- 综合排序
- 最热优先
- 最新优先
- 来自专栏粮食检验
科技实弹丨酿酒企业原料收购如何实现“靶向”智能化升级
采用进口激光雷达，识别能力覆盖所有车型；多种编码器、传感器、伺服动力，精准高速适应各种控制指令，运行定位精度20mm、8点扦样＜2分钟；特制钎头，多重感应保护，不堵粮、不伤车，具备反吹、自清洁功能，精准扦取车箱底部与四角 ，均匀采样、不混样；扦样种类覆盖所有谷物，目前行业内唯一对稻壳实现全自动扦样的产品。 图片科技实弹2 多谷物自动在线检验采用一体化设计，全流程谷物种类智能判断，以自动化机械与多维度控制系统，按执行标准与扦样环节形成联动的数字化流程，参照国标以机器建立统一的检测标准，实现多谷物杂质、容重、 水分、不完善粒自动在线检验，减少以往因两套系统而造成的瓶颈效应，从扦样到以上主要指标检验完成仅需5分钟，最大限度地“去人化”，所有检验指标均实现溯源。 特别是在不完善粒检验方面，根据国标实现了任何谷物和粮食以颗粒数和重量两种不同方式的在线检测，同时得出小麦千粒重数据，具备深度学习功能，实时动态提升检验准确度。
39480编辑于 2022-11-09 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：假设检验和多重检验（8）
系数是 log2 倍数变化的估计值，将用作假设检验的输入。 3. 假设检验 假设检验的第一步是为每个基因建立一个零假设。在我们的例子中，原假设是两个样本组之间没有差异表达 (LFC == 0)。 然后，我们使用统计检验来根据观察到的数据确定原假设是否为真。 3.1. Wald test 在 DESeq2 中，Wald 检验是比较两组时用于假设检验的默认值。 似然比检验 当比较两个以上的样本类别时，DESeq2 还提供似然比检验 (LRT) 替代假设检验。 这与 Wald 检验相比如何？ Wald 检验（默认）仅估计每个基因一个模型并评估 LFC == 0 的原假设。 对于似然比检验，还对已通过最大似然估计的参数执行。 这就是多重检验问题。 4.2. 校正 多重检验有几种常见的校正方法： Bonferroni：调整后的 p 值计算方式为：p 值 * m（m = 测试总数）。
90820编辑于 2023-02-27 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：假设检验和多重检验（8）
系数是 log2 倍数变化的估计值，将用作假设检验的输入。3. 假设检验假设检验的第一步是为每个基因建立一个零假设。在我们的例子中，原假设是两个样本组之间没有差异表达 (LFC == 0)。 然后，我们使用统计检验来根据观察到的数据确定原假设是否为真。3.1. Wald test在 DESeq2 中，Wald 检验是比较两组时用于假设检验的默认值。 似然比检验当比较两个以上的样本类别时，DESeq2 还提供似然比检验 (LRT) 替代假设检验。 这与 Wald 检验相比如何？Wald 检验（默认）仅估计每个基因一个模型并评估 LFC == 0 的原假设。对于似然比检验，还对已通过最大似然估计的参数执行。 这就是多重检验问题。4.2. 校正多重检验有几种常见的校正方法：Bonferroni：调整后的 p 值计算方式为：p 值 * m（m = 测试总数）。
94720编辑于 2023-01-29 - 来自专栏DeepHub IMBA
通过强化学习和官方API制作《星露谷物语》的自动钓鱼mod
目标的结果是使用官方 Stardew Valley 的 modding API 用 C# 编写一个自动钓鱼的mod。该模块加载了一个用 Python 训练的序列化 DQN 模型。 通过API我们可以查看并从游戏内存中读取特定属性的代码，对于自动钓鱼，需要在钓鱼小游戏期间跟踪的 4 个变量。“钩子”中心的位置、鱼的位置、钩子的速度和绿色条的填充量（这是奖励！）。 训练 训练过程是“自我驱动的”，首先要自己玩游戏收集状态和奖励数据，然后训练一个初始化的效果很差的模型让它自动玩游戏，并为我们收集新的数据。 所以模型的目的是数据彻底探索这个状态空间，无论是你（人肉）还是模型玩游戏都没有关系，当然如果能够全部自动化看起来肯定更加的高大上。
1.2K10编辑于 2022-03-12 - 来自专栏YP小站
Kubeconfig文件自动合并-实现K8S多集群切换
本文介绍 Kubeconfig 文件结构，并推荐一个工具自动合并 Kubeconfig。 all_kubeconfig 直接把新生成的 kubeconfig 文件替换 $HOME/.kube/config 文件 $ kubecm merge -f all_kubeconfig -c 多集群切换
3.6K30发布于 2020-06-23 - 来自专栏数据云团
Django进阶-8-ORM多对多
多对多关系表 找到该对象； 通过该对象，反向操作，找到第三张关系表； 通过第三张关系表，正向操作，找到和该对象有关系的对象； 只要对象 1 和对象 2 中间有关系表建立了关系；对象 1 反向操作到关系表 (girl_list) obj = models.Boy.objects.filter(name='Bob').first() obj.m.clear() ②反向操作 obj.小写的表名_set 多对多和外键跨表一样都是
75410发布于 2019-07-18 - 来自专栏数说工作室
【学点统计学·非参数检验汇总】3. 多独立样本的非参数检验
飞扬 / 撰写 整理 数说君 / 编辑 ---- 本系列为【学点统计学·非参数检验汇总】 1. 回顾 单样本非参数检验 两独立样本非参数检验 2. 多独立样本的非参数检验 多独立样本的非参数检验是通过分析多组独立样本数据，推断样本来自的多个总体的中位数或分布是否存在显著差异。 方法包括：中位数检验、Kruskal-Wallis检验、Jonckheere-Terpstra检验等。 比如，对北京、上海、成都、广州四个城市的码农月收入进行比较。 （2）Kruskal-Wallis检验 Kruskal-Wallis检验实质是两独立样本的曼-惠特尼U检验在多个样本下的推广（什么是曼-惠特尼U检验？ （3）Jonckheere-Terpstra检验 Jonckheere-Terpstra检验也是检验多个独立样本来自的多个总体的分布是否存在显著差异的非参数检验方法.
2.9K121发布于 2018-04-08 - 来自专栏运维
多磁盘自动分区自动挂载脚本
起源： 准备测试tfs分布式存储，发现一台服务器24块大盘，还有好几台服务器， 想想那么碰分区格式化，UUID自动挂载，还好有自动脚本。 1，yes能在你需要输入y时帮你操作，要不一台服务器不间断24次y还不知道什么时候敲击 2，UUID也能自动获取，这样才能自动挂载且盘符能固定 #! /bin/bash #mkfs.ext4 mkdir /data/disk{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24} mount -t ext4 /dev/sdg /data/disk6 mount -t ext4 /dev/sdh /data/disk7 mount -t ext4 /dev/sdi /data/disk8 data/disk7 ext4 defaults 0 0"}' >>/etc/fstab blkid /dev/sdi |awk '{print $2 " /data/disk8
2.1K20发布于 2018-11-14 - 来自专栏SAP S4HANA研习（2025年度）
SAP QM 事务代码QE01为检验批录入检验结果后自动评估和关闭？
SAP QM 事务代码QE01为检验批录入检验结果后自动评估和关闭？在SAP QM模块中有一个基础设置，在工厂代码级别上。 执行事务代码QE01,为某个检验批录入检验结果，回车，进入如下界面，为检验特性录入结果，回车，系统不做任何特别反应。保存，执行事务代码QE03看结果，检验结果录入后，系统没自动完成评估和关闭动作。 2, 如果将Recording configuration 栏位值被设置为X - All background function.重新执行事务代码QE01为检验批录入结果，录入结果，回车，系统自动弹出Manual Valuation窗口，如下图示：继续回车，系统自动完成保存，如上图。 窗口，回车，回到如下界面，系统不会自动保存。
47810编辑于 2024-11-15 - 来自专栏好奇心Log
python绘图 | 国家气象局开源预报检验库（多图预警）
目前该程序提供了可供复用的函数达200多个，集成了开展检验所需的基础函数（包括数据的读写、插值、累加、平均、选取、分组等）、检验算法（包括各类二分类、多分类、连续型变量、概率预报和集合预报的检验等）和检验图形产品 有无预报检验 综合检验图performance() 绘制二分类预报的综合检验图，其横坐标为成功率，纵坐标为命中率，并绘制了等bias和等ts曲线辅助线，检验结果以圆点方式显示在图中，从而可以直接浏览成功率 连续型预报检验 散点回归图scatter_regress() 绘制观测-预报散点图和线性回归曲线，横坐标为观测值，纵坐标为预报值，横坐标和纵坐标取值范围自动设为一致，在图形中间添加了完美预报的参考线。 图中横坐标和纵坐标取值范围自动设为一致，并在图形中间添加了完美预报的参考线。 ? 时间序列对比 多模式多时效对比图time_list_line() 将不同时刻起报的预报和实况在同一张图中进行显示对比，便于及时发现问题，以曲线的方式叠加显示。 ?
4.7K32发布于 2020-10-15 - 来自专栏SAP S4HANA研习（2025年度）
SAP QM 对09类型检验批做处置后系统自动更新批次的下次检验日期
SAP QM 对09类型检验批做处置后系统自动更新批次的下次检验日期SAP QM的09检验类型用于支持复验场景，即某些物料每隔一段时间需要检验一次。 对于这些物料，业务人员需要指定其复验周期，比如每半年检验一次，每3个月检验一次。当某次检验的检验批完成处置(Usage Decision)之后，SAP系统会自动计算下次检验日期。 1, 如下的09类型的检验批.物料号是355，复检间隔期是90天，即每90天复验一次。 该检验批上的批次号是2024112701，MSC3N查看批次主数据，Next Inspection日期是2024.11.272, 执行事务代码QA11，对该检验批执行使用决策.保存，系统提示说是否要修改成新的检验日期
44900编辑于 2024-12-24 - 来自专栏Laoqi's Linux运维专列
Ansible 多机房自动部署发布
在只有少量服务器的情况下，大多数运维人员会选择手动更新，减少自动化部署发布的开发成本。 在我们发布风控情报服务的时候，就遇到了自动化部署发布的问题。 由于风控服务在用户场景中处于非常重要的地位，对SLA要求极高，需要提供毫秒级别的访问质量，为了达到这一点，消除掉公网的消耗，需要支持多机房服务，而同时带来的问题就是，如何保持各机房的软件版本统一，能够做到快速的统一发布 二、如何解决问题 目前自动化部署发布领域已经有了比较成熟的方案，中小公司会维护一些自动化脚本或开源软件，而大公司由于复杂的网络环境更多会选择维护一套专属的部署发布系统。 简要说明下我们的项目如何使用ansible实现了多个环境的自动化部署发布。
2K30发布于 2018-05-31 - 来自专栏xingoo, 一个梦想做发明家的程序员
【Spring实战】—— 8 自动装配
本篇介绍一下自动装配的知识，Spring为了简化配置文件的编写。采用自动装配方式，自动的装载需要的bean。 自动装配 有以下几种方式： 1 byName 通过id的名字与属性的名字进行判断，要保证Bean实例中属性名字与该装配的id名字相同。 4 autodetect 自动装配，这个测试了，3.0.5版本不可用了，不知道是不是被移除了。 xml version="1.0" encoding="UTF-8"? xml version="1.0" encoding="UTF-8"?
700100发布于 2018-01-17 - 来自专栏huofo's blog
多k8s集群管理
多集群的切换是K8s运维中比不可少的问题，常见的基于多个集群进行切换的方法有三种： 切换config文件 通过context进行集群切换 用kubecm进行集群切换 切换config文件 我们先看看放在 kubernetes contexts: - context: cluster: kubernetes user: "2xxxxxxxxx7" name: 2xxxxxxxxxxxxxxxx8 current-context: 2xxxxxxxxxxxx8 kind: Config preferences: {} users: - name: "2xxxxxxxxxxx27" user: current-context: 2xxxxxxxxxxxx8 kind: Config preferences: {} users: - name: "2xxxxxxxxxxx27" user: 切换到第二个集群： $ kubectl config use-context 2xxxxxxxxxxx8 Switched to context "21xxxxxxxxxxxxx9648".
83240编辑于 2022-03-18 - 来自专栏站长的编程笔记
ThinkPHP6.0 自动多应用部署、多应用智能识别
本文前提：在多应用模式中 1. 自动多应用部署 官方手册原文 多应用模式 2. 自动多应用模式的URL地址默认使用 3. 多应用智能识别 1. 自动多应用部署 官方手册原文 多应用模式 ---- 通过index.php入口文件访问的话，并且没有设置应用name，系统自动采用自动多应用模式 如果没有指定访问的应用，自动访问默认应用 http:// 自动多应用模式的URL地址默认使用 ---- 访问admin应用 http://serverName/index.php/admin 访问shop应用 http://serverName/index.php 多应用智能识别 ---- 应用不存在时，系统会自动切换到单应用模式，并进行全局路由（route/*.php）匹配检查 如果希望应用不存在的时候，直接访问默认应用的路由 在全局配置文件 config/app.php
88420编辑于 2023-02-18 【农作物谷物识别】系统实现~Python+深度学习+人工智能+算法模型+图像识别+TensorFlow
项目介绍本项目设计并实现了一套基于深度学习的农作物谷物智能识别系统。系统主要涵盖大米、小米、燕麦、玉米渣、红豆、绿豆、花生仁、荞麦、黄豆、黑米和黑豆共11类常见农作物谷物的精准图像识别。 通过对大量谷物图像数据的预处理、数据增强及迭代训练，实现对输入谷物图片的毫秒级快速分类与高精度识别。选题背景与意义中国是农业大国，谷物作为国民饮食的基础与农业经济的支柱，其产量与质量的把控至关重要。 传统的谷物种类鉴定和质量检测主要依赖人工目视筛查，这种方式不仅耗费大量的人力物力，而且容易受到质检人员经验水平、视觉疲劳等主观因素的影响，导致效率低下且误判率较高，难以满足现代农业规模化、自动化生产的现实需求 开发此套自动化智能识别系统，一方面能够大幅提升农业生产、粮食加工与仓储物流等环节的检测效率，显著降低人力与时间成本；另一方面，通过高精度的机器识别算法，可以有效规范农产品的质量分级标准，助力智慧农业的高质量发展 技术架构图系统功能模块图演示视频 and 完整代码 and 安装地址：https://mp.weixin.qq.com/s/y_DG5UfKd8Rb7-YY2oT0hQ
16910编辑于 2026-03-06- 来自专栏智能化转型黑科技分享
浅谈全自动扦样机存在的数据型“漏洞”是否有解，如何解？
扦样是粮食质检不可或缺的环节，其扦取样品的检验结果直接决定整车粮食的等级、价格，因此取样是否均匀且具备代表性至关重要。随着工业革命带来的科技进化，扦样设备在一代代的升级更迭。 第三代则升级成为使用机电一体化技术，将车型，扦样选点进行数字化设定，依据车型数据自动完成扦样，多为2-8扦杆，效率显著提升。 “自动”不意味着“智能”，这仅仅是机械运行的方式，并不代表设备存在“思考”的能力，让自动化设备具有“思维”，为扦样机全新迭代，机器人技术的运用必不可少。 图片图片除以上达到的管理效果外，该扦样机器人控制系统采用多种传感器、编码器，精确反馈各种信息；整体运用伺服动力、高速适应控制指令；钎头采用特殊结构，自动避障、遇阻反弹，确保不赌粮、不伤车，均匀采样；扦样范围覆盖全谷物 ，更是目前行业内唯一对稻壳实现全自动扦样的产品。
49320编辑于 2022-11-17 - 来自专栏镁客网
无人驾驶拖拉机？美国迪尔公司表示今年秋季可量产，网友看完想回家种田
据迪尔公司介绍，该款自动驾驶拖拉机整合了迪尔8R拖拉机、支持TruSet™技术的深松犁、GPS导航系统和迪尔全新领先技术。 因为，你开的是一辆自动驾驶拖拉机。 同时迪尔也表示，这项VR展示技术没什么实际用处，只是为了让“城里人”体验一下田地里的高科技，感受一下农民坐着自动驾驶拖拉机种地，究竟是一种多么无聊透顶的体验。 据了解，自动驾驶技术用在拖拉机上面并非是近两年才开始的。早在2016年，美国已经有2/3的大农场用上了自动驾驶技术。 事实上，农场环境远比路面简单的多，并不需要复杂的算法和昂贵的硬件。 当然为了能让自动驾驶拖拉机在田间精准行驶，光靠GPS还无法保证绝对精度，一些自动驾驶拖拉机上会配备卫星导航。这些卫星导航系统甚至不输美军战斗机上的系统。 联合收割机上安装摄像头，就可以通过视频图像监视谷物生长状况，深度神经网络借此分析谷物质量，并在谷物受损时即时调整机器运行参数。
68020编辑于 2022-02-10 - 来自专栏饶文津的专栏
「2017 Multi-University Training Contest 8」2017多校训练8
求有向图最大生成树，要求n的父节点尽量小。 我们将所有wi变为-wi，这题就变成了有向图最小生成树的模板题。对于f(n)尽可能小的要求，可以令所有wi扩大1000倍，然后 对于yi=n的点将1000-xi计入wi中，这样就保证了在W尽可能大的情况下f(n)尽可能小。有向图最小生成树的部分我们可以 O(nm)解决，大体思路是先找到每个点边权最小的父向边，然后这样连边可能会构成一些环，我们把这些环缩成一个点，然后把这个环向外连的边的权值减去向内连的边的权值，然后将这个图缩小，重复上述操作直至不再构成环。由于每次点数至少会减1，所以这样的操作至多做O(n)次，因此时间复杂度就是O(n*m)。 朱刘算法中不能记录路径，其中的fa[i]对应缩点后的下标。不过没关系，父节点非常好求，就是答案对1000取模。
34610发布于 2020-06-02 多领域对话自动评估技术突破
自动评估与Alexa的对话随着与Alexa的交互越来越多地涉及多轮对话，Alexa使用这些对话来填充请求的细节或协调多个技能。与所有已部署的AI模型一样，对话模型需要定期评估以确保满足客户需求。
19710编辑于 2025-10-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号