fromROSMsg 函数用于将 sensor_msgs/PointCloud2 消息转换为 pcl::PointCloud 对象，而 pcl::toROSMsg 函数用于将 pcl::PointCloud 对象转换为 sensor_msgs/PointCloud2 消息。注意，这里假设点云类型是 pcl::PointXYZ。

3 可视化和数据转换实操

3-1 cv_bridge

请添加图片描述

  • cv_bridge 是ROS（Robot Operating System）中用于在ROS消息（如 sensor_msgs/Image）和OpenCV图像格式之间进行转换的工具。它允许你将ROS图像消息转换为OpenCV图像格式，以便使用OpenCV库进行图像处理，反之亦然。
  • cv_bridge 提供了以下主要功能：
    • 图像消息转换：
      • 将ROS sensor_msgs/Image 消息转换为OpenCV cv::Mat 图像格式。
      • 将OpenCV cv::Mat 图像格式转换为ROS sensor_msgs/Image 消息。
    • 编码和解码：
      • 支持ROS图像消息中常见的图像编码（如 “8UC1”, “8UC3”, “16UC1” 等）。
      • 支持从ROS图像消息中解码图像数据，并将其转换为OpenCV可以处理的格式。
  • 我们写一下简单的cpp代码，订阅相机驱动发布的sensor_msgs/Image话题并转换为OpenCV支持的cv::Mat
#include <ros/ros.h>
#include <sensor_msgs/Image.h>
#include <sensor_msgs/PointCloud2.h>
#include <cv_bridge/cv_bridge.h> // Include c to convert ROS images to OpenCV images
#include <opencv2/opencv.hpp>
using namespace cv;class PCL_center
{
private:ros::NodeHandle nh;ros::Subscriber imageSub;ros::Subscriber depthImageSub;ros::Subscriber depthPCloudSub;void imageCB(const sensor_msgs::ImageConstPtr& img_msg){// Convert ROS image message to OpenCV imagecv_bridge::CvImagePtr cv_ptr;try{cv_ptr = cv_bridge::toCvCopy(img_msg, sensor_msgs::image_encodings::BGR8);}catch (cv_bridge::Exception& e){ROS_ERROR("cv_bridge exception: %s", e.what());return;}std::cout << "imageCB()" << std::endl;imshow("Input Window", cv_ptr->image);waitKey(1);}void depthImageCB(const sensor_msgs::ImageConstPtr& dimg_msg){// Your depth image processing code herestd::cout << "depthImageCB()" << std::endl;cv_bridge::CvImagePtr cv_ptr;try{// 注意这里使用的是sensor_msgs::image_encodings::TYPE_16UC1cv_ptr = cv_bridge::toCvCopy(dimg_msg, sensor_msgs::image_encodings::TYPE_16UC1);}catch (cv_bridge::Exception& e){ROS_ERROR("cv_bridge exception: %s", e.what());return;}Mat depth_display;cv_ptr->image.convertTo(depth_display, CV_8U, 255.0 / 1000); imshow("Depth Window", depth_display);waitKey(1);}void depthPCloudCB(const sensor_msgs::PointCloud2ConstPtr& pc_msg){std::cout << "depthPCloudCB()" << std::endl;}public:PCL_center(ros::NodeHandle& nh_) : nh(nh_){imageSub = nh.subscribe("/camera/color/image_raw", 10, &PCL_center::imageCB, this);depthImageSub = nh.subscribe("/camera/depth/image_raw", 10, &PCL_center::depthImageCB, this);depthPCloudSub = nh.subscribe("/camera/depth/points", 10, &PCL_center::depthPCloudCB, this);}
};int main(int argc, char *argv[])
{ros::init(argc, argv, "pcl_test");ros::NodeHandle nh;PCL_center pcl_center(nh);namedWindow("Input Window", WINDOW_AUTOSIZE);ros::spin();destroyWindow("Input Window");return 0;
}

请添加图片描述

3-2 点云数据转换和可视化
  • pcl::visualization::PCLVisualizer 是 PCL (Point Cloud Library) 库中用于可视化点云数据的一个类。它是基于 VTK (Visualization Toolkit) 库构建的，允许用户在 3D 环境中查看点云数据，并提供了多种自定义选项来增强可视化效果。
  • 以下是一些 pcl::visualization::PCLVisualizer 的关键功能和特性：
    • 添加点云：你可以将点云添加到可视化窗口中，并为每个点云分配一个唯一的名称。
    viewer.addPointCloud<pcl::PointXYZ>(cloud.makeShared(), "sample cloud");
    • 设置点云属性：可以设置点云的渲染属性，如点的大小、颜色等。
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    • 添加其他3D对象：除了点云，你还可以添加其他3D对象，如线、模型、文本等。
    • 交互式操作：用户可以通过鼠标和键盘进行旋转、缩放、平移等操作来交互式地查看点云。
    • 背景设置：可以设置可视化窗口的背景颜色。
    viewer.setBackgroundColor(0, 0, 0); // 设置为黑色背景
    • 坐标轴和网格：可以显示坐标轴和网格，以便更好地理解点云的空间位置。
    • 回调函数：可以为特定事件（如键盘输入、鼠标点击）设置回调函数。
    • 动画和定时器：支持动画和定时器，可以在特定时间间隔执行操作。
    • 保存图像：可以将可视化窗口的当前视图保存为图像文件。
    • 多窗口支持：可以创建多个可视化窗口，每个窗口可以显示不同的点云或对象。
  • 我们需要包含具体的头文件，初始化viewer("3D Viewer")
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/visualization/pcl_visualizer.h>private:pcl::visualization::PCLVisualizer viewer;PCL_center(ros::NodeHandle& nh_) : nh(nh_),viewer("3D Viewer"){}void pointCloudCB(const sensor_msgs::PointCloud2& pc_msg){// 检查点云是否为空if (pc_msg.width * pc_msg.height == 0){std::cout << "Received an empty point cloud message." << std::endl;return; // 如果消息为空，则返回}std::cout << "pointCloudCB()" << std::endl;// 创建一个空的PCL点云pcl::PointCloud<pcl::PointXYZ> cloud;// 从sensor_msgs/PointCloud2消息转换为PCL点云pcl::fromROSMsg(pc_msg, cloud);viewer.removeAllPointClouds();  // 移除当前所有点云// 添加点云到可视化窗口viewer.addPointCloud<pcl::PointXYZ>(cloud.makeShared(), "sample cloud");viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");// 设置背景色viewer.setBackgroundColor(0, 0, 0);viewer.spinOnce(0.0000000000001);}
  • 我们就拿到点云信息了
    请添加图片描述

4 完整代码

  • 如下
#include <ros/ros.h>
#include <sensor_msgs/Image.h>
#include <sensor_msgs/PointCloud2.h>
#include <cv_bridge/cv_bridge.h> // Include c to convert ROS images to OpenCV images
#include <opencv2/opencv.hpp>
#include <sensor_msgs/PointCloud2.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/visualization/pcl_visualizer.h>using namespace cv;class PCL_center
{
private:ros::NodeHandle nh;ros::Subscriber imageSub;ros::Subscriber depthImageSub;ros::Subscriber depthPCloudSub;ros::Subscriber pointCloudSub;pcl::visualization::PCLVisualizer viewer;void imageCB(const sensor_msgs::ImageConstPtr& img_msg){// Convert ROS image message to OpenCV imagecv_bridge::CvImagePtr cv_ptr;try{cv_ptr = cv_bridge::toCvCopy(img_msg, sensor_msgs::image_encodings::BGR8);}catch (cv_bridge::Exception& e){ROS_ERROR("cv_bridge exception: %s", e.what());return;}std::cout << "imageCB()" << std::endl;imshow("Input Window", cv_ptr->image);waitKey(1);}void depthImageCB(const sensor_msgs::ImageConstPtr& dimg_msg){// Your depth image processing code herestd::cout << "depthImageCB()" << std::endl;cv_bridge::CvImagePtr cv_ptr;try{// 注意这里使用的是sensor_msgs::image_encodings::TYPE_16UC1cv_ptr = cv_bridge::toCvCopy(dimg_msg, sensor_msgs::image_encodings::TYPE_16UC1);}catch (cv_bridge::Exception& e){ROS_ERROR("cv_bridge exception: %s", e.what());return;}Mat depth_display;cv_ptr->image.convertTo(depth_display, CV_8U, 255.0 / 1000); // Display the depth imageimshow("Depth Window", depth_display);waitKey(1);}void depthPCloudCB(const sensor_msgs::PointCloud2ConstPtr& pc_msg){// Your point cloud processing code herestd::cout << "depthPCloudCB()" << std::endl;}void pointCloudCB(const sensor_msgs::PointCloud2& pc_msg){// 检查点云是否为空if (pc_msg.width * pc_msg.height == 0){std::cout << "Received an empty point cloud message." << std::endl;return; // 如果消息为空，则返回}std::cout << "pointCloudCB()" << std::endl;// 创建一个空的PCL点云pcl::PointCloud<pcl::PointXYZ> cloud;// 从sensor_msgs/PointCloud2消息转换为PCL点云pcl::fromROSMsg(pc_msg, cloud);viewer.removeAllPointClouds();  // 移除当前所有点云// 添加点云到可视化窗口viewer.addPointCloud<pcl::PointXYZ>(cloud.makeShared(), "sample cloud");viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");// 设置背景色viewer.setBackgroundColor(0, 0, 0);viewer.spinOnce(0.0000000000001);}
public:PCL_center(ros::NodeHandle& nh_) : nh(nh_),viewer("3D Viewer"){imageSub = nh.subscribe("/camera/color/image_raw", 10, &PCL_center::imageCB, this);depthImageSub = nh.subscribe("/camera/depth/image_raw", 10, &PCL_center::depthImageCB, this);depthPCloudSub = nh.subscribe("/camera/depth/points", 10, &PCL_center::depthPCloudCB, this);pointCloudSub=nh.subscribe("/camera/depth/points",10,&PCL_center::pointCloudCB,this);}
};int main(int argc, char *argv[])
{ros::init(argc, argv, "pcl_test");ros::NodeHandle nh;PCL_center pcl_center(nh);namedWindow("Input Window", WINDOW_AUTOSIZE);ros::spin();destroyWindow("Input Window");return 0;
}

总结

  • 本文介绍了PCL库的安装和基础使用，并介绍了如何使用PCL库对sensor_msgs/PointCloud2 消息转换为 pcl::PointCloud，并使用pcl::visualization::PCLVisualizer进行可视化
  • 下一节我们讲讲如何使用PCL分割进行
  • 如有错误，欢迎指出!!!谢谢支持！！

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.xdnf.cn/news/145829.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

金属3D打印经济效益高吗？

金属3D打印经济效益高吗？

在我国制造业迈向产业升级的重要阶段&#xff0c;3D打印技术如同一股强劲的新风&#xff0c;特别是在航空航天、汽车、生物医疗等领域&#xff0c;已成为复杂构件制造的“明星”技术。那么&#xff0c;对于众多生产厂家而言&#xff0c;金属3D打印的经济账到底怎么算&#xff1…
阅读更多...
rabbitmq 短信验证码

rabbitmq 短信验证码

1.生成的验证码用redis存 减少数据库压力 2.通知运营商发送短信的事情交给rabbitmq的队列去做&#xff0c;无论成功或者是失败&#xff0c;用户那边都不知道。没有收到验证码&#xff08;监听失败&#xff09;用户只会觉得是运营商的问题&#xff0c;而不会怀疑是我们的系统有问…
阅读更多...
深入掌握 Go 单元测试：从基础到进阶的完整指南

深入掌握 Go 单元测试：从基础到进阶的完整指南

你好&#xff0c;我是陈明勇&#xff0c;一名热爱技术、乐于分享的开发者&#xff0c;同时也是开源爱好者。 成功的路上并不拥挤&#xff0c;有没有兴趣结个伴&#xff1f; 个人网站&#xff1a;https://chenmingyong.cn 文章持续更新&#xff0c;如果本文能让您有所收获&#…
阅读更多...
罗马数字详解

罗马数字详解

一. 罗马数字の背景 1. 罗马数字的诞生与进化 罗马数字起源于古罗马帝国&#xff0c;拥有一个漫长而复杂的历史&#xff0c;始于公元前 8 世纪至 9 世纪&#xff0c;与古罗马帝国在帕兰丁山&#xff08;Palantine Hill&#xff09;周围建立的时间大致相同。不过&#xff0c;罗…
阅读更多...
铲屎官进！宠物空气净化器真的有用吗？哪款去浮毛效果好

铲屎官进！宠物空气净化器真的有用吗？哪款去浮毛效果好

国庆小长假就要来了&#xff0c;别人都在苦恼抢票问题&#xff0c;而我在想会不会被我妈赶出家门... 毕业后我就留在了广州上班&#xff0c;独自一人租房难免会感觉孤独&#xff0c;就养了一只小猫和我作伴。这次放假这么久&#xff0c;我不放心留它一个人在家&#xff0c;也没…
阅读更多...
SpringBoot 项目如何使用 pageHelper 做分页处理 （含两种依赖方式）

SpringBoot 项目如何使用 pageHelper 做分页处理 （含两种依赖方式）

分页是常见大型项目都需要的一个功能&#xff0c;PageHelper是一个非常流行的MyBatis分页插件&#xff0c;它支持多数据库分页&#xff0c;无需修改SQL语句即可实现分页功能。 本文在最后展示了两种依赖验证的结果。 文章目录 一、第一种依赖方式二、第二种依赖方式三、创建数…
阅读更多...
Virtuoso服务在centos中自动停止的原因分析及解决方案

Virtuoso服务在centos中自动停止的原因分析及解决方案

目录 前言1. 问题背景2. 原因分析2.1 终端关闭导致信号12.2 nohup命令的局限性 3. 解决方案3.1 使用 screen 命令保持会话3.2 使用 tmux 作为替代方案3.3 使用系统服务&#xff08;systemd&#xff09; 4. 其他注意事项4.1 网络配置4.2 日志监控 结语 前言 在使用Virtuoso作为…
阅读更多...
Transformer 的可视化解释

Transformer 的可视化解释

Transformer 的可视化解释&#xff1a;了解 LLM Transformer 模型如何与交互式可视化配合使用 部署 Nodejs version > 20.0 git clone https://github.com/poloclub/transformer-explainer.git cd transformer-explainer npm install npm run dev# fix: cnpm install --pl…
阅读更多...
AD9854 为什么输出波形幅度受限？？

AD9854 为什么输出波形幅度受限？？

&#x1f3c6;本文收录于《全栈Bug调优(实战版)》专栏&#xff0c;主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案&#xff0c;希望能够助你一臂之力&#xff0c;帮你早日登顶实现财富自由&#x1f680;&#xff1b;同时&#xff0c;欢迎大家关注&&am…
阅读更多...
lambda 自调用递归

lambda 自调用递归

从前序与中序遍历序列构造二叉树 官方解析实在是记不住&#xff0c;翻别人的题解发现了一个有意思的写法 class Solution { public:TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {auto dfs [](auto&& dfs, auto&&…
阅读更多...
Pandas和matplotlib实现同期天气温度对比

Pandas和matplotlib实现同期天气温度对比

目录 1、下载近两年的天气Excel数据 2、pandas加载Excel 3、将时间作为索引 4、按日计算最值、均值 5、选取近两年同期温度数据 6、同期温度曲线对比，共享y轴 1、下载近两年的天气Excel数据 一个免费的天气数据下载网址：METAR北京(机场)历史天气 (rp5.ru) 选择”北京天…
阅读更多...
centos 7.9安装k8s

centos 7.9安装k8s

前言 Kubernetes单词来自于希腊语&#xff0c;含义是领航员&#xff0c;生产环境级别的容器编排技术&#xff0c;可实现容器的自动部署扩容以及管理。Kubernetes也称为K8S&#xff0c;其中8代表中间8个字符&#xff0c;是Google在2014年的开源的一个容器编排引擎技术&#xff…
阅读更多...
一文读懂SpringCLoud

一文读懂SpringCLoud

一、前言 只有光头才能变强 认识我的朋友可能都知道我这阵子去实习啦&#xff0c;去的公司说是用SpringCloud(但我觉得使用的力度并不大啊~~)… 所以&#xff0c;这篇主要来讲讲SpringCloud的一些基础的知识。(我就是现学现卖了&#xff0c;主要当做我学习SpringCloud的笔记吧&…
阅读更多...
【JPCS出版】第二届应用统计、建模与先进算法国际学术会议（ASMA2024，9月27日-29）

【JPCS出版】第二届应用统计、建模与先进算法国际学术会议（ASMA2024，9月27日-29）

第二届应用统计、建模与先进算法国际学术会议 2024 2nd International Conference on Applied Statistics, Modeling and Advanced Algorithms&#xff08;ASMA2024&#xff09; 会议官方 会议官网&#xff1a;www.icasma.org 2024 2nd International Conference on Applied …
阅读更多...
Moveit2与gazebo联合仿真：添加摄像头传感器

Moveit2与gazebo联合仿真：添加摄像头传感器

1.代码更新修改 1.1 添加物理关节 如图&#xff0c;在原有机械臂的基础上添加camera_link和base_camera_joint作为传感器的几何属性 对应的xml代码如下 <link name"${prefix}camera_link"><collision><geometry><box size"0.01 0.1 0.05&…
阅读更多...
【Python】练习：控制语句（二）第4关

【Python】练习：控制语句（二）第4关

第4关&#xff1a;控制结构综合实训 第一题第二题&#xff08;※&#xff09;第三题&#xff08;※&#xff09;第四题&#xff08;※&#xff09;第五题&#xff08;※&#xff09;第六题&#xff08;※&#xff09; 第一题 #第一题def rankHurricane(velocity):#请在下面编写…
阅读更多...
毫米波雷达预警功能 —— 盲区检测（BSD）预警

毫米波雷达预警功能 —— 盲区检测（BSD）预警

文档声明&#xff1a; 以下资料均属于本人在学习过程中产出的学习笔记&#xff0c;如果错误或者遗漏之处&#xff0c;请多多指正。并且该文档在后期会随着学习的深入不断补充完善。感谢各位的参考查看。 笔记资料仅供学习交流使用&#xff0c;转载请标明出处&#xff0c;谢谢配…
阅读更多...
MySQL高阶1875-将工资相同的雇员分组

MySQL高阶1875-将工资相同的雇员分组

目录 题目 准备数据 分析数据 题目 编写一个解决方案来获取每一个被分配到组中的雇员的 team_id 。 返回的结果表按照 team_id 升序排列。如果相同&#xff0c;则按照 employee_id 升序排列。 这家公司想要将 工资相同 的雇员划分到同一个组中。每个组需要满足如下要求&a…
阅读更多...
Lichee NanoKVM基本使用环境

Lichee NanoKVM基本使用环境

Lichee NanoKVM基本使用环境 本文章主要记录一些自己在初期的使用&#xff0c;以及自己的一些经验 &#xff0c;非常感谢sipeed NanoKVM官方使用教程 外观&#xff08;博主自己的是lite版本&#xff0c;非常感谢sipeed&#xff09; Lichee NanoKVM 是基于 LicheeRV Nano 的 I…
阅读更多...
msvcp120dll丢失问题的相关分享，4种靠谱的修复msvcp120dll的方法

msvcp120dll丢失问题的相关分享，4种靠谱的修复msvcp120dll的方法

在你启动某个软件或游戏的过程中&#xff0c;如果屏幕上突然出现一条提示说“msvcp120.dll文件缺失”这时候请不要紧张&#xff0c;要解决这个问题还是比较简单的。msvcp120.dll 是一个关键的系统文件&#xff0c;属于 Microsoft Visual C 可再发行组件包的一部分。它包含了许多…
阅读更多...
最新文章

Copyright @ 2022~2023