缘 起给客户做PoC，把脚本运行的过程录屏发给客户，客户之前没有接触过RPA，表示看不懂，只看到鼠标键盘进行了一系列的操作，于是给视频加上了字幕，对每个步骤进行了讲解，客户一下就看懂了。电脑面前没人的时候，正在运行RPA脚本的电脑看起来怪怪的，明明没人电脑却操作的行云流水，如果有一个提示就好了。WeAutomate在运行时可以通过消息框或实时日志给予用户提示，消息框文字很小，需要用户点击关闭或延时消失，用户可能会忽略，而日志基本上是给技术人员准备的，信息太多，滚动太快，有么有更好的方式？如果你有上面的痒点，那么华为WeAutomate的这款插件-屏幕文字可能适合你。屏幕文字可以在屏幕上显示一行文字，这行文字没有窗体，永远位于顶层，背景透明，就像这样：​以优雅、非阻塞(Non-Blocking)的方式在屏幕上直接显示提示信息。类似的功能UiBot也有，称为写屏，不得不说这个功能很好用。UiBot的RPA运行时典型界面是这样的：屏幕上像字幕一样显示：”机器人正在运行，期间请勿操作鼠标键盘”，”正在处理数据文件xxx.xlsx”，”调用OCR识别发票文件xxxx，当前处理到13/137”，”登录XXX系统失败，尝试再次登录2/3”……前段时间成都因为疫情静默了15天，闲着也是闲着，开发了WeAutomate的插件-TextScreen 屏幕文字，自家买菜用，也希望能帮到你。功能：在屏幕上显示一行文字，在机器人运行期间给用户最直观的提示。文字水平自动居中，可选大小、颜色、垂直靠上、居中、向下。文字无窗体，背景透明，永远位于顶层不会被遮挡。文字将持续显示，直到被新的文字替换或关闭。非阻塞运行(Non-Blocking)插件包括三个命令：初始化屏幕文字、在屏幕上显示单行文本、关闭屏幕文字。​初始化和关闭除了超时时间和执行前延时不需要特别的参数。在屏幕上显示单行文本可选文字内容(默认一个空格)、文字颜色(#000000格式，默认绿色)、文字大小(默认50)、设置文字垂直位置(上VTOP、中VCENTER、下VBOTTOM，默认垂直居中)。我们来看下使用效果：几个技巧Tips:流程结束前记得要关闭屏幕文字，不然文字将一直存在。文字创建后将一直显示，除非被新的文字替换或关闭。如果需要清除文字，可以在屏幕上显示空格，默认就是一个空格。自定义扩展可以发布到管理中心，执行器运行调用使用了自定义扩展的脚本时可下拉安装，如果没有管理中心，执行器手动安装自定义扩展较为繁琐，有一个笨方法是装一个Studio，在Studio中安装自定义扩展，执行器也会识别到自定义扩展。

据权威数据显示，2021年我国煤炭消费占一次能源消费总量的比重达到56.0%，煤炭在我国能源供给结构中的“压舱石”地位由此可见一斑。然而如此重要的一个行业，长期以来处于信息化建设的洼地，给外界以“环境恶劣”、“技术落后”、“事故频发”等印象。为了保障煤炭行业的安全高效生产，国家发改委和能源局等八部委于2021年发布了《关于加快煤矿智能化发展的指导意见》，从而，掀起了我国煤矿智能化建设的高潮。而主煤流运输系统作为煤矿生产的重要环节，是煤矿智能化的必建项目，因此，如何提高主煤流运输系统的智能化水平，以实现主煤流运输系统的安全、高效运转，是煤矿行业亟需解决的难题。▲ 主煤流运输系统示意图由于主煤流运输路途长，单个主运输里程都在几十公里以上，且沿途环节复杂，当前的监控、运维手段存在着对于主煤流运输系统整体设备状态、人员信息、环境信息感知不全面，皮带物料状态不清、人员违章无法监控等痛点，并且由于煤矿开采的不均衡性，导致带式输送机常处于“大马拉小车”的非最优运行状态，不仅造成了电能浪费，也使带式输送机传动系统、转动部件、输送带形成无效磨损，缩短了设备使用寿命。那么，要如何彻底、高效地解决这些痛点呢？在2022华为开发者大赛上，华夏天信给出了他们的方案——智能主煤流运输监控系统，基于华为云开天aPaaS集成工作台，集合了华为云AI、ROMA等多个云服务的能力，实现了主煤流运输系统多源异构数据的融合，皮带物料、人员违章的智能感知以及皮带的智能控制。● 多源数据集成融合：实现 “人、机、环、管”四要素的协同管控通过将主煤流运输系统的皮带集控和人员定位、安全监控、视频监控、AI隐患分析、电力监控系统、GIS以及其它系统设备的数据，基于时间与空间的特征进行融合，华夏天信打通了多源数据之间的壁垒，实现了主煤流运输生产活动中“人、机、环、管”四大要素的协同管控。● 皮带告警联动和通讯调度：实现皮带启停/调速控制及主运系统的功能闭环华夏天信对接煤矿军团盘古大模型皮带异物AI识别算法，能够对皮带异常、人员违规、皮带煤量进行实时监控，并结合GIS地图，准确地显示并跟踪皮带告警及异常位置。当智能主煤流运输监控系统收到皮带告警后，会根据告警的级别对皮带进行降速或停机操作；同时与通信系统联动，通过短信、广播、矿灯、5G手机、固定电话等，及时调度相关人员到现场排除故障，从而实现了整个主煤流运输系统的“发现问题、确认问题、解决问题、关闭问题”的业务闭环。● 根据煤量自动调节皮带运行速度：实现节能降耗、安全高效运输在智能主煤流运输监控系统中，AI识别煤量后，可自动调节皮带的运行速度，从而达到皮带“多煤快跑、少煤慢跑、无煤待机”的运行状态，实现了节能降耗，带来了切实好处。一是，有助于实现智能矿山建设中“集中远控、少人/无人值守”的目标。按每条皮带减少1名巡检工来说，5条皮带、3个班次便可减少15人，这不仅可以满足智能矿山建设“减人、少人”的验收标准，还可以有效减少甚至避免人员伤亡；二是，为煤矿提产增效。智能主煤流运输监控系统，可大大缩短由堆煤或皮带撕裂导致的停机时间。以某年产1000万吨的煤矿来看，传统方式管理下，每年平均因堆煤导致156个小时的停机时间，使用智能主煤流运输监控系统后，通过提前感知及自动化调度，一年可缩减停机时间约84小时，这可为客户增产16万吨煤，按每吨600元计算，可增收9600多万元。● 基于华为云开天aPaaS：实现灵活架构和快速集成、开发从IoT、AI到通信、GIS，智能主煤流运输监控系统涉及到了方方面面的能力，业务流程相当复杂。按照传统开发模式的话，开发这样一套系统需要进行技术选型->开发人员对每个系统进行对接开发->在动态的煤矿场景中，维护不同系统的联动……花费的时间、人力可想而知。那华夏天信在此次开发者大赛上，是怎样快速、高效地构建这套系统的呢？基于华为云开天aPaaS，搭建更加灵活的技术架构并进行高效的集成和开发，从而快速实现视频AI与传感器监控、综合保护装置的联动保护控制、煤流量联动控制、集中协同控制、语音自动报警等功能。首先，将井下不同系统的数据统一接入到集成平台上，再通过开天aPaaS集成工作台进行连接器的开发；其次，根据业务联动的需要，在集成工作台通过拖、拉、拽对业务流进行编排，实现智能化的联动，后续如果业务有变动，也可以在此基础上进行快速的编排，无需重新开发代码。最后，在开天集成工作台中开发好的连接器和业务流，在DMAX中开发卡片的时候可以直接调用，最终基于华夏天信的RED-MOS平台通过低码化的方式对这些卡片进行组装、展示。由此，华夏天信的智能主煤流监控系统就完成了。通过这种方式，不仅降低了数据和应用集成的复杂度，也极大提升了创新应用的开发效率。《关于加快煤矿智能化发展的指导意见》规划了从2021年到2035年的持续建设任务，“智能主运系统”作为必建项目之一，需覆盖全国煤矿4500多座，除此之外还有3万多座非煤矿山，由此可见，智能主运系统的建设任重而道远。未来，华为云开天aPaaS希望能继续携手华夏天信，在完善智能主煤流运输监控系统的同时，打造更多煤矿行业创新应用，为煤矿的智能化建设提速！

已完成已完成已完成已完成

分子图像自监督学习框架ImageMol分子的表征学习（Molecular Representation Learning）是近年来非常热门的方向，目前可分为诸多门派：计算药学家说：分子可以表示为一串指纹，或者描述符，如上海药物所提出的 AttentiveFP，是这方面的杰出代表。NLPer 说：分子可以表示为 SMILES（序列），然后当作自然语言处理，如百度的 X-Mol，是这方面的杰出代表。图神经网络研究者说：分子可以表示为一个图（Graph），也就是邻接矩阵，然后使用图神经网络处理，如腾讯的 GROVER, MIT 的 DMPNN，CMU 的 MOLCLR 等方法，都是这方面的杰出代表。但是，目前的表征方法仍存在一些局限性。比如，序列表征缺乏分子的显式结构信息，现有图神经网络的表达能力仍有诸多局限（中科院计算所沈华伟老师对此有论述，见沈老师报告“图神经网络的表达能力”）。有趣的是，在高中化学学习分子的时候，我们看到的是分子的图像，化学家在设计分子时，也是对照分子图像进行观察和思考。一个自然的想法油然而生：“为什么不直接用分子图像来表征分子呢？”ImageMol 的整体架构如下图所示，总共分为三部分：（1） 设计一个分子编码器 ResNet18（浅蓝色），能够从约 1000 万张分子图像中提取潜在特征 (a) 。（2）考虑分子图像中的化学知识和结构信息，利用五个预训练策略（MG3C、MRD、JPP、MCL、MIR）来优化分子编码器的潜在表示 (b) 。具体来说为：① MG3C（Muti-granularity chemical clusters classification 多粒度化学簇分类）：其中的结构分类器 Structure classifier（深蓝色）用于预测分子图像中的化学结构信息；② MRD（Molecular rationality discrimination 分子合理性判别器）：其中的合理性分类器 Rationality classifier（绿色），它用于区分合理与不合理的分子；③ JPP（Jigsaw puzzle predicition 拼图预测）：其中的拼图分类器 Jigsaw classifier（浅灰色）用于预测分子的合理排列；④ MCL（MASK-based contrastive learning 基于 MASK 的对比学习）：其中的对比分类器 Contrastive classifier（深灰色）用于最大化原始图像和 mask 图像之间的相似性；⑤ MIR（Molecular image reconstruction 分子图像重建）：其中的生成器 Generator（黄色）用于将潜在特征恢复分子图像，判别器 Discriminator（紫色）用于区分真实图像和生成器生成的假的分子图像。论文链接：https://www.nature.com/articles/s42256-022-00557-6.pdf

完成了

9月21日，【华为开发者大赛暨HCSD校园沙龙】走进宁波大学科学技术学院。本次活动由华为技术有限公司主办，宁波大学科学技术学院、华为云开发者联盟产品部以及华为云宁波沃土工场联合承办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出【华为开发者大赛暨HCSD校园沙龙】活动，旨在协权威专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动现场助力产教融合，架起高校学子和“云服务”连接桥梁活动伊始，宁波大学科学技术学院副院长朱世华在活动当天的发言中表示华为作为我国民营高科技企业，在引领产业发展和人才培养方面均提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。本次沙龙活动促进了校企合作实质性开展。宁波大学科学技术学院副院长 朱世华“如今数字产业在迅速发展，而构建产业生态，人才是关键；数字人才，高校学生是核心；未来，高校人才是数字产业的践行者。”华为云中国区副总裁陈玙说，华为公司将继续紧密携手宁波大学科学技术学院，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，助力高校数字人才的培养。华为云中国区副总裁 陈玙深化人才培养，华为开发者大赛与校园沙龙并驾齐驱华为云赋能云生态总监程国春从产业发展与人才培养双向驱动的角度出发，分享了基于开发者旅程，高校生态助力人才培养的发展战略。华为云持续参与教育部项目，通过贡献丰富的资源、活动和赛事全面助力产教融合，旨在持续深化校企合作，打造人才培养闭环，助力数字人才输出，共建优良高校生态。他表示，华为云将持续为院校提供优质的资源，共同打造值得信赖、共创共享共赢的生态体系，共谱人才培养新乐章。华为云赋能云生态总监 程国春接着，华为大赛运营专家郑彭元详细介绍了华为开发者大赛，“开发者是数字时代勇于创新的中坚力量，每一个开发者都了不起。”本次大赛以Spark Infinity 创想无限为主题。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。华为大赛运营专家 郑彭元2022年，华为云推出了高校圈层活动品牌HCSD（Huawei Cloud Student Developers）,即华为云学生开发者，由校园大使为代表的校园开发者组织，旨在通过树立榜样培养更多优秀的?校开发者。本次活动现场，信息工程学院院长钟才明和华为浙江宁波云业务部总经理吕想为优秀的校园大使卢羽、杨永祺同学进行颁发证书。AI实操升级，行业专家现场支招如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云EI开发者生态工程师岩风针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 岩风活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。师生现场互动指导实操

9⽉14⽇，【华为开发者大赛暨HCSD校园沙龙】走进无锡南洋职业技术学院。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、华为无锡软件开发云创新中心联合承办，无锡南洋职业技术学院·智能装备与信息工程学院协办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出【华为开发者大赛暨HCSD校园沙龙】活动，旨在协华为专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动现场合照活动伊始，无锡市计算机学会副理事长兼秘书长致辞表示，华为在人才培养方面提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。本次沙龙活动促进了校企合作实质性深层次开展。无锡市计算机学会副理事长兼秘书长随后，华为大赛运营专家刘雅婕详细介绍了华为开发者大赛江苏赛区，本届大赛江苏赛区以“Spark Infinity 创想无限”为主题。此次在无锡正式启动的2022华为开发者大赛江苏赛区是中国赛区的一个重要组成部分。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。参赛者可在华为云官网报名，作品征集将持续至2022年10月8日，开发者可以充分发挥想象力进行创新创造，解决实际问题。华为开发者大赛运营专家 刘雅婕如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇学好AI呢？华为云EI开发者生态工程师青姚老师人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何使用文字识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 青姚活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。活动现场学生实操

9月27日，华为开发者大赛暨HCSD校园沙龙走进无锡职业技术学院。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、华为无锡软件开发云创新中心联合承办，无锡职业技术学院协办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出华为开发者大赛暨HCSD校园沙龙活动，旨在协华为专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动现场活动伊始，无锡职业技术学院 物联网技术学院院长蔡建军致辞表示，华为在人才培养方面提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。本次沙龙活动促进了校企合作实质性深层次开展。无锡职业技术学院 物联网技术学院院长 蔡建军随后，华为云中国区生态总监程国春致辞表示，高校人才是数字产业的践行者，未来华为公司将继续紧密携手无锡职院，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，助力高校数字人才的培养。华为云中国区生态总监 程国春HarmonyOS是一款面向万物互联时代的、全新的分布式操作系统。在传统的单设备系统能力基础上，HarmonyOS提出了基于同一套系统能力、适配多种终端形态的分布式理念，能够支持手机、平板、智能穿戴、智慧屏、车机等多种终端设备，提供全场景移动办公、运动健康、社交通信、媒体娱乐等业务能力。华为开发者创新中心鸿蒙技术专家胡宇基于鸿蒙的发展旅程、鸿蒙的技术框架和技术特性几个方面进行了详细讲解，并为大家演示了基于鸿蒙操作系统进行软件、硬件开发。华为开发者创新中心鸿蒙技术专家 胡宇接下来，主持人详细介绍了华为开发者大赛，本届大赛以“Spark Infinity 创想无限”为主题，面向开发者开放华为云能力，为广大开发者提供了海量API接口。期待开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。参赛者可在华为云官网报名，作品征集将持续至2022年10月8日，开发者可以充分发挥想象力进行创新创造，解决实际问题。如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇学好AI呢？华为云EI开发者生态工程师青姚老师针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何使用文字识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 青姚活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。活动现场华为无锡软件开发云创新中心始终致力于携手政校企多方合作,为无锡数字经济发展培养输送创新性、应用型人才。未来，华为云将带来更多的产教融合活动、专业技术培训、激励扶持等，全面助力繁荣无锡人才生态。

10⽉19⽇下午，华为云HCSD校园沙龙走进浙江中医药大学活动圆满落幕。本次活动由华为技术有限公司主办，由华为云开发者联盟产品部、浙江省鲲鹏生态创新中心承办，浙江中医药大学医学技术与信息工程学院协办，携华为专家走进浙江中医药大学，与高校开发者共话前沿技术，赋能培养开发者，共建“医工信人才校企联合培养基地”，繁荣高校开发者生态，助力院校人才培养。本次活动由浙江中医药大学医学技术与信息工程学院副院长肖永涛主持，活动伊始，浙江中医药大学医学技术与信息工程学院院长丁志山致辞中表示，学校坚持“培养应用型人才”办学定位、发扬“校院企协同育人”办学特色。校企合作是推进办学模式与人才培养模式改革、实现学校又快又好发展的切实需要，对培养适合企业发展、具有全面素质与创新能力人才具有重要意义。华为在人才培养方面提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。浙江中医药大学医学技术与信息工程学院院长  丁志山随后，华为云中国区副总裁陈玙致辞表示，高校是服务经济社会发展的重要智力支持和人才培养基地，未来华为公司将继续紧密携手浙江中医药大学，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，协同高校共建数字人才生态圈！华为云中国区副总裁 陈玙为推动建立长久发展的产教融合创新合作模式，打造人才交流、资源共享的通道，会上浙江中医药大学医学技术与信息工程学院科研主管副院长赖小波、学院医学信息工程专业负责人李敏、华为云浙江副总经理刘东来、QST青软集团青软浙江区域总经理陈璐代表三方为医工信人才校企联合培养基地揭牌，标志校企双方已正式搭建产学研平台，拉开深度校企合作、协同育人的新篇章。医工信人才校企联合培养基地揭牌仪式如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云AI专家岩风老师针对AI入门常见问题、华为云AI开发平台简介，华为云AI社区，以及华为云开发者认证四方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验，《商超商品识别》，学习了解了如何在云上使用AI，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 岩风活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，华为云开发者技术支持工程师晋文帅现场解读了华为云开发者认证权益与认证考试券名额，同时动员学生参与为期3天开发者认证体系训练营课程，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。华为云开发者技术支持工程师 晋文帅本次沙龙活动促进了校企合作实质性深层次开展。未来浙江省鲲鹏生态创新中心将继续紧密携手浙江中医药大学带来更多的产教融合活动、专业技术培训、激励扶持等，为浙江数字经济发展培养输送创新性、应用型人才。

9月24日下午，华为开发者大赛暨HCSD校园沙龙走进浙江工业大学活动圆满落幕。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、浙江工业大学信息工程学院、华为杭州新工业赋能中心承办，E+领导力辅导员工作室协办，旨在携华为专家走进浙江工业大学，与高校开发者共话前沿技术，赋能培养开发者，共建高校生态，助力院校人才培养。活动现场活动伊始，浙江工业大学信息工程学院团委副书记孟詹锞老师作为主持人，表示热烈欢迎华为云携专家走进浙江工业大学，同时希望同学们好好利用本次机会，积极参与活动。浙江工业大学信息工程学院团委副书记 孟詹锞接着，华为大赛运营专家刘雅婕详细介绍了华为开发者大赛，“开发者是数字时代勇于创新的中坚力量，每一个开发者都了不起。”本次大赛以Spark Infinity 创想无限为主题。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。华为大赛运营专家 刘雅婕如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云EI开发者生态工程师岩风针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣。华为云EI开发者生态工程师 岩风开发者技术支撑专家文帅老师为同学们讲解了云原生概念、应用现状、产业发展趋势及华为云开发者认证。通过理论与实践结合，帮助大家快速理解所学要点，让同学们对云原生有了新的认识，增强了同学们的视野及考取华为云开发者认证的信心。开发者技术支撑专家 文帅活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。活动现场本次沙龙活动促进了校企合作实质性深层次开展。未来浙江华为云将继续紧密携手浙江工业大学，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，助力浙江高校数字人才的培养。

10⽉18⽇下午，华为云【HCSD校园沙龙】走进江西应用科技学院。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、华为(江西)VR/AR软件中心、华为（江西）智能网联汽车产业创新中心承办，江西应用科技学院软件与区块链学院协办。华为云推出【HCSD校园沙龙】活动，旨在携行业专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动伊始，江西应用科技学院软件与区块链学院院长卞秀运对举办此次活动的目的作出说明，并向在场同学介绍此次莅临活动的嘉宾和专家。随后江西应用科技学院副校长李建萍发表致辞，他表示江西应用科技学院一直“坚持产教融合，深度开展校企合作”的办学特色，与华为公司一直保持着深度合作，探索Harmony OS人才培养模式，先后多名老师参加了华为的专项学习和培训，致力于将学校建设成为应用型技术技能型人才培养、前沿技术研发、人才创新创业的新高地。同时他也相信通过本次HCSD校园沙龙活动，同学们对华为云将会有更深刻的了解，对于如何成为一名优秀的开发者有更明确的方向和目标。深化人才培养，助力产教融合华为开发者创新中心运营总监高荀则从产业发展与人才培养双向驱动的角度出发，展开题为《华为开放能力 助力新时代人才培养》的主旨演讲。在演讲中，高荀向在场学生介绍了华为开放能力，并分享华为开发者创新应用中心的运营模式等相关内容。期间，她重点提到华为云人才培养战略，将多维度互动体验式教学，助力院校培养高水平应用型学生。同时，华为还将基于对产业行业的政策、市场、技术调研和发展趋势的预判，融合华为商用解决方案产品与技术，结合高校专业原有人才培养方案与教学计划，共同制定适合高校教学，适应行业需求，具备产教融合特色的人才培养方案，教学计划与课程体系，帮助高校明确与细化专业培养、目标及学生毕业能力要求。AI实操升级，行业专家现场支招如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云EI开发者生态工程师岩风针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验<图像动漫化>,学习了解如何将图像变成动漫效果，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。活动现场，同学们也踊跃参与到讨论中，氛围十分活跃，不少同学抓住此次机会与专家进行互动问答、切磋交流。转眼活动进入尾声，华为还为江西应用科技学院同学们开放了华为云开发者认证专属考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。一直以来，华为云创新中心都积极与高校以及产教融合机构紧密合作，持续孵化江西开发者人才生态圈。华为云创新中心也将基于华为云生态体系，面向江西各大高校构筑开发者生态，输出华为云技术能力，为校园开发者提供丰富的开发工具、搭建学习、交流、分享、实践的平台，营造本地产业生态，建立伙伴互利共赢的合作机制。面向未来，华为云将继续扎根江西省，深入不同领域业务场景，加速全栈创新，为开发者带来实际技术提供支持，与伙伴一同发展，共同加快产业数字化进程，提升核心竞争力，助力江西培育更加适宜的“数字生态”，播撒更多优良的“技术种子”，打造数字经济发展新高地。

8⽉30⽇，“华为开发者大赛暨HCSD校园沙龙”走进深圳技术大学。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、鲲鹏产业源头创新中心承办，深圳技术大学大数据与互联网学院、开源创客协会协办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出“华为开发者大赛暨HCSD校园沙龙”活动，旨在携华为专家走进深圳技术大学，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动伊始，深圳技术大学大数据学院副院长曹建民发表致辞，“校企合作是数字人才培养制度的创新，更是理论与实践相结合的教学模式传承，不仅服务企业发展的人才需求，对促进学校人才培养也具有重要意义。”他还表示，本次沙龙活动标志着双方合作的再次深化以及进一步协同创新。深圳技术大学大数据学院副院长 曹建民随后，深圳华为云教育生态总监肖展鸿为到场师生详细介绍了华为云赋能高校人才培养的定位及目标。他指出：在全球数字经济转型的国际大背景下，我们的社会迫切需要技术能力强、实践能力强、创新能力强的复合型人才，推进自主创新、产业升级需要人才先行。鲲鹏产业源头创新中心是由深圳市人民政府和华为公司双方联合建立，并在此基础上由深圳市各区人民政府和华为公司针对区域产业特色建立多个区域创新中心，集中培养在华为云鲲鹏云服务、智能制造、企业智能、工业互联网等多个方向的创新人才，建立人才资源池以汇聚、输出行业通用性人才，在此基础上重点培养行业高、精、尖、缺人才，对产业形成人才输出效应，打造深圳市创新人才高地。深圳华为云教育生态总监 肖展鸿接着，华为大赛运营专家郑彭元详细介绍了华为开发者大赛，“开发者是数字时代勇于创新的中坚力量，每一个开发者都了不起。”本次大赛以“Spark Infinity 创想无限”为主题。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。华为大赛运营专家 郑彭元如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云AI专家雅琴老师针对AI入门常见问题、AI发展现状与趋势、华为云开发者认证简介、华为云开发者认证权益四方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验“文字识别API服务调用”，学习了解如何使用文字识别API服务，快速实现图片转文字功能，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云AI专家 刘雅琴活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。

图像特征提取特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的定义特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。图像识别技术的产生是基于人工智能的基础上，所以计算机图像识别的过程与人脑识别图像的过程大体一致，归纳起来，该过程主要包括4个步骤：1是获取信息，主要是指将声音和光等信息通过传感器向电信号转换，也就是对识别对象的基本信息进行获取，并将其向计算机可识别的信息转换；2是信息预处理，主要是指采用去噪、变换及平滑等操作对图像进行处理，基于此使图像的重要特点提高；3是抽取及选择特征，主要是指在模式识别中，抽取及选择图像特征，概括而言就是识别图像具有种类多样的特点，如采用一定方式分离，就要识别图像的特征，获取特征也被称为特征抽取；4是设计分类器及分类决策，其中设计分类器就是根据训练对识别规则进行制定，基于此识别规则能够得到特征的主要种类，进而使图像识别的不断提高辨识率，此后再通过识别特殊特征，最终实现对图像的评价和确认。局部地看边缘是一维结构。角角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。区域与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。脊长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。特征抽取特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。（二）常用的特征提取与匹配方法（1） 颜色直方图其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。最常用的颜色空间：RGB颜色空间、HSV颜色空间。颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2） 颜色集颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3） 颜色矩这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4） 颜色聚合向量其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5） 颜色相关图二 纹理特征（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。（二）常用的特征提取与匹配方法纹理特征描述方法分类（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三 形状特征（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。（二）常用的特征提取与匹配方法Ⅰ几种典型的形状特征描述方法通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。几种典型的形状特征描述方法：（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。（4）形状不变矩法利用目标所占区域的矩作为形状描述参数。（5）其它方法近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning ）和小波描述符（Wavelet Deor）等方法。Ⅱ 基于小波和相对矩的形状特征提取与匹配该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。四 空间关系特征（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。（二）常用的特征提取与匹配方法提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。姿态估计问题就是：确定某一三维目标物体的方位指向问题。姿态估计在机器人视觉、动作跟踪和单照相机定标等很多领域都有应用。在不同领域用于姿态估计的传感器是不一样的，在这里主要讲基于视觉的姿态估计。基于视觉的姿态估计根据使用的摄像机数目又可分为单目视觉姿态估计和多目视觉姿态估计。根据算法的不同又可分为基于模型的姿态估计和基于学习的姿态估计。一基于模型的姿态估计方法基于模型的方法通常利用物体的几何关系或者物体的特征点来估计。其基本思想是利用某种几何模型或结构来表示物体的结构和形状，并通过提取某些物体特征，在模型和图像之间建立起对应关系，然后通过几何或者其它方法实现物体空间姿态的估计。这里所使用的模型既可能是简单的几何形体，如平面、圆柱，也可能是某种几何结构，也可能是通过激光扫描或其它方法获得的三维模型。基于模型的姿态估计方法是通过比对真实图像和合成图像，进行相似度计算更新物体姿态。目前基于模型的方法为了避免在全局状态空间中进行优化搜索，一般都将优化问题先降解成多个局部特征的匹配问题，非常依赖于局部特征的准确检测。当噪声较大无法提取准确的局部特征的时候，该方法的鲁棒性受到很大影响。

已完成。。。。。。。。。

 流程 step1:获取橘子的检测框  step2:求取橘子的质心  step3:将质心送入卡尔曼滤波器，获取到预测的下一次橘子的质心位置  一、采用轮廓的方式检测橘子位置 步骤：  采用OpenCV滚动条来确定阈值 设置高低阈值，利用inRange函数，将图像转为二值图，为方便之后的轮廓提取 使用findContours函数，提取二值图中所有的轮廓，并采用cv2.RETR_TREE，建立轮廓等级树 等级树初始是升序，我们要获取最大的那个轮廓，那么就进行sort降序排序 最后，第一个轮廓的最小外边框的参数就可以用boundingRect获取到了 （一）滚动条获取阈值  视频中截图的一张带有橘子的图  ​​ 代码  import cv2 import numpy as np   def nothing(x):     pass   cv2.namedWindow('image') cv2.createTrackbar('a','image',0,255,nothing) cv2.createTrackbar('b','image',0,255,nothing) cv2.createTrackbar('c','image',0,255,nothing) cv2.createTrackbar('d','image',0,255,nothing) cv2.createTrackbar('e','image',0,255,nothing) cv2.createTrackbar('f','image',0,255,nothing)   frame = cv2.imread('orange.jpg') frame = cv2.resize(frame,(700,400))   while True:     a = cv2.getTrackbarPos('a', 'image')     b = cv2.getTrackbarPos('b', 'image')     c = cv2.getTrackbarPos('c', 'image')     d = cv2.getTrackbarPos('d', 'image')     e = cv2.getTrackbarPos('e', 'image')     f = cv2.getTrackbarPos('f', 'image')     hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)     low_orange = np.array([a, b, c])     high_orange = np.array([d, e, f])     mask = cv2.inRange(hsv_img, low_orange, high_orange)     cv2.imshow('image',mask)     k = cv2.waitKey(1)&0xff     if k==27:         break    （二）获取到图像中的包围橘子对应的白色图形的最小矩形框的信息 检测橘子轮廓最小外边框代码  import cv2 import numpy as np   class OrangeDetector:     def __init__(self):         self.low_orange = np.array([10, 152, 89])         self.high_orange = np.array([180, 255, 255])       def detect(self, frame):         hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)         mask = cv2.inRange(hsv_img, self.low_orange, self.high_orange)         contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)         contours = sorted(contours, key=lambda x: cv2.contourArea(x), reverse=True)         box = (0, 0, 0, 0)         for cnt in contours:             (x, y, w, h) = cv2.boundingRect(cnt)             box = (x, y, x + w, y + h)             break         return box  二、获取橘子检测框的质心 od = OrangeDetector() orange_bbox = od.detect(frame) x, y, x2, y2 = orange_bbox cx = int((x + x2) / 2) cy = int((y + y2) / 2) 三、将质心送入卡尔曼滤波器，获取下一次的质心位置 predicted = kf.predict(cx, cy) 四、绘图质心中心的圆圈，让效果直观显示出来   ​卡尔曼滤波预测代码  import cv2 from orange_detector import OrangeDetector from kalmanfilter import KalmanFilter   cap = cv2.VideoCapture("orange.mp4") od = OrangeDetector() kf = KalmanFilter()   while True:     ret, frame = cap.read()     if ret is False:         break       orange_bbox = od.detect(frame)     x, y, x2, y2 = orange_bbox     cx = int((x + x2) / 2)     cy = int((y + y2) / 2)       predicted = kf.predict(cx, cy)     cv2.circle(frame, (cx, cy), 20, (0, 0, 255), 4)     cv2.circle(frame, (predicted[0], predicted[1]), 20, (255, 0, 0), 4)       cv2.imshow("Frame", frame)     key = cv2.waitKey(10)     if key == 27:         break  ———————————————— 版权声明：本文为CSDN博主「獜洛橙」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weixin_54627824/article/details/127472819