1.OpenCV空间人工智能竞赛：第一部分
2.基于DLP4500的固件结构光3DScan应用手册
3.华为Atlas 200DK环境搭建&推理测试

OpenCV空间人工智能竞赛：第一部分

       OpenCV宣布了由英特尔赞助的首次空间人工智能竞赛，通过其OAK-D模块，源码源码鼓励开发者解决现实世界问题。安装这款模块内置立体摄像头和RGB摄像头，固件以及英特尔Myriad X的源码源码视觉处理单元，支持深度神经网络推断，安装自动登录网站 源码为室内SLAM提供了强大工具。固件

       我们的源码源码团队致力于利用OAK-D进行室内地标检测和基于图的定位。OAK-D的安装3D深度信息使得我们能从传统的2D激光雷达换用其进行姿态-姿态和姿态-地标约束的获取。通过深度图创建点云并与ICP对齐，固件我们能获得更精确的源码源码位姿估计。此外，安装java简单源码OAK-D的固件3D对象检测能力，作为地标，源码源码提供了额外的安装定位信息。

       我们的机器人平台采用Jetson Nano作为主控板，配合TurtleBot3 Waffle，OAK-D模块用于获取深度信息。我们已经完成了基础设置，包括在Jetson Nano上安装ROS Melodic，以及与OpenCR板的通信和固件更新。在后续文章中，将详细介绍深度图的asp办公源码获取、点云生成以及使用OAK-D进行室内地图构建的过程，包括点云与ICP算法的结合。

       团队成员正在积极探索，目标是通过OAK-D的潜力，为室内空间的智能导航和理解提供创新解决方案。

基于DLP的结构光3DScan应用手册

       基于DLP的结构光3DScan应用手册

       本文以DLP光机作为演示，介绍了DLP的GUI软件及固件，固件制作，固件上传，结构光图案的制作、合成，asp程序源码以及pattern sequence的设置等。同时，总结了使用者常犯错误和误操作，以帮助用户避免走弯路。

       一、准备阶段

       1.1 硬件：上位机控制软件GUI及DLPC固件Firmware。

       1.2 软件：Win系统建议使用4.0及以上版本的GUI，Win7及以下版本使用3.1版本GUI，固件使用最新版本。

       二、操作指南

       2.1 安装GUI和Firmware：直接按照指示完成安装。博客net源码

       2.2 硬件连接：使用Type-C数据线连接DLP光机与电脑USB，电源适配器连接电源接口并通电自动开机。

       2.3 DLP光机配置：配置固件并烧录到DLP光机中，包括结构光图案存储、光源颜色、投影顺序、曝光时间、触发信号与方式。

       三、固件制作及上传

       3.1 制作结构光图案：生成分辨率为*且位深为1bit至8bit的位图bmp格式图案。

       3.1.1 结构光图案生成：使用Matlab或openCV生成。

       3.1.2 合成结构光图案：将生成的图案合成，充分利用高速缓存以允许的最快速度显示。

       3.1.3 合成操作：在GUI中选择生成的结构光图案，设置输出路径与位深，选择数据通道位置。

       3.1.4 合成：按需存储合成的。

       四、注意事项

       1. 结构光图案应为1bit或8bit灰度信息，避免浪费缓冲空间。

       2. Pattern sequence模式下投影图案时，避免曝光周期过快导致图像加载不全，引起投影图案错位。

       如需进一步了解或获取全文，请关注公众号〖DLP投影〗或通过微信与联系电话咨询。

华为Atlas DK环境搭建&推理测试

       引子

       华为Atlas DK，一款边端推理芯片，本文将带你了解如何搭建其开发环境并进行推理测试。

       一、环境搭建

       1.1 物理硬件准备

       需要一台x架构的Linux PC机、USB连接线、网线、内存不低于GB的SD卡与SD卡读卡器。

       1.2 软件准备

       需从网络自行下载1.0.版本的固件驱动，官网提供的最低驱动版本为1.0.，但该版本不兼容设备。

       1.3 刻录开发板系统

       将SD卡插入读卡器，安装相关软件包，创建制卡工作目录，上传操作系统与驱动包，使用脚本制卡。

       1.4 网络配置

       安装USB网卡驱动，配置USB与NIC网卡IP，通过SSH登录设备并调整网络设置。

       1.5 安装CANN

       确保CANN版本与固件驱动版本一致，从网络下载对应的CANN版本，卸载不符合版本的Python，安装CANN。

       二、项目演示：基于Resnet的分类应用

       获取源码包并安装依赖，如opencv与numpy。进行样例输入准备与模型转换。使用ATC进行模型转换。

       设置环境变量，执行运行脚本。展示样例结果，包括置信度TOP5的类别标识、置信度信息和对应类别信息。