delphi tpanel 内凹效果_老师傅把空调出风口加长了1米,效果美爆了!

1299d3e0ce0d3fa8d3172ce7aec74faa.gif

现在很多人家装修的时候都会安装中央空调,中央空调一般有出风口、回风口、检修口。出风口一般在侧立面,回风口和检修口一般在下平面,大多数情况下检修口会和回风口合并在一块,外观上连成个整体,显得美观。

084d7013424d16070b5cc226fc477828.png

一般尺寸是,出风口А15cm*长60-100cm, Л口高26cm*长60-100cm,检修口为35cm*35cmo出风口、回风口的高度基本能定,但长度要根据室内机的长度和装修环境定。

70aa273eabf1d6e4c4cc187013dc9a63.png

正常情况下中央空调会被吊顶包裹进去,只留出风口、回风口位置出来,但很少有业主朋友会想到把出风口加长,做成长条“假风口”保持与吊顶整体性,这样整体装饰效果、视觉效果更加协调、美观。今天我们就来聊一聊中央空调出风口加长的几个注意点:

1、“长条假风口” ,顾名思义就是原来的出风口还是那么大,只不过把俩边吊顶凹进去做成假风口,兼顾美观。

b9dd4e25aee109588f4d47920aaba370.png

2、出风口需要扣边,所以“长条假风口”上下左右四周需各留3cm以上尺寸空间。

3、中央空调出风口有深度,所以“长条假风口"需要内凹5cm以上尺寸。

0ed397dac000dfeaac26eafa2d0daf8b.png

4、真实出风口从外面看里面是漆黑一片的,所以“长条假风口”封石膏板后一定要刷满刷黑色漆,这一步经常被遗漏!

5、出风口加长后,后期安装百叶窗可以直接定制大尺寸,安装完效果非常好。

511d9f4607fefff4008176c2125d4c73.png

5f4d80d9648ffa43e042e74a6bd4a57a.png

eef9f1326e8b98dc1be9b42e376d67f7.png

 亦 杰 伟 业 

       宁波亦杰伟业中央空调有限公司始创于2007年,是一家专业致力于中央空调、新风、地暖、净水、空气能中央热水等暖通领域系统工程,集“项目规划、方案设计、设备供应、施工安装、系统调试、维护保养”等工程技术与商贸服务一站式的综合型企业。
公司代理直营多个国内、外驰名品牌,不仅能满足不同消费层次的各种客户需求,而且完全可以适应行业的市场变化,确保综合性价比的竞争优势!
专业承接各类商场、酒店、银行、医院、学校、写字楼、厂房、办公室、专卖店及别墅、会所、公寓等各种大中小型中央空调系统工程,倾力为客户创造节能、健康、环保、时尚、舒适的工作环境和生活空间!

51c64e3f6a20ce21a639596ed8d80c31.png

声明:本平台转载旨在分享交流,并不代表赞同文中观点和对其真实性负责。如涉版权等问题,请尽快联系我们,我们将在第一时间删除。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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,加上成像时光照、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时,或重叠度很大时,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)时,需要同时满足下面三个条件: 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时,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
评论
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