1.干货 || 分析9款常用视觉软件
2.MIL、层算层算SIL、法源法PIL 、码底HIL区别
3.初探关系抽取：远程监督，层算层算多示例学习(MIL),法源法多示例多标签学习（MIML）
4.基于Embedded Coder 的AUTOSAR代码生成及MIL SIL PIL验证
5.MIL、SIL、码底taulabs源码PIL、层算层算HIL是法源法个啥，你搞懂了吗？
6.0.125等于多少mil？
干货 || 分析9款常用视觉软件
一、开源的层算层算OpenCV
OpenCV，一个基于BSD许可的法源法开源库，汇集了数百种计算机视觉算法。码底它包含核心功能、层算层算图像处理、法源法影像分析、码底3D校准、平面特征、对象侦查、GUI和视频输入输出等模块，为底层科研工作者提供成本较低、方便使用的工具。OpenCV因其开源特性，成为科研领域的首选。
二、VisionPro®7.0系统
VisionPro®7.0系统由康耐视公司推出，集一流的机器视觉技术于一体，提供快速强大的应用系统开发能力。它借助QuickStart工具，加速应用原型的开发，实现从原型到用户解决方案的无缝过渡。与MVS-图像采集卡配合，VisionPro系统简化了与主控制程序的融合处理，提供硬件灵活性，支持多相机输入和高分辨率相机，从而提升视觉应用的采集效率。
三、LabVIEW用于机器视觉
LabVIEW，美国NI公司的应用软件，以其编程速度快、图像处理功能强大著称，是机器视觉编程领域的佼佼者。LabVIEW基于图形化编程语言，提供丰富的周线源码单词图像处理函数库，用户只需通过流程图连接所需的子VI，即可完成目标任务。其用户界面友好、识别率高，简化了机器视觉的实现过程。
四、德国的MVTecHALCON
MVTecHALCON是德国MVtec公司开发的完善机器视觉算法包，具备广泛的应用集成开发环境，显著节省产品成本和缩短软件开发周期。HALCON拥有强大的计算分析能力，支持多种操作环境和图像获取设备，适用于医学、遥感探测、监控和工业自动化检测等广泛领域。
五、MATLAB相关的工具箱
Image Processing Toolbox、Computer Vision System Toolbox、Image Acquisition Toolbox等工具箱，结合MATLAB，为机器视觉算法研究提供便捷支持。这些工具箱涵盖了图像处理、计算机视觉和图像采集等关键领域，满足科研和工程应用的多样化需求。
六、加拿大的Maxtor Image library
MIL软件包是一款位图象库，具备斑痕分析、图象校准、口径测定、图像读写、测量、图案识别和光学符号识别等功能，兼容基本图形设备。MIL支持多种图象类型，提供快速高效的图象处理能力，适用于应用的快速发展。
七、eVision机器视觉软件
eVision机器视觉软件包，由比利时euresys公司推出，提供了包括OCR、OCV、基于图像比对的图像质量检测、Barcode和MatrixCode识别等功能，小木视频源码功能分类丰富，与同类产品相比具有明显优势。eVision支持多种开发平台，提供高效、快速的机器视觉解决方案。
八、HexSight
Adept公司的HexSight是一款高性能视觉软件开发包，提供稳定、可靠的定位和检测功能，适用于复杂环境。HexSight的定位技术采用先进的轮廓检测技术，适用于自由形状的物体识别，支持高精度定位，适用于多种应用。
九、RVB机器视觉和图象处理算法软件
利维公司开发的RVB软件包，专注于自动化领域的机器视觉和图象处理，提供Blob分析、形态学运算、模式识别和定位、尺寸测量等算法，适用于多种形状的关注区操作，提供灵活的视频人机界面功能。
辰视智能提供基于深度学习的三维视觉引导、机器人运动控制、视觉检测、三维建模等核心技术，研发智能产品如机器人三维视觉引导系统、三维检测系统等，可根据客户需求定制解决方案，实现高效、低成本、模块化的自动化集成。
MIL、SIL、PIL 、HIL区别
MIL, SIL, PIL, HIL：深入解析四种关键测试的内涵与价值
MIL：模型在环的黄金标准
MIL，即Model in Loop，是测试之旅的起点，它在开发环境中（如MATLAB的SIMULINK）模拟控制算法模型，通过精心设计的测试用例来验证模型是否准确地实现了功能需求。MIL的自动挖羊毛源码重要性不言而喻，因为它的测试标准直接源于功能需求，任何细微的偏差都可能导致后续测试的误导。SIL和PIL的测试往往从MIL的成果中汲取，因此，确保MIL阶段的准确性至关重要。
SIL：软件一致性验证
SIL，即Software in Loop，是对代码与模型功能一致性的关键检验。它以MIL的测试用例为基础，通过在PC上运行，比如使用LCC、SDK或MSC等编译器，来比较模型输出与实际代码输出的偏差，确保两者在可接受范围内同步。SIL的目的是确保软件与模型设计的一致性，而无需实际的被控对象参与。
PIL：目标处理器上的微调
PIL，Processor in Loop，是对模型和代码在目标处理器上的实际运行情况的测试。它采用目标MCU的编译器进行编译链接，然后在目标板上运行。测试成功的关键在于，当使用相同的测试用例输入时，PIL的输出与SIL的输出差异应在预设的容许范围之内。PIL确保了代码在实际硬件环境中的兼容性和性能。
HIL：硬件与现实的无缝对接
HIL，Hardware in Loop，是测试金字塔的顶端，通过在真实的ECU/EPP系统中运行仿真模型，模拟实际运行环境。HIL测试通过I/O接口连接，对ECU进行全面系统的测试，它显著减少了实车路试的需求，提升了软件质量，同时降低了成本和开发周期。在保证安全性和可行性的同时，HIL成为了ECU开发不可或缺的一环。
无论是MIL的模型验证，还是SIL、PIL的逐级深入，直至HIL的全面模拟，每一步测试都是鱼叉线指标源码为了确保最终产品在实际运行中的高效、稳定和安全。它们共同构成了软件开发过程中不可或缺的测试链条，确保了产品的质量和可靠性。
初探关系抽取：远程监督，多示例学习(MIL),多示例多标签学习（MIML）
远程监督算法在关系抽取领域的发展脉络主要分为几个阶段，从年的Mintz等人首次提出远程监督方法，到年的MIL（多示例学习）修正假设，再到年引入知识库的弱监督学习，直至年引入多示例多标签学习（MIML），最后在年解决false negative问题，逐步完善了远程监督算法在关系抽取的应用。
年的Mintz等人提出远程监督方法，利用外部知识库自动标注文本中的实体对，假设在知识库中存在关系的实体对，在文本中一定表达该关系，这种方法能够利用大量未标注文本训练模型，有效解决关系抽取中样本量不足的问题。
年Ridel等人对Mintz的假设进行修正，提出MIL，假设在知识库中存在关系的实体对，文本中至少存在一个句子表达该关系，这减轻了模型对标注质量的依赖，提高了性能。
年，作者引入知识库的弱监督学习，解决了实体间存在多种关系导致的overlapping问题，提出了MULTIR模型，对关系和关系提及进行同时建模，提高了模型对复杂关系的识别能力。
年，MIML模型的提出解决了远程监督中的false negative问题，通过多示例多标签学习策略，为每个实体对分配多种可能的关系标签，进一步提高了模型的泛化能力。
年的研究专注于利用不完整知识库进行远程监督，通过分析知识库的缺失内容和false negative样本比例，提出改进方法，进一步优化了模型性能。
总体来看，远程监督算法在关系抽取领域的发展经历了从假设严格到假设灵活、从单一关系识别到复杂关系建模、从依赖高质量标注到利用大量未标注数据的过程，逐步完善了算法的性能和泛化能力。
端到端（end-to-end）方法是深度学习应用于关系抽取领域中的一个重要进展，它允许模型直接从原始文本中提取关系，无需人工特征工程，从而实现了一种更加高效、自适应的关系抽取方式。这种端到端模型通常结合了自然语言处理工具进行特征提取，并基于概率图进行建模，以实现对任意给定文本的有效关系抽取。
在这一系列发展脉络中，远程监督算法通过逐步的改进和创新，不仅解决了关系抽取中的关键问题，如样本量不足、overlapping和false negative等，还引入了更高效和自适应的端到端方法，推动了关系抽取领域的技术进步。
基于Embedded Coder 的AUTOSAR代码生成及MIL SIL PIL验证
生成符合 AUTOSAR 标准的 C 代码和 ARXML 描述，通过使用 Simulink 编码器和 Embedded Coder 软件，可以构建 AUTOSAR 组件模型。此模型将生成算法 C 代码，并导出符合 AUTOSAR 经典平台规范的 ARXML 描述。在 Simulink 中进行测试或集成到 AUTOSAR 运行时环境中。
首先打开要从中生成 AUTOSAR C 代码和 ARXML 说明的组件模型。使用 open_system(“autosar_swc”) 来打开一个示例模型。若要优化代码生成的模型配置设置，推荐使用 Embedded Coder 快速入门。通过从“应用”选项卡中打开该应用，并在 “AUTOSAR” 选项卡上单击“快速启动”来完成快速启动过程。选择“输出”窗口中的符合 AUTOSAR 的输出选项 C 代码。快速入门软件将指导您完成配置步骤。
在生成代码之前，请检查 AUTOSAR 字典中的 XML 选项设置。在“AUTOSAR”选项卡上，选择“代码接口”> AUTOSAR 字典”。在 AUTOSAR 字典中，选择“XML 选项”。配置参数包括将“导出的 XML 文件”打包设置为“模块化”，以便将 ARXML 导出到模块化文件中。这样将生成 modelname_component.arxml、modelname_datatype.arxml 和 modelname_interface.arxml 等文件。
完成模型的配置后，生成符合经典平台规范的 AUTOSAR C 代码和 XML 组件说明。在模型窗口中按 Ctrl+B 生成模型。生成过程将 C 代码和 ARXML 说明生成到模型生成文件夹中。生成完成后，将打开代码生成报告。通过执行这些步骤，可以确保模型的正确配置和生成。
要从已配置为 AUTOSAR 经典平台的模型生成符合 AUTOSAR 标准的 C 代码和 ARXML 组件说明，需确保模型的架构版本与 AUTOSAR 标准相匹配。首次导入或为模型选择 AUTOSAR 系统目标文件会将架构版本参数设置为默认值 4.3。导入 ARXML 文件时，导入程序将检测模式版本并在模型中设置模式版本参数。例如，基于架构 4.3 修订版 4.3.0 或 4.3.1 的导入将设置架构版本参数为 4.3。
生成 AUTOSAR 模型时，代码生成器会导出 ARXML 说明并生成符合当前架构版本的 C 代码。例如，架构版本为 4.3 时，导出将使用架构 4.3（修订版 4.3.1）的导出架构修订版。在导出 AUTOSAR 软件组件前，检查所选架构版本。如有需要更改，可使用模型配置参数为架构版本生成 XML 文件。
最大短名称长度的指定范围为 到 个字符（包括 和 ）。默认值为 个字符。使用模型配置参数“最大短名称长度”来设置此值。启用 AUTOSAR 编译器抽象宏可以独立于平台生成编译器指令，这有助于在 位平台上优化代码效率，而无需为每个编译器单独移植源代码。
根级矩阵 I/O 配置允许在生成的 C 代码中保留多维数组的维度，增强代码集成。如果应用设计需要列主数组布局，则可以配置 ARXML 导出以支持根级矩阵 I/O。默认情况下，对于列主阵列布局，软件不允许根级矩阵 I/O。启用此功能，可以指定支持使用一维数组的根级矩阵 I/O。
配置完成 AUTOSAR 代码生成和 XML 选项后，生成代码。通过生成组件模型，将生成符合 AUTOSAR 的 C 代码和 AUTOSAR XML 描述到模型生成文件夹中。生成过程会生成一个或多个型号名称 *.arxml 文件，具体取决于“导出的 XML 文件打包”设置为“单个文件”还是“模块化”。这些文件将包含模型名称、组件描述和其他相关组件信息。
将 AUTOSAR XML 组件描述合并回 AUTOSAR 创作工具中，以便利用已分区的文件结构进行合并。在 AUTOSAR 创作工具和基于 Simulink 模型的设计环境中，代码生成器保留 AUTOSAR 元素及其通用唯一标识符（UUID），以支持模型的往返传输。
使用 AUTOSAR 4.0 代码替换库，可以生成与 AUTOSAR 标准紧密一致的函数。此代码替换库允许自定义代码生成器以生成兼容 AUTOSAR 标准的 C 代码。在 MATLAB 和 Simulink 查找表索引与 AUTOSAR MAP 索引之间存在差异时，代码替换软件会转置 AUTOSAR MAP 例程的输入参数。浏览支持的 AUTOSAR 库例程并配置代码生成器使用 AUTOSAR 4.0 代码替换库。
为了支持 AUTOSAR 模型的 MATLAB 主机代码验证，AUTOSAR Blockset 提供了 IFX、IFL、MFX 和 MFL 例程的主机实现。使用这些实现作为模型启用软件在环（SIL）验证，而处理器在环（PIL）验证则适用于在生产目标硬件上验证目标代码。
配置并运行模型的 SIL 仿真，以验证生成的 AUTOSAR C 代码。使用测试工具执行相关操作以检查组件模型与生成代码之间的等效性。对于多实例软件组件，可构建配置为多个实例化的 AUTOSAR 软件组件模型，并导入先前版本中的 AUTOSAR 代码进行观察。
在进行 AUTOSAR 代码生成时，需注意以下限制：未选中“仅生成代码”复选框时，生成模型时会提示只有在使用 AUTOSAR 系统目标文件构建可执行文件的情况下才能使用 AUTOSAR 系统目标文件。此外，总线元素尺寸保留在导出的 ARXML 中，并在模型配置为“以行为主”时生成代码。C++ 为 AUTOSAR 自适应应用生成的样式范围枚举类在头文件中生成，以方便集成。
了解这些关键步骤和注意事项后，即可高效地利用 Embedded Coder 和 Simulink 进行基于 AUTOSAR 的代码生成、验证和部署过程。
MIL、SIL、PIL、HIL是个啥，你搞懂了吗？
在软件开发领域，MBD（基于模型的设计）被广泛应用，其中包含几种关键的In-the-Loop测试：MIL、SIL、PIL和HIL。它们在不同阶段为嵌入式代码提供测试和验证，帮助确保产品质量。
MBD方法通过图形化设计和自动化代码生成，显著提高开发效率。与传统编程相比，它允许需求分析阶段便开始验证，缩短开发周期并降低成本。MBD方法的不同阶段采用不同测试方法，MIL、SIL、PIL和HIL就是其中的代表。
MIL测试，即模型在环测试，是将控制算法模型和被控对象模型进行闭环连接，在模型层面上实现测试。这适用于验证算法或进行模型级别集成测试。MIL测试需要有被控对象模型，它可以是自行搭建或采购的。
SIL测试，软件在环测试，涉及从MBD开发阶段生成的算法代码，并检查其与模型的一致性。使用与MIL相同的测试用例，比较生成代码与模型的输出是否匹配。在某些情况下，甚至可以跳过实际的被控对象模型，直接在算法模型和生成代码上执行相同输入。
PIL测试，处理器在环测试，将生成的代码编译为特定处理器形式并运行，验证编译过程的正确性。其测试方式与SIL类似，区别在于执行代码是在目标处理器上，而非开发环境。
HIL测试，硬件在环测试，当控制器开发完成而被控对象还未准备就绪，或成本和风险考虑时使用。它将真实的控制器与虚拟的被控对象结合，提供安全性测试。例如，凯云科技自主研发的ETest产品系列支持HIL测试，提供自动化测试、实时数据记录、高性能实时数据库等功能，适应ECU设计和测试需求，缩短开发周期和成本。
总结，MIL、SIL、PIL和HIL测试在MBD框架下，为嵌入式软件开发提供全面验证。HIL测试虽然不局限于MBD，但在特定情况下是必要的，尤其当安全性或成本成为主要考虑因素时。通过合理选择和应用这四种测试方法，可以有效地提升软件质量，适应快速变化的市场和技术需求。
0.等于多少mil？
0.克等于毫克。克和毫克是千位进制，也就是 毫克 = 1 克（1.0 g），毫克一种国际通用的质量单位。 英文简称为“mg”。通常用来测量液体和药物成分。克（g）是一个质量单位，千克（kg）的千分之一。常用的质量单位有：微克（ug）、毫克（mg）、克（g）、千克（kg）、吨（t）等。1 吨 = 1,, 克 （一百万克）1 公斤（1千克） = 1, 克 （一千克）1 市斤 = 克 （1 克 = 0.市斤 ）1毫克= 0. 克 （1克=毫克）1微克= 0. 克 （1克=微克）1纳克= 0. 克（1克=纳克）
