【优秀毕设】基于TensorFlow+OpenCV的焊缝识别

已于 2023-10-07 15:29:55 修改
阅读量4k 收藏 26
点赞数 6
分类专栏： 优秀毕设项目 文章标签： tensorflow opencv 深度学习 嵌入式 单片机 物联网
于 2022-04-29 22:34:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_53403301/article/details/124505827
版权

基于TensorFlow+OpenCV的焊缝识别

文章目录

焊缝识别

原GitHub项目 跑通后进行了优化和进度显示

资源：

download.csdn.net/download/weixin_53403301/85244581

训练部分代码：

import numpy as np
import cv2
import os
import random
import tensorflow as tf

h,w = 512,512

def create_model():

    inputs = tf.keras.layers.Input(shape=(h,w,3))

    conv1 = tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(inputs)
    pool1 = tf.keras.layers.MaxPool2D()(conv1)

    conv2 = tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(pool1)
    pool2 = tf.keras.layers.MaxPool2D()(conv2)

    conv3 = tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool2)
    pool3 = tf.keras.layers.MaxPool2D()(conv3)

    conv4 = tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool3)

    upsm5 = tf.keras.layers.UpSampling2D()(conv4)
    upad5 = tf.keras.layers.Add()([conv3,upsm5])
    conv5 = tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(upad5)

    upsm6 = tf.keras.layers.UpSampling2D()(conv5)
    upad6 = tf.keras.layers.Add()([conv2,upsm6])
    conv6 = tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(upad6)

    upsm7 = tf.keras.layers.UpSampling2D()(conv6)
    upad7 = tf.keras.layers.Add()([conv1,upsm7])
    conv7 = tf.keras.layers.Conv2D(1,(3,3),activation='relu',padding='same')(upad7)

    model = tf.keras.models.Model(inputs=inputs, outputs=conv7)

    return model

images = []
labels = []

files = os.listdir('./dataset/images/')
random.shuffle(files)

for f in files:
    img = cv2.imread('./dataset/images/' + f)
    parts = f.split('_')
    label_name = './dataset/labels/' + 'W0002_' + parts[1]
    label = cv2.imread(label_name,2)

    img = cv2.resize(img,(w,h))
    label = cv2.resize(label,(w,h))

    images.append(img)
    labels.append(label)

images = np.array(images)
labels = np.array(labels)
labels = np.reshape(labels,
    (labels.shape[0],labels.shape[1],labels.shape[2],1))

print(images.shape)
print(labels.shape)

images = images/255
labels = labels/255

model = tf.keras.models.load_model('my_model')

model = create_model()  # uncomment this to create a new model
print(model.summary())

model.compile(optimizer='adam', loss='binary_crossentropy',metrics=['accuracy'])
model.fit(images,labels,epochs=100,batch_size=10)
model.evaluate(images,labels)

model.save('my_model')

识别及标定代码：

import numpy as np
import cv2
#import matplotlib.pyplot as plt
#plt.rcParams['font.sans-serif'] = ['SimHei'] # 载入字体
import os
import random
import tensorflow as tf

h,w = 512,512
num_cases = 3

images = []
labels = []

files = os.listdir('./dataset/images/')
random.shuffle(files)

model = tf.keras.models.load_model('my_model')

lowSevere = 1
midSevere = 2
highSevere = 4

#def pshow(words,picture):
#    plt.imshow(picture[:,:,::-1])
#    plt.title(words), plt.xticks([]), plt.yticks([])
#    plt.show()
    
for f in files[0:num_cases]:
    print(0,f)
    test_img = cv2.imread('./dataset/images/' + f)
    resized_img = cv2.resize(test_img,(w,h))
    resized_img = resized_img/255
    cropped_img = np.reshape(resized_img,
          (1,resized_img.shape[0],resized_img.shape[1],resized_img.shape[2]))
    
    print(1,f)
    
    test_out = model.predict(cropped_img)

    test_out = test_out[0,:,:,0]*1000
    test_out = np.clip(test_out,0,255)

    resized_test_out = cv2.resize(test_out,(test_img.shape[1],test_img.shape[0]))
    resized_test_out = resized_test_out.astype(np.uint16)

    test_img = test_img.astype(np.uint16)

    grey = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)
    
    print("LOOP:",f)
    img_len = test_img.shape[0]
    print(img_len)
    for i in range(img_len):
        print("LOOP:",f,str(int(i/img_len*100))+"%")
        for j in range(test_img.shape[1]):
            if(grey[i,j]>150 & resized_test_out[i,j]>40):
                test_img[i,j,1]=test_img[i,j,1] + resized_test_out[i,j]
                resized_test_out[i,j] = lowSevere
            elif(grey[i,j]<100 & resized_test_out[i,j]>40):
                test_img[i,j,2]=test_img[i,j,2] + resized_test_out[i,j]
                resized_test_out[i,j] = highSevere
            elif(resized_test_out[i,j]>40):
                test_img[i,j,0]=test_img[i,j,0] + resized_test_out[i,j]
                resized_test_out[i,j] = midSevere
            else:
                resized_test_out[i,j] = 0

    print("END_LOOP:",f)
    M = cv2.moments(resized_test_out)
    maxMomentArea = resized_test_out.shape[1]*resized_test_out.shape[0]*highSevere
    print("0th Moment = " , (M["m00"]*100/maxMomentArea), "%")

    test_img = np.clip(test_img,0,255)

    test_img = test_img.astype(np.uint8)
    
#    pshow(str(f),test_img)
#    cv2.imshow(str(f),test_img)
    cv2.imwrite('./save/end_'+f,test_img)
#    cv2.waitKey(0)

训练进度显示：
在这里插入图片描述

检测图

在这里插入图片描述
在这里插入图片描述

识别结果

在这里插入图片描述

附录：列表的赋值类型和py打包

列表赋值

BUG复现

闲来无事写了个小程序 代码如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Nov 19 19:47:01 2021

@author: 16016
"""

a_list = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15']
#print(len(a_list))
#b_list = ['','','','','','','','','','','','','','','','']
c_list = [[],[],[],[],[],[],[],[],[],[],[],[],[],[],[],[]]
#for i in range(16):
if len(a_list):
    for j in range(16):
        a_list[j]=str(a_list[j])+'_'+str(j)
        print("序号:",j)
        print('a_list:\n',a_list)
        
        
        c_list[j]=a_list
        print('c_list[0]:\n',c_list[0])
        print('\n')
#        b_list[j]=a_list[7],a_list[8]
#        print(b_list[j])
        # 写入到Excel：
#print(c_list,'\n')

我在程序中 做了一个16次的for循环 把列表a的每个值后面依次加上"_"和循环序号
比如循环第x次 就是把第x位加上_x 这一位变成x_x 我在输出测试中 列表a的每一次输出也是对的
循环16次后列表a应该变成[‘0_0’, ‘1_1’, ‘2_2’, ‘3_3’, ‘4_4’, ‘5_5’, ‘6_6’, ‘7_7’, ‘8_8’, ‘9_9’, ‘10_10’, ‘11_11’, ‘12_12’, ‘13_13’, ‘14_14’, ‘15_15’] 这也是对的

同时 我将每一次循环时列表a的值 写入到空列表c中 比如第x次循环 就是把更改以后的列表a的值 写入到列表c的第x位
第0次循环后 c[0]的值应该是[‘0_0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘10’, ‘11’, ‘12’, ‘13’, ‘14’, ‘15’] 这也是对的
但是在第1次循环以后 c[0]的值就一直在变 变成了c[x]的值
相当于把c_list[0]变成了c_list[1]…以此类推 最后得出的列表c的值也是每一项完全一样
我不明白这是怎么回事
我的c[0]只在第0次循环时被赋值了 但是后面它的值跟着在改变

如图：
在这里插入图片描述
第一次老出bug 赋值以后 每次循环都改变c[0]的值 搞了半天都没搞出来
无论是用appen函数添加 还是用二维数组定义 或者增加第三个空数组来过渡 都无法解决

代码改进

后来在我华科同学的指导下 突然想到赋值可以赋的是个地址 地址里面的值一直变化 导致赋值也一直变化 于是用第二张图的循环套循环深度复制实现了

代码如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Nov 19 19:47:01 2021

@author: 16016
"""

a_list = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15']
#print(len(a_list))
#b_list = ['','','','','','','','','','','','','','','','']
c_list = [[],[],[],[],[],[],[],[],[],[],[],[],[],[],[],[]]
#for i in range(16):
if len(a_list):
    for j in range(16):
        a_list[j]=str(a_list[j])+'_'+str(j)
        print("序号:",j)
        print('a_list:\n',a_list)
        
        
        for i in range(16):
            c_list[j].append(a_list[i])
        print('c_list[0]:\n',c_list[0])
        print('\n')
#        b_list[j]=a_list[7],a_list[8]
#        print(b_list[j])
        # 写入到Excel：
print(c_list,'\n')

解决了问题

在这里插入图片描述

优化

第三次是请教了老师 用copy函数来赋真值

代码如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Nov 19 19:47:01 2021

@author: 16016
"""

a_list = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15']
#print(len(a_list))
#b_list = ['','','','','','','','','','','','','','','','']
c_list = [[],[],[],[],[],[],[],[],[],[],[],[],[],[],[],[]]
#for i in range(16):
if len(a_list):
    for j in range(16):
        a_list[j]=str(a_list[j])+'_'+str(j)
        print("序号:",j)
        print('a_list:\n',a_list)
        
        
        c_list[j]=a_list.copy()
        print('c_list[0]:\n',c_list[0])
        print('\n')
#        b_list[j]=a_list[7],a_list[8]
#        print(b_list[j])
        # 写入到Excel：
#print(c_list,'\n')

同样能解决问题
在这里插入图片描述
最后得出问题 就是指针惹的祸！

a_list指向的是个地址 而不是值 a_list[i]指向的才是单个的值 copy()函数也是复制值而不是地址

如果这个用C语言来写 就直观一些了 难怪C语言是基础 光学Python不学C 遇到这样的问题就解决不了

C语言yyds Python是什么垃圾弱智语言

总结

由于Python无法单独定义一个值为指针或者独立的值 所以只能用列表来传送
只要赋值是指向一个列表整体的 那么就是指向的一个指针内存地址 解决方法只有一个 那就是将每个值深度复制赋值（子列表内的元素提取出来重新依次连接） 或者用copy函数单独赋值

如图测试：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
部分代码：

# -*- coding: utf-8 -*-
"""
Created on Sat Nov 20 16:45:48 2021

@author: 16016
"""

def text1():
    A=[1,2,3]
    B=[[],[],[]]
    for i in range(len(A)):
        A[i]=A[i]+i
        B[i]=A
        print(B)

def text2():
    A=[1,2,3]
    B=[[],[],[]]
    
    A[0]=A[0]+0
    B[0]=A
    print(B)
    A[1]=A[1]+1
    B[1]=A
    print(B)
    A[2]=A[2]+2
    B[2]=A
    print(B)
    
if __name__ == '__main__':
    text1()
    print('\n')
    text2()

py打包

Pyinstaller打包exe（包括打包资源文件 绝不出错版）

依赖包及其对应的版本号

PyQt5 5.10.1
PyQt5-Qt5 5.15.2
PyQt5-sip 12.9.0

pyinstaller 4.5.1
pyinstaller-hooks-contrib 2021.3

Pyinstaller -F setup.py 打包exe

Pyinstaller -F -w setup.py 不带控制台的打包

Pyinstaller -F -i xx.ico setup.py 打包指定exe图标打包

打包exe参数说明：

-F：打包后只生成单个exe格式文件；

-D：默认选项，创建一个目录，包含exe文件以及大量依赖文件；

-c：默认选项，使用控制台(就是类似cmd的黑框)；

-w：不使用控制台；

-p：添加搜索路径，让其找到对应的库；

-i：改变生成程序的icon图标。

如果要打包资源文件
则需要对代码中的路径进行转换处理
另外要注意的是 如果要打包资源文件 则py程序里面的路径要从./xxx/yy换成xxx/yy 并且进行路径转换
但如果不打包资源文件的话 最好路径还是用作./xxx/yy 并且不进行路径转换

def get_resource_path(relative_path):
    if hasattr(sys, '_MEIPASS'):
        return os.path.join(sys._MEIPASS, relative_path)
    return os.path.join(os.path.abspath("."), relative_path)

而后再spec文件中的datas部分加入目录
如：

a = Analysis(['cxk.py'],
             pathex=['D:\\Python Test\\cxk'],
             binaries=[],
             datas=[('root','root')],
             hiddenimports=[],
             hookspath=[],
             hooksconfig={},
             runtime_hooks=[],
             excludes=[],
             win_no_prefer_redirects=False,
             win_private_assemblies=False,
             cipher=block_cipher,
             noarchive=False)

而后直接Pyinstaller -F setup.spec即可

如果打包的文件过大则更改spec文件中的excludes 把不需要的库写进去（但是已经在环境中安装了的）就行

这些不要了的库在上一次编译时的shell里面输出
比如：
在这里插入图片描述

在这里插入图片描述
然后用pyinstaller --clean -F 某某.spec

网易独家音乐人Mike Zhou
关注
  • 6
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
【目标检测】基于深度学习的焊接件表面缺陷检测(yolov5算法，附代码和数据集)
学无止境、积少成多、厚积薄发
04-21 250
基于深度学习的焊接件表面缺陷检测(yolov5算法，附代码和数据集)
优秀毕设基于TensorFlow+OpenCV的焊缝识别
04-29
基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827
毕业设计-基于深度学习的金属焊缝缺陷识别检测系统 YOLO python 机器学习 目标检测 人工智能 算法
毕设帮助,疑难解答,欢迎打扰!
12-22 673
毕业设计-基于深度学习的金属焊缝缺陷识别检测系统的毕业设计。该系统利用深度学习技术，结合预训练的卷积神经网络，实现对金属焊缝缺陷的自动识别和检测。通过训练模型并使用测试数据进行推理，系统能够高效准确地检测出焊缝中的各类缺陷，并给出置信度评估。该设计具有广泛的应用前景，为焊缝质量控制提供了一种快速、可靠的解决方案。通过介绍和实验结果，学生将深入了解金属焊缝缺陷识别检测系统的原理和性能，并为相关领域的进一步研究和应用提供有益的参考。
毕业设计-基于主动视觉的焊缝识别技术
Hai_Lang_IT的博客
03-30 1449
毕业设计-基于主动视觉的焊缝识别技术：随着焊接生产自动化和智能化的快速发展，对焊接的自动化和智能化提出了新的 要求，并提出了一种基于主动视觉的焊接机器人系统。通过使用激光器作为辅助光源， 将机器视觉与机器人控制运动结合，构成了焊接机器人中必不可少的部分。基于视 觉的焊接机器人非常灵活，适应性强，智能化程度高，并且可以实时检测焊接环境， 离线定位焊件位置，自动检测焊头类型，实时规划路径，从而实时控制焊缝质量， 提高焊接的生产率。此外，在恶劣的环境中，具有视觉的焊接机器人可以代替人类， 自动实现焊接，减少人类直
Opencv图像处理
weixin_44142032的博客
03-16 2054
目录OpenCV 和 TensorflowRGB积分图像图像的直方图直方图的均衡化 OpenCV 和 Tensorflow OpenCV是计算机视觉库，Tensorflow是深度学习框架。 OpenCV包含了大量的图像处理和计算机视觉的算法，但是在机器学习方面明显不足，ML模块只有SVM，MLP，kNN等有限的几种算法。dnn模块也是调用别的框架。 Tensorflow是专为深度学习而生，可以方便的实现各种深度学习算法。 二者不属于同一领域，做视觉用OpenCV，做深度学习用Tensorflow。或者二者结
计算机视觉（OpenCV+TensorFlow）
aaaaaaaa273216的博客
12-02 1698
本系列文章是继银行卡号实战项目后的图像高级操作教程的第一篇，在银行卡号之前所学的图像操作可以满足大部分场景，但是有一些特殊场景就需要一些高级操作进行处理了本篇文章主要讲述的是图像特征的检测，从这里开始之后，就会大量地涉及到高等数学，线性代数，概率论等数学知识，如果那个小伙伴这些基础的数学功底还没打好的话，建议先去巩固一下数学基础我是Mayphry，从一点点到亿点点，我们下次再见。
4-9-2 opencv与tensorflow入门
贵在坚持
08-01 5508
opencv入门前言安装Anaconda(windows)功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 在入门...
从零开始用Tensorflow实现YOLO物体检测算法
04-21 9902
一直对物体检测算法很感兴趣，记录一下自己用Tensorflow来重现YOLO论文的过程。这里的程序代码都是个人原创。 我认为YOLO论文是一个开创性的研究成果，通过对图像划分多个网格，并对网格的物体进行预测，在速度上大大领先其他的物体检测算法，例如Regional CNN，Faster RCNN等。YOLO的论文写的不是太好读懂，特别是关于LOSS函数的计算这一部分。网上对于YOLO论文的解读有...
Wound-Analysis-Frontend：一种用于捕捉，自动测量面积和分析糖尿病伤口的系统，该系统利用OpenCV与Flask API集成的OpenCV进行图像分析和React Web界面。 该存储库包含前端功能
02-11
建立 这是前端应用程序。 在前端运行npm start该应用程序将在localhost：3000上运行 界面和分析示例图
优秀毕设-基于TensorFlow+OpenCV的焊缝识别
02-10
基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827
基于tensorflow+opencv的人脸识别算法源码.zip
01-17
1、该资源内项目代码经过严格调试，下载即用确保可以运行！ 2、该资源适合计算机相关专业(如计科、人工智能、大数据、数学、电子信息等)正在做课程设计、期末大作业和...基于tensorflow+opencv的人脸识别算法源码.zip
基于OpenCV的焊缝图像边缘检测方法
05-30
基于OpenCV的焊缝图像边缘检测方法
基于tensorflow+opencv的人脸识别算法完整源码.zip
最新发布
03-29
【资源说明】 1、该资源内项目代码都是经过测试运行成功，功能正常的情况下才上传的，请...3、不仅适合小白学习实战练习，也可作为大作业、课程设计、毕设项目、初期项目立项演示等，欢迎下载，互相学习，共同进步！
C++ OpenCV实践：复杂划痕背景下检测缺陷
DU_YULIN的博客
10-02 3147
文章目录前言1.2. C++ OpenCV实现3. 结果展示：总结 前言 1. 2. C++ OpenCV实现 #include <opencv2\imgcodecs.hpp> #include <opencv2\core.hpp> #include <opencv2\imgproc.hpp> #include <opencv2\highgui.hpp> #include <vector> using namespace cv; int m
使用 OpenCV 在 Python 中检测图像中的形状
allway2的博客
01-20 5696
OpenCV 是一个开源库，主要用于处理图像和视频以识别形状、对象、文本等。它主要与 python 一起使用。在本文中，我们将了解如何检测图像中的形状。为此，我们需要OpenCV 的cv2.findContours()函数，并且我们将使用cv2.drawContours()函数在图像上绘制边缘。轮廓是形状的轮廓或边界。 方法 导入模块 导入图片 将其转换为灰度图像 对图像应用阈值，然后找出轮廓。 在轮廓范围内运行一个循环并遍历它。 在这个循环中绘制形状的轮廓（使用 drawContours(.
毕业设计-基于机器视觉的焊缝图像处理研究- OpenCV
Hai_Lang_IT的博客
01-04 2499
毕业设计-基于机器视觉的焊缝图像处理研究- OpenCV ：随着社会经济的不断发展，汽车、机械、航空等现代工业制造领域也得到了高速的发展。焊接是工业制造工艺中非常重要的一个部分，而焊接技术也是国家机械制造和科技发展程度的标志之一。为了提高生产率和生产质 量，焊接机器人开始代替人工焊接。但此时的焊接机器人大多是示教再型 机器人，其对焊接环境要求比较高。在焊接过程中，工件受热会发生形变，由于示教再现机器人只是按照既定的焊接轨迹进行焊接，无法精确识别形变 后的焊缝位置，从而造成焊接质量问题。了克服该缺陷，焊缝识别
opencv-python利用k均值算法完成焊点识别
weixin_44289316的博客
08-17 912
#draw.用来画图 import cv2 import numpy as np #mouse callback function from knn import * ix,iy=-1,-1 #创建图像与窗口并将窗口与回调函数绑定 def in_img(): for i in range(512): img[i, ] = 255 cv2.namedWindow('image') cv2.setMouseCallback('image',draw_circle
【开发BS标准对钢焊接结构疲劳寿命评估的Python代码】
weixin_46467136的博客
05-09 938
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 基于BS标准对焊接结构疲劳寿命预测：使用Python软件编写钢结构在等幅应力循环下疲劳寿命预测代码。 前言 本文通过使用Python软件，编写了钢结构在BS标准下的疲劳寿命评估代码（等幅应力循环作用下）。可通过选取疲劳等级和输入焊缝评估点位置的第一主应力值，直接得出该评估点在置信区间分别在0σ，-2σ，-3σ时的疲劳寿命。 一、英国BS标准的名义应力法 BS 7608标准是英国《钢结构抗疲劳设计与评估》，该标准起初是英国焊接研究所在.
基于TensorFlow的车牌号识别系统
热门推荐
Jsmile_msj的博客
05-03 2万+
基于TensorFlow的车牌号识别系统
基于python+Opencv的车牌识别
06-08
好的，针对你的问题，我可以提供一些思路和方向，希望能对你有所帮助。 1. 图像预处理：对于车牌识别来说，图像预处理是非常重要的一步。可以采用灰度化、二值化、图像增强等方法，使得图像更加清晰、易于分析。 2. 车牌定位：车牌定位是指在整张图像中找到车牌的位置并进行定位。可以采用基于颜色空间的方法、基于边缘检测的方法等。 3. 字符分割：车牌中的字符需要进行分割，以便后续进行识别。可以采用基于垂直投影的方法、基于连通域的方法等。 4. 字符识别：字符识别是整个车牌识别系统的核心部分。可以采用基于模板匹配的方法、基于特征提取的方法、基于深度学习的方法等。 5. 车牌信息整合：最后，将所有识别出的字符信息进行整合，得到最终的车牌信息。可以采用字符串拼接的方法、字典匹配的方法等。 以上是基于python+Opencv的车牌识别的一些思路和方向，希望能对你有所帮助。如果有需要，我可以提供更加详细的说明和代码实现。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

网易独家音乐人Mike Zhou

光电帝国，光联万物！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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