一、fdm中的关键技术是什么？

FDM技术是将丝状的热熔性材料加热融化，同时三维喷头在计算机的控制下，根据截面轮廓信息，将材料选择性地涂敷在工作台上的技术。

一层成型完成后，机器工作台下降一个高度（即分层厚度）再成型下一层，直至形成整个实体造型。其成型材料种类多，成型件强度高、精度较高，主要适用于成型小塑料件。

二、fdm中的关键技术指标是什么？

FDM技术是将丝状的热熔性材料加热融化，同时三维喷头在计算机的控制下，根据截面轮廓信息，将材料选择性地涂敷在工作台上的技术。

一层成型完成后，机器工作台下降一个高度（即分层厚度）再成型下一层，直至形成整个实体造型。其成型材料种类多，成型件强度高、精度较高，主要适用于成型小塑料件。

熔融沉积又叫熔丝沉积，它是将丝状热熔性材料加热融化，通过带有一个微细喷嘴的喷头挤喷出来。热熔材料融化后从喷嘴喷出，沉积在制作面板或者前一层已固化的材料上，温度低于固化温度后开始固化，通过材料的层层堆积形成最终成品。

在3D打印技术中，FDM的机械结构最简单，设计也最容易，制造成本、维护成本和材料成本也最低，因此也是在家用的桌面级3D打印机中使用得最多的技术。

三、在虚拟现实技术中？

1、影视娱乐 虚拟现实技术在影视业的广泛应用，在图像和声音效果的包围中，让体验者沉浸在影片所创造的虚拟环境之中。在游戏领域也得到了快速发展，使得游戏在保持实时性和交互性的同时，也大幅提升了游戏的真实感。

2、教育 利用虚拟现实技术可以帮助学生打造生动、逼真的学习环境，使学生通过真实感受来增强记忆，相比于被动性灌输，利用虚拟现实技术来进行自主学习更容易让学生接受，这种方式更容易激发学生的学习兴趣。此外，各大院校利用虚拟现实技术还建立了与学科相关的虚拟实验室来帮助学生更好的学习。

3、工业制造 利用虚拟现实与增强现实技术可在半成品车上叠加图像，做到虚实测量，通过测量设计的产品与实际样车之间的关系，极大缩减了研发时间，减少了物理样机制作次数，降低了成本。

4、医学方面 机构利用计算机生成的图像来诊断病情。虚拟模型帮助新的和有经验的外科医生来决定最安全有效的方法定位肿瘤，决定手术切口，或者提前练习复杂的手术。

5、军事 将地图上的山川地貌、海洋湖泊等数据通过计算机进行编写，利用虚拟现实技术，能将原本平面的地图变成一幅三维立体的地形图，再通过全息技术将其投影出来，这更有助于进行军事演习等训练。

6、航空航天 利用虚拟现实技术和计算机的统计模拟，在虚拟空间中重现了现实中的航天飞机与飞行环境，使飞行员在虚拟空间中进行飞行训练和实验操作，极大地降低了实验经费和实验的危险系数。 来源：—虚拟现实

四、edi关键技术是什么？

标准化是实现EDI的关键。EDI是为了实现商业文件、单证的互通和自动处理，这不同于人机对话方式的交互式处理，而是计算机之间的自动应答和自动处理。因此文件结构、格式、语法规则等方面的标准化是实现EDI的关键。

五、育苗关键技术是什么？

育苗关键技术是:1，整好地，平，细。

2，催芽，芽露白85%以上播种。

3，播种均匀，复土薄厚适宜。

4，加强田间管理，做好病虫害防治。

六、人脸识别的关键技术是什么？

人脸识别的整个领域都是我喜欢阅读的内容。自己实施面部识别系统会让您听起来像是托尼·斯塔克，您可以将它们用于各种不同的项目，例如自动锁门，或为您的办公室构建监控系统，仅举几例。

在本教程中，我们将使用一些现有的库在 Go 中构建我们自己的、非常简单的基于人脸识别的系统。我们将从对静止图像进行简单的人脸识别开始，看看它是如何工作的，然后我们将对此进行扩展，以研究本迷你系列第 2 部分中视频源的实时人脸识别。

Kagami/go-face 包

作为本教程的基础，我们将使用包含 dlib 机器学习工具包的kagami/go-face包！

注意 - Kagami 实际上写了关于他是如何编写这个包的。这绝对是一个有趣的阅读，你可以在这里找到它：https : //hackernoon.com/face-recognition-with-go-676a555b8a7e

dlib 工具包

Dlib 工具包是用 C++ 构建的，在人脸和对象识别/检测方面都令人难以置信。根据其文档，它在 Wild 基准测试中检测标记人脸的准确率约为 99.4%，这令人难以置信，这也是许多其他第三方库将其用作基础的原因。

注意 -我在之前的教程中介绍了 Dlib 工具包的 Python 库 - face_recognition。如果您想查看本教程的 Python 等价物，请看这里： Python 中的人脸识别简介

设置

我不会撒谎，启动并运行它比你的标准 Go 包更痛苦。您需要在您的机器上安装pkg-config和dlib。如果您在 MacOS 上运行，那么这是命令：

$ brew install pkg-config dlib
$ sed -i '' 's/^Libs: .*/& -lblas -llapack/' /usr/local/lib/pkgconfig/dlib-1.pc

入门

我们首先需要下载kagami/go-face可以使用以下go get命令完成的包：

$ go get -u github.com/Kagami/go-face

go-face-recognition在 GOPATH 目录中创建一个名为的新目录。在这个目录中创建一个名为 的新文件main.go，这是我们所有源代码将驻留的地方。

完成此操作后，您需要从TutorialEdge/go-face-recognition-tutorial 存储库中的image/目录中获取文件。最简单的方法是将 repo 克隆到另一个目录中，然后将图像目录复制到您当前的工作目录中：

$ git clone https://github.com/TutorialEdge/go-face-recognition-tutorial.git

一旦成功克隆，我们就有了.dat启动人脸识别程序所需的两个文件。您还应该看到其他.jpg文件的列表，其中包含一些漫威复仇者的面孔。

package main

import (
    "fmt"

    "github.com/Kagami/go-face"
)

const dataDir = "testdata"

func main() {
    fmt.Println("Facial Recognition System v0.01")

    rec, err := face.NewRecognizer(dataDir)
    if err != nil {
        fmt.Println("Cannot initialize recognizer")
    }
    defer rec.Close()

    fmt.Println("Recognizer Initialized")
}

好的，所以如果我们此时尝试运行我们的程序，我们应该在程序的输出中看到Facial Recognition System v0.01和Recognizer Initialized。我们已经成功地设置了我们需要的一切，以便进行一些很酷的高级面部识别！

计算图片中的人脸

我们对这个包的第一个真正的测试将是测试我们是否可以准确地计算一张照片中的人脸数量。出于本教程的目的，我将使用这张照片：

正如你所看到的，没有什么特别的，只有托尼斯塔克孤独的脸。

因此，我们现在需要扩展我们现有的程序，以便能够分析该图像，然后计算该图像中的人脸数量：

package main

import (
    "fmt"
    "log"
    "path/filepath"

    "github.com/Kagami/go-face"
)

const dataDir = "testdata"

func main() {
    fmt.Println("Facial Recognition System v0.01")

    rec, err := face.NewRecognizer(dataDir)
    if err != nil {
        fmt.Println("Cannot initialize recognizer")
    }
    defer rec.Close()

    fmt.Println("Recognizer Initialized")

    // we create the path to our image with filepath.Join
    avengersImage := filepath.Join(dataDir, "tony-stark.jpg")

    // we then call RecognizeFile passing in the path
    // to our file to retrieve the number of faces and any
    // potential errors
    faces, err := rec.RecognizeFile(avengersImage)
    if err != nil {
        log.Fatalf("Can't recognize: %v", err)
    }
    // we print out the number of faces in our image
    fmt.Println("Number of Faces in Image: ", len(faces))

}

当我们运行它时，我们应该看到以下输出：

$ go run main.go
Facial Recognition System v0.01
Recognizer Initialized
Number of Faces in Image:  1

太棒了，我们已经能够分析图像并确定图像包含一个人的脸。让我们尝试一个更复杂的图像，其中包含更多复仇者联盟：

当我们更新第 24 行时：

avengersImage := filepath.Join(dataDir, "avengers-01.jpg")

并重新运行我们的程序，您应该看到我们的程序能够确定这个新图像中有 2 个人。

识别面孔：

太好了，所以我们能够计算图像中的面孔数量，现在如何实际确定这些人是谁？

为此，我们需要一些参考照片。例如，如果我们希望能够从照片中识别出托尼·斯塔克，我们需要标有他名字的示例照片。然后识别软件将能够分析照片中与他相似的面孔并将它们匹配在一起。

因此，让我们avengers-02.jpg将我们的图像作为 Tony Stark 的参考图像，然后看看我们是否可以识别此图像是否包含他的脸：

avengersImage := filepath.Join(dataDir, "avengers-02.jpeg")

faces, err := rec.RecognizeFile(avengersImage)
if err != nil {
    log.Fatalf("Can't recognize: %v", err)
}
fmt.Println("Number of Faces in Image: ", len(faces))

var samples []face.Descriptor
var avengers []int32
for i, f := range faces {
    samples = append(samples, f.Descriptor)
    // Each face is unique on that image so goes to its own category.
    avengers = append(avengers, int32(i))
}
// Name the categories, i.e. people on the image.
labels := []string{
    "Dr Strange",
    "Tony Stark",
    "Bruce Banner",
    "Wong",
}
// Pass samples to the recognizer.
rec.SetSamples(samples, avengers)

所以，在上面的代码中，我们已经按照从左到右的顺序遍历了所有的人脸，并用适当的名字标记了它们。然后，我们的识别系统可以使用这些参考样本来尝试对后续文件执行自己的面部识别。

让我们尝试使用我们现有的 Tony Stark 图像测试我们的识别系统，看看它是否能够根据它从avengers-02.jpeg文件生成的面部描述符来识别它：

// Now let's try to classify some not yet known image.
testTonyStark := filepath.Join(dataDir, "tony-stark.jpg")
tonyStark, err := rec.RecognizeSingleFile(testTonyStark)
if err != nil {
    log.Fatalf("Can't recognize: %v", err)
}
if tonyStark == nil {
    log.Fatalf("Not a single face on the image")
}
avengerID := rec.Classify(tonyStark.Descriptor)
if avengerID < 0 {
    log.Fatalf("Can't classify")
}

fmt.Println(avengerID)
fmt.Println(labels[avengerID])

现在让我们尝试验证这不是侥幸，并尝试查看我们的图像识别系统是否适用于 Strange 博士的图像。

testDrStrange := filepath.Join(dataDir, "dr-strange.jpg")
drStrange, err := rec.RecognizeSingleFile(testDrStrange)
if err != nil {
    log.Fatalf("Can't recognize: %v", err)
}
if drStrange == nil {
    log.Fatalf("Not a single face on the image")
}
avengerID = rec.Classify(drStrange.Descriptor)
if avengerID < 0 {
    log.Fatalf("Can't classify")
}

最后，让我们使用 Wong 的图像来尝试一下：

testWong := filepath.Join(dataDir, "wong.jpg")
wong, err := rec.RecognizeSingleFile(testWong)
if err != nil {
    log.Fatalf("Can't recognize: %v", err)
}
if wong == nil {
    log.Fatalf("Not a single face on the image")
}
avengerID = rec.Classify(wong.Descriptor)
if avengerID < 0 {
    log.Fatalf("Can't classify")
}
fmt.Println(avengerID)
fmt.Println(labels[avengerID])

当你一起运行这一切时，你应该看到以下输出：

$ go run main.go
Facial Recognition System v0.01
Recognizer Initialized
Number of Faces in Image:  4
1
Tony Stark
0
Dr Strange
3
Wong

太棒了，我们设法建立了一个非常简单的人脸识别系统，使我们能够识别各种不同的复仇者联盟。

挑战：在所有复仇者联盟上建立一些参考文件，并尝试将人脸识别代码片段提取为可重用的功能

完整的源代码：

本教程的完整源代码可以在 Github 中找到： Tutorialedge/go-face-recognition-tutorial

结论

在本教程中，我们成功地构建了一个非常简单的人脸识别系统，可以处理静止图像。这有望成为本系列教程下一部分的基础，我们将在其中了解如何在视频流的实时上下文中执行此操作。

希望你喜欢这个教程，如果你喜欢，请在下面的评论部分告诉我！

七、bim中参数化设计关键技术？

参数化设计是Revit Building的一个重要思想，它分为两个部分：Revit Building中的图元都是以构件的形式出现，这些构件之间的不同，是通过参数的调整反映出来的，参数保存了图元作为数字化建筑构件的所有信息。

八、在虚拟现实系统中，建模的意义是什么？

虚拟现实系统的建模有两种意义：

从广义的方面说，凡是把真实世界的事物，用一套方法映射到虚拟现实中去，就可以算建模。可以是一套公式，一个数值，或者一种逻辑，一个物品。比如用一个正弦曲线来作为一个模式，表示一波海浪，就可以说是为海浪建模。

更常见的是狭义的建模，特制用一些三维软件制作比如3DMax、vega去建立真实物体的三维模型。

简单地说，制作三维模型只是建模的一种，但建模不一定是建立可视的三维模型，还可以是数学模型、逻辑模型等等。

九、mrpll的关键技术是什么？

关于 MRPII的关键技术有三个∶相关需求、时间分割和能力平衡。

先说相关需求。

企业里能够直接销售的产品叫"独立需求"，而完成独立需求所需的物料叫做"相关需求"。相关需求服务于独立需求，所以独立需求计划决定了相关需求计划，二者的计划模式可以不一样。相关需求技术解决了物料统一按"订货点"模式管理导致库存过多的浪费现象。确定相关需求与独立需求关系的文件叫 BOM，或者叫产品结构。

关于时间分割

把连续的时间分割成一些时间单元，如小时、日，这个技术就是时间分割。这个看似简单的技术，可以把 MRP 中物料的需求时间精确到小时和天，从而区分了物料需求和供给的优先级。相关需求技术可以用来精确计算物料需求数量，而时间分割技术可以把这些物料精确地安排在合理时间单元的时间轴上；二者的有机结合可以极大程度地合理使用物料，做到不多不少、不早不晚。

关于能力平衡。

这个技术用来保证生产计划的完成。生产计划有层次之分，MRPII引入了不同的能力平衡模式与之一一对应，确保不同层级的生产计划配备相应的资源，或者说每一层级的生产计划的制定，都是基于已有的资源和将要建设的资源的基础之上的。这样，通过层层计划，层层能力平衡，生产计划具备了现实的可执行性。。

十、agv中的关键技术不包括什么？

agv中的关键技术包括：

（1）导引及定位技术；

（2）路径规划和任务调度技术；

（3）运动控制技术；

（4）信息融合技术。agv中的关键技术不包括：卫星导航技术。