2023.7.28所学

视觉传感器的标定：方法有许多种，最为常用的是张正友的棋盘格标定法。

 具体步骤为

1. 准备一个标准尺寸的棋盘格，将其放置在拍摄场景中。
2. 使用相机拍摄棋盘格的多个角度和位置，确保棋盘格至少占据图像的一半面积。
3. 在拍摄时，需要使用固定支架或三脚架来固定相机，以保持相机的位置和角度不变。
4. 识别并标记棋盘格的角点，可以使用OpenCV库中的函数进行自动角点检测和标记。
5. 使用张氏标定法公式，根据标记的角点和拍摄的图片计算相机的内部参数矩阵和外部参数。
6. 通过计算得到的相机内部参数矩阵和外部参数，可以进一步计算相机的畸变参数。

卷积神经网络的工作原理：

卷积神经网络简称CNN，具体步骤为

1. 输入数据进来后，先经过一些预处理，例如归一化、标准化等操作。

2. 然后，通过卷积层对输入数据进行卷积操作，提取出特征图。卷积操作可以理解为一个“扫过”的过程，类似于扫描一张照片，找出其中的边缘、轮廓等信息。

3. 接着，加入激活函数，对卷积的结果进行非线性变换，增加网络的非线性表达能力。激活函数可以理解为一个“开关”，将特征图中的每个点都经过一个开关，将特征图变得更有弹性，能够适应更复杂的数据。

4. 然后，进行池化层操作，对卷积的结果进行下采样，减少特征图的尺寸，同时也具有保留特征信息的作用。池化层可以理解为一个“抽样”的过程，将特征图中的一部分信息抽出来，减少特征图的尺寸，但保留重要的信息。

5. 上述操作不是一次完成的，而是需要多次重复执行，每次执行的操作也可以不同。这样可以逐步提取出输入数据中的特征信息。

6. 最后，将特征图连接成一个完整的全连接网络，进行分类任务。将特征图中的每个点都连接到一个神经元上，通过训练和学习，让神经元学会如何分类，最终完成分类任务。

总之，卷积神经网络的工作原理就是通过卷积层和池化层进行特征提取，然后连接全连接层进行分类。通过多次重复执行这些操作，逐步提取出输入数据中的特征信息，并进行分类任务。

2层卷积的原理：就是通过两个卷积层进行卷积操作，逐步提取出输入数据中的特征信息，并进行分类任务。通过卷积核的滑动和卷积操作，可以提取出输入数据中的特征信息，从而进行分类任务。在2层卷积网络中，第一个卷积层对输入数据进行卷积操作后，输出特征图，然后通过池化层对特征图进行下采样，减少特征图的尺寸，同时也具有保留特征信息的作用。接着，第二个卷积层对第一个卷积层的输出进行卷积操作，提取出更高级的特征信息。最后，将第二个卷积层的输出连接成一个完整的全连接网络，进行分类任务。