eDrawings打开中间格式问题出错

Solidworks eDrawings2017版开始,支持直接打开浏览中间格式的文件,比如IGSstep, Solidworks eDrawings2018格式类型更是做了增强,具体可以到南京东岱网站上查看。

但是最近有客户反应在安装Solidworks eDrawings2018后,打开中间格式的时候出现如下报错,就是不能够打开中间格式。

 

而且是他们一批电脑都是这样的问题,作为资深的Solidworks技术支持,遇到问题肯定要迎难而上,恢复默认值、重装等都无法解决。但是在我们的电脑上测试却没有任何问题。所以判断肯定还是他们电脑问题。经过一番沟通,原来客户是系统刚全部是更新到的win10,然后eDrawings程序是从官网下载安装的。这会带来一个什么问题呢?

Solidworks是基于windows开发的,其运行需要基于一些基础组件,正常如果系统里没有的话,Solidworks安装包里会自动帮您安装上,所以用安装Solidworks的方法安装的eDrawings几乎都没有问题。但是这个客户就是刚重装的系统,一些基础组件没有安装上比如C++VBA等,所有导致eDrawings安装后无法打开所需格式。

在安装如上组件后,软件能正常打开所需格式了。

总结:重装系统或者之前没有安装过Solidworks的电脑上如果要单独安eDrawings,最好是检查下电脑是否安装C++

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小,或重叠度很大,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP),需要同满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
FFT(Fast Fourier Transform,快速傅里叶变换)算法是一种高效的计算离散傅里叶变换(DFT)的算法。这种算法可以在较短的间内计算出离散信号的频谱信息,而不需要进行大量的乘法和加法运算。 FFT算法的应用非常广泛,尤其在信号处理和图像处理领域中被广泛使用。在C语言中,实现FFT算法需要使用复数的数据结构和相关的运算函数。 要实现8点FFT算法,首先需要准备一个长度为8的复数数组,这个数组用来存储输入信号的域数据。接下来,需要定义一个函数来进行FFT计算。 在C语言中,可以使用递归的方法实现FFT算法。具体步骤如下: 1.定义一个函数,输入参数是待计算的信号数组和信号的长度。 2.在函数内部,首先通过判断信号长度是否等于1来判断是否需要终止递归。如果长度等于1,则直接返回这个信号。 3.如果信号长度大于1,需要进行递归计算。将信号分为奇数索引和偶数索引的两个子数组,分别递归调用FFT函数。 4.然后将两个子数组的结果进行合并,得到FFT计算的结果。 5.最后通过复数相乘的方式计算频谱中各个频率的幅值和相位。 实现8点FFT算法的C代码如下: ```c #include <stdio.h> #include <math.h> #include <complex.h> #define N 8 void fft(complex double* signal, int n) { if (n == 1) { return; } complex double even[n / 2]; complex double odd[n / 2]; for (int i = 0; i < n / 2; i++) { even[i] = signal[2 * i]; odd[i] = signal[2 * i + 1]; } fft(even, n / 2); fft(odd, n / 2); for (int k = 0; k < n / 2; k++) { complex double t = cexp(-I * 2 * M_PI * k / n) * odd[k]; signal[k] = even[k] + t; signal[k + n / 2] = even[k] - t; } } int main() { complex double signal[N] = {1, 1, 1, 1, 0, 0, 0, 0}; fft(signal, N); for (int i = 0; i < N; i++) { printf("频率%d的幅值:%f 相位:%f\n", i, cabs(signal[i]), carg(signal[i])); } return 0; } ``` 这段代码实现了一个简单的8点FFT算法。首先定义了长度为8的复数数组signal,然后调用fft函数进行FFT计算,最后输出每个频率的幅值和相位。
评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值