国产DCS第一之后:工业AI与TPT如何重塑工控赛道

国产DCS工业AITPT
于 2026-10-29 07:01:06 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 从“国产DCS第一”说起:这个赛道到底在卷什么

“国产DCS第一”这个说法,放在五六年前,圈内人听了多半会心一笑——那时候大家心里都清楚,高端石化、核电、大型化工的主控系统,基本还是横河、霍尼韦尔、艾默生、西门子这些老牌玩家的地盘。国产DCS更多是在中小项目、热电、水泥、市政这些领域打天下,靠性价比和服务响应速度活着。但这两年风向确实变了,尤其是以中控技术为代表的国产厂商,在大型炼化一体化、百万吨级乙烯、煤化工这些“硬骨头”项目上接连拿下主装置控制权,市场份额和标杆案例都摆在那里,说一句“国产DCS第一”不算吹牛。

这件事为什么让全球工控玩家坐不住?因为DCS不是PLC,不是单台设备,它是一整套控制系统的“大脑+神经中枢”。一个DCS品牌进入主装置,意味着后续十几年的备件、组态、扩容、升级、服务都被它绑定。更关键的是,DCS是工业数据的源头,谁掌握了DCS,谁就掌握了工业AI落地的入口。这才是真正让老牌巨头紧张的地方——他们怕的不是丢几个订单,而是怕丢掉下一个十年的工业智能化话语权。

我做了十几年工控项目,从早期跟着师傅调PID参数,到后来做全厂一体化控制方案,再到现在接触工业AI和TPT(工业过程时序大模型)相关的东西,明显感觉到一个变化:以前大家比的是“谁家DCS稳定、谁家组态软件好用”,现在比的是“谁家DCS能长出AI能力、谁能把数据变成决策”。这个转变,才是标题里“坐不住了”的真正含义。

这篇文章,我想从一线从业者的角度,把DCS这个领域的核心逻辑、国产替代的真实进展、工业AI和TPT到底怎么落地、以及实际项目中那些踩过的坑,掰开揉碎讲清楚。不管你是刚入行的仪表自控工程师,还是做工业AI应用的算法同学,或者只是对工控行业感兴趣,都能从中拿到能直接参考的东西。

2. DCS到底是什么:用“人体”类比讲透核心架构

2.1 从“大脑、神经、手脚”理解DCS三层结构

很多刚接触工控的朋友分不清DCS、PLC、SCADA的区别,我用一个生活化类比来讲。把整个工厂想象成一个人:

  • 现场仪表和执行机构(变送器、调节阀、电机)就是“手脚和感官”,负责感知温度压力流量,执行开关调节动作。
  • DCS控制器就是“脊髓和局部神经反射”,它直接连着现场设备,做实时闭环控制,比如PID调节、联锁保护。这部分要求毫秒级响应,绝对不能卡。
  • 操作站和工程师站就是“大脑皮层”,操作员在这里监盘、调整设定值,工程师在这里组态、下装、维护。
  • 上位管理网络和 historian就是“记忆和思考”,把全厂数据存下来,做趋势分析、报表、先进控制。

DCS的核心设计哲学是“分散控制、集中管理”。为什么这么设计?因为化工装置一旦出事就是大事,你不能把所有控制逻辑塞进一台电脑里,万一死机全厂瘫痪。所以DCS把控制权下放到各个控制器,每个控制器管一个工段,彼此独立又协同。一个控制器挂了,只影响它负责的那部分,不会全厂停车。这个思路和PLC做单机控制完全不同,PLC更多是“一台设备一个大脑”,DCS是“一个工厂一套神经系统”。

2.2 为什么DCS比PLC更难做:可靠性、冗余、实时性三座大山

有人会问,现在PLC性能也很强,为什么大型石化还是用DCS?因为DCS要过三座大山,每一座都是真金白银堆出来的。

第一座山是可靠性。 DCS控制器要求平均无故障时间动辄几十万小时,电源、CPU、通信全部冗余,主备切换时间要小于一个扫描周期,操作员根本感觉不到。我见过某项目用非冗余控制器带关键回路,结果一次电源波动导致装置停车,直接损失几百万。这种教训在行业里传开之后,没人敢在关键回路上省冗余的钱。

第二座山是实时性。 DCS的扫描周期通常在100ms到500ms,看似不快,但它要同时处理几百上千个回路,还要保证确定性——每个周期必须按时完成,不能因为某个任务重就延迟。这背后是实时操作系统和确定性调度的功夫,不是随便跑个Linux就能做到的。

第三座山是工程化能力。 DCS不是卖硬件,是卖整套工程服务。一个大型项目几千个IO点、几百页逻辑图、几十个操作画面,组态、调试、联锁测试、开车护航,没有一套成熟的工程体系和经验丰富的工程师团队,根本交付不了。国产DCS能拿下大项目,说明这三座山都翻过去了,这才是“第一”的含金量。

2.3 国产DCS的突围路径:从“能用”到“好用”再到“智能”

回顾国产DCS的突围,大致走了三步。第一步是“能用”,靠价格和服务切入中小项目,先把产品跑起来,积累现场经验。第二步是“好用”,在大型项目上证明稳定性,把冗余、诊断、组态效率做到接近国际水平。第三步就是现在正在发生的“智能”,把工业AI、TPT这些能力长到DCS上,让控制系统从“执行指令”变成“辅助决策”。

这个路径不是拍脑袋定的,是被市场逼出来的。中小项目利润薄,只能走量;大型项目门槛高,但一旦进去就是长期饭票;而智能化是增量市场,谁先做出真正落地的工业AI应用,谁就能定义下一代的游戏规则。中控技术推TPT,本质上就是在抢这个定义权。

3. 工业AI和TPT落地:别被概念忽悠,看实际场景

3.1 TPT是什么:工业过程时序大模型的通俗解释

TPT这个词这两年很热,全称是工业过程时序大模型(Time-series Process Transformer之类)。名字听着玄乎,其实核心就一件事:用大量历史工况数据训练一个模型,让它学会“当前工况下,下一步会怎么变,该怎么调”。

传统先进控制(APC)靠的是机理模型加辨识,需要工程师对每个装置建数学模型,工作量大、周期长、换工况就得重新整定。TPT的思路不一样,它不要求你先把机理搞清楚,而是直接从历史数据里学规律。比如一个精馏塔,过去三年的温度、压力、回流比、产品质量数据喂进去,模型自己学会“回流比调多少,塔顶纯度会怎么变”。

这玩意儿为什么在DCS上特别有价值?因为DCS本身就是数据源头,所有工况数据都在它的 historian 里。TPT直接接DCS数据,输出设定值建议,甚至闭环优化,形成“数据采集-模型预测-优化设定-DCS执行”的闭环。这个闭环一旦跑通,操作员就从“盯盘调参”变成“监督模型”,劳动强度大幅下降,装置运行也更平稳。

3.2 工业AI质检:视觉方案在产线上的真实表现

热词里有个“AI视觉工业质检”,这个我实际跟过几个项目,说点实在的。工业质检用AI视觉,最大的坑不是算法精度,而是环境一致性和样本标注。

实验室里跑个缺陷检测模型,准确率99%很轻松。到了产线上,光照变化、震动、粉尘、产品位置偏移,随便一个因素就能让准确率掉到80%。我见过一个项目,算法团队在办公室调了三个月模型,到现场一跑,因为车间顶灯换了批次,色温变了,模型直接懵了。后来怎么解决的?加装主动光源遮罩,把成像环境固定死,再重新采数据训练,才稳定下来。

另一个坑是样本标注。工业缺陷样本天然不均衡,良品一大堆,缺陷品可能几百个里才有一个。算法同学想要更多缺陷样本,产线那边说“我们良率就是这么高,哪来那么多缺陷给你采”。最后只能靠人工合成缺陷、迁移学习、少样本学习这些手段硬扛。所以工业AI质检能不能落地,七分看现场工程,三分看算法。

3.3 从“单点智能”到“全局优化”:DCS作为数据枢纽的价值

现在很多工厂的智能化是“单点智能”——这台设备装个振动监测,那个工段搞个视觉质检,彼此不打通。这种模式的问题是,局部最优不等于全局最优。比如质检发现某批次产品不合格,但如果不联动DCS去查当时的工艺参数,你根本不知道是温度偏了还是原料变了。

DCS作为全厂数据枢纽,天然适合做全局优化的底座。把质检结果、设备状态、工艺参数、能耗数据全部汇到DCS的 historian,再用TPT或其它AI模型做关联分析,才能找到真正的根因。这也是为什么国产DCS厂商拼命推“DCS+AI”一体化方案——他们卖的不是软件,是“数据入口+优化能力”的组合拳。

4. 实操视角:DCS与PLC通讯、C#连接DCS、老部件库那些事

4.1 西门子PLC与DCS通讯:三种主流方案对比

实际项目里,DCS和PLC经常要打交道。比如大型装置用DCS做主控,但某个包装线、空压站用西门子PLC,两边得交换数据。常见方案有三种:

方案 原理 优点 缺点 适用场景
硬线IO DCS输出4-20mA或干接点到PLC 简单可靠、延迟低 点数少、布线多、信息量小 少量联锁信号
Modbus RTU/TCP 通过串口或网口走Modbus协议 通用、成本低 速度慢、数据量小、无标准诊断 中小数据量、非关键数据
Profibus/Profinet/OPC UA 现场总线或OPC UA网关 数据量大、诊断丰富、实时性好 配置复杂、需要网关或通讯卡 大数据量、关键数据交换

我个人的经验是:联锁信号走硬线,状态和设定值走通讯,大数据走OPC UA。千万别把所有东西都塞进一种方式。曾经有个项目为了省事,把急停信号也走Modbus,结果通讯延迟导致联锁动作慢了半拍,被安全评审直接打回。硬线虽然土,但关键时刻靠得住。

4.2 C#连接DCS:上位机开发的实战要点

热词里有“c# 连接 dcs”,这个我熟。很多工厂要做定制报表、MES接口、数据看板,用C#写上位机是常见选择。连接DCS一般走OPC UA或厂家提供的API。

以OPC UA为例,C#端用Opc.Ua.Client库,核心步骤是:建立会话、订阅节点、处理数据变化通知。这里有几个坑:

  • 会话保持:网络抖动会导致会话断开,必须做重连机制,否则数据就断了。
  • 订阅数量:一次性订阅几千个节点,服务器可能扛不住,要分批订阅。
  • 数据类型转换:DCS里的数据类型五花八门,C#端要严格匹配,否则读出来是乱码。
  • 权限控制:写操作一定要做权限校验,别让上位机随便改设定值,出了事就是大事故。
CSHARP
// OPC UA 订阅数据变化的简化示例
var session = await Session.Create(...);
var subscription = new Subscription(session.DefaultSubscription) { PublishingInterval = 1000 };
var item = new MonitoredItem(subscription.DefaultItem)
{
StartNodeId = "ns=2;s=Tag_Reactor_Temp",
AttributeId = Attributes.Value,
SamplingInterval = 500
};
item.Notification += (monitoredItem, args) =>
{
var value = monitoredItem.LastValue;
Console.WriteLine($"温度更新: {value}");
};
subscription.AddItem(item);
session.AddSubscription(subscription);
await subscription.CreateAsync();

这段代码看着简单,但实际项目里要加上异常处理、重连、日志、线程安全,工作量不小。我的建议是,如果只是做数据展示,用现成的OPC UA客户端工具或组态软件更省事;如果要做深度定制,再自己写。

4.3 工控老A部件库:老工程师的“私藏弹药库”

“工控老A部件库”这个说法在圈子里流传很久,指的是老工程师自己整理的元器件选型库、接线图库、组态模板库。这玩意儿看着不起眼,但价值极高。一个干了二十年的老师傅,他的部件库里可能有几百个经过现场验证的阀门、变送器、继电器型号,每个都标注了适用工况、常见故障、替代型号。

我自己的部件库是这么建的:按设备类型分大类(阀门、仪表、电气、控制),每个大类下按品牌和型号建条目,每个条目记录:技术参数、供货商、价格区间、现场使用记录、故障历史、替代方案。用Excel或Notion都行,关键是坚持更新。每次项目结束,把新用到的部件补进去,把出问题的部件标注出来。几年下来,这就是你最值钱的资产。

提示:部件库一定要记录“失败案例”。哪个型号在哪个工况下出过什么问题,比推荐型号更有价值。新人最容易犯的错就是只看参数选型,不看现场口碑。

5. 常见问题与排查技巧实录

5.1 DCS通讯中断排查:从物理层到应用层的顺序

通讯中断是DCS现场最常见的问题之一。排查要按顺序来,别一上来就怀疑软件。

  1. 物理层:网线、光纤、接头、交换机端口。先看指示灯,再用测线仪。我遇到过好几次是水晶头氧化导致接触不良,换头就好。
  2. 链路层:VLAN配置、环网协议、冗余切换。如果是环网,检查环网状态是否正常,有没有形成环路风暴。
  3. 网络层:IP冲突、路由配置。用ping和tracert先确认连通性。
  4. 应用层:OPC会话、Modbus从站地址、数据映射。用抓包工具看报文,确认请求和响应是否匹配。

注意:排查通讯问题,一定要从下往上,别跳步。我见过新人直接改OPC配置,结果折腾半天发现是网线没插紧。

5.2 控制器冗余切换失败:几个容易被忽略的细节

冗余切换失败,原因往往很隐蔽。常见的有:

  • 主备控制器固件版本不一致:这个坑很深,版本不一致可能导致切换后行为异常。项目交付前一定要核对固件版本。
  • 同步光纤故障:主备之间的同步链路如果断了,备机数据不同步,切换就会失败。定期检查同步链路状态。
  • 切换测试没做:很多项目装完就投运,从来没做过切换测试。等到真出问题,一切换就停车。我的习惯是每次检修必须做一次切换测试,记录切换时间和数据一致性。

5.3 工业AI模型上线后效果衰减:数据漂移的应对

工业AI模型上线后效果衰减是常态,不是模型不行,是工况变了。原料批次、环境温度、设备磨损,都会导致数据分布漂移。应对方法:

  • 监控输入数据分布:用统计指标(均值、方差、KL散度)监控输入数据,偏离训练分布就报警。
  • 定期增量训练:用新数据微调模型,保持模型跟得上工况变化。
  • 设置模型置信度阈值:置信度低的时候自动切回传统控制,别让模型瞎指挥。

我参与的一个TPT项目,上线三个月后模型效果开始下降,查下来是原料供应商换了,原料组分变了。后来加了原料组分在线分析仪,把组分数据也喂给模型,效果才恢复。所以工业AI不是一锤子买卖,是持续运营的活。

5.4 常见问题速查表

问题现象 可能原因 排查方向 解决建议
DCS画面数据不刷新 通讯中断、控制器故障 查通讯状态、控制器指示灯 按物理层到应用层顺序排查
冗余切换失败 固件不一致、同步链路故障 核对版本、检查同步光纤 定期做切换测试
AI模型准确率下降 数据漂移、工况变化 监控输入分布、对比历史数据 增量训练、加装在线分析仪
OPC UA连接频繁断开 网络抖动、会话超时 抓包、查网络质量 加重连机制、调整超时参数
组态下装后控制器重启 逻辑冲突、内存溢出 查下装日志、看内存占用 分批下装、优化逻辑

6. 这个赛道后续怎么走:我的一些观察

国产DCS拿下“第一”之后,真正的挑战才刚开始。硬件和基础软件追上来之后,竞争焦点会转移到“数据能力”和“AI落地能力”上。谁能让工厂用更低成本、更短周期把工业AI用起来,谁就能守住这个第一。

从一线感受来看,现在最大的瓶颈不是算法,是数据治理和人才。很多工厂数据存了十几年,但标签混乱、单位不统一、缺失值一堆,AI团队拿到数据先要花几个月清洗。另外,既懂工艺又懂AI的复合型人才极度稀缺,大部分项目还是算法团队和工艺团队各说各话,沟通成本极高。

如果你是想进入这个领域的年轻人,我的建议是:先把一个具体装置(比如常减压、催化、聚合)的工艺和控制吃透,再学数据分析和AI。纯算法背景不懂工艺,在工业现场寸步难行;纯工艺背景不懂数据,也做不了智能化。两条腿走路,才有竞争力。

至于全球工控玩家“坐不住”这件事,我觉得是好事。有竞争才有进步,国产厂商被逼着往高端走,国际厂商被逼着降价和开放,最终受益的是工厂用户。这个行业不会一夜变天,但方向已经清楚了——DCS不再只是控制系统,它是工业智能化的入口。谁把这个入口守好、用好,谁就掌握下一轮的主动权。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
TMS320F280049C 学习笔记11 控制率加速器 CLA 例程
总结了TI官方在C2000Ware_3_01_00_00版本中提供的7个与CLA相关的例程。
时雨晴天