文章目录 * 😊前言 * AI绘画精讲：Stable Diffusion从入门到精通💕 * 内容简介 * 获取方式 * AIGC时代：游戏美术设计与AI绘画应用从入门到精通💕 * 内容简介 * 获取方式 * 😊总结 😊前言 随着人工智能技术的飞速发展，AI绘画已经成为了一个备受瞩目的领域。在这个背景下，北京大学出版社推出了一系列关于AI绘画的优秀图书，其中就包括了《AI绘画精讲：Stable Diffusion从入门到精通》和《AIGC时代：游戏美术设计与AI绘画应用从入门到精通》。这两本书都是为了帮助读者全面了解和掌握AI绘画的精髓，推动人工智能技术在艺术领域的应用发展。 AI绘画精讲：Stable Diffusion从入门到精通💕 内容简介 Stable Diffusion是一款非常受欢迎的 AI 绘画与设计软件。AI绘画和传统绘画有什么不同、AI 绘画的基本逻辑是什么、如何让 AI 绘画软件为我们工作、如何生成符合要求的作品，本书将一一进行解析。 本书共 13 章内容。首先循序渐进地介绍了 A
企业数字化转型喊了多年，却始终卡在两难境地：纯代码开发周期长、成本高、迭代慢，中小团队耗不起；传统低代码看似快捷，却只能做简单表单和固化流程，适配不了复杂业务，智能化更是形同虚设。 如今低代码AI化迎来全面爆发，行业彻底告别“拖拽凑数”的浅层次应用，可多数平台依旧停留在AI插件拼接的伪智能阶段。直到OpenClaw的落地，才真正打通了低代码、AI与企业业务的壁垒，凭借原生智能体能力，补齐企业数字化的最后一块短板，成为转型落地的核心抓手。 一、行业痛点：企业数字化的三座拦路大山 抛开浮华的概念，企业做数字化转型，最怕的不是没工具，而是工具不实用、不落地，当前市面上的方案普遍存在三大硬伤，卡死转型进度： * AI与业务割裂：低代码搭载的AI仅能做表层代码生成、问答交互，无法深度理解业务逻辑、对接企业现有系统，智能能力用不上、落地难； * 开发门槛仍偏高：即便用低代码，仍需专人配置流程、对接数据、调试权限，业务人员无法自主操作，技术团队负担依旧繁重； * 数据安全存隐患：多数AI能力依赖云端接口，企业核心业务数据、经营数据需要外发，隐
实测可用！发那科机器人与西门子PLC通讯全方案（网关+Modbus TCP双版本，避坑指南附代码） 在工业自动化现场，发那科（FANUC）机器人与西门子PLC的组合十分常见，但两者“协议壁垒”常常让工程师头疼——发那科机器人原生支持EtherNet/IP，而西门子PLC（S7-1200/1500）主打Profinet，直接通讯往往“语言不通”。 本文结合3个实际产线项目经验，整理两种经过现场验证、100%可用的通讯方案（网关跨协议版 + Modbus TCP低成本版），步骤拆解到每一步按键操作，标注新手常踩的坑，附PLC测试代码和故障排查方法，适合工控工程师直接照搬落地，再也不用为通讯调试熬夜！ 核心前提（避免做无用功） * 发那科机器人：支持EtherNet/IP或Modbus TCP功能（需确认系统选件，无选件需联系厂家授权，如Modbus TCP需R602选件），本文以R-30iB系列为例。 * 西门子PLC：S7-1200/S7-1500（本文分型号适配步骤），安装**TIA
在制造业数字化转型的浪潮中，生产计划与排程（APS）正从“经验驱动”走向“算法驱动”。然而，市面上多数APS系统要么价格高昂、闭源锁定，要么实施复杂、难以与现有IT体系融合。今天，我们介绍一款开源、可私有化部署、且能与低代码平台无缝融合的智能排产系统——JVS-APS。 一、什么是APS？为什么需要智能排产？ APS（Advanced Planning and Scheduling，高级计划与排程）是连接企业资源计划（ERP）与制造执行系统（MES）的“大脑”，负责在有限资源（设备、人力、物料）约束下，自动生成最优的生产计划与排程方案。 传统排产依赖ERP的粗能力计算或人工Excel表格，往往面临三大困境： * 资源冲突：设备、模具、人员同时被多个订单争抢，排产混乱； * 物料缺料：不考虑库存与在途物料，生产到一半才发现缺料； * 动态响应差：插单、
前言 用 OpenClaw 配飞书机器人，踩了两个坑：群消息不回、Gateway 总是断开。排查了好一阵子，总算搞定了，记录一下希望能帮到遇到同样问题的朋友。 发现问题 飞书消息不回复 在飞书群里 @ 了机器人，完全没反应。一开始以为是网络不好或者机器人没上线，但状态显示明明是连接着的，这就奇怪了。 Gateway 频繁断开 每次改完配置跑 openclaw gateway restart，或者根本什么都没干，Gateway 说断就断。再想启动就报错，必须跑一遍 openclaw doctor --fix 重新安装才能用。太影响使用了。 查看原因 飞书机器人 ID 搞错了 翻日志看到这么一句： receive events or callbacks through persistent connection only available in
本数据集集合了面向无人机视觉任务的大规模、多场景、多目标标注数据资源，涵盖了地理环境、智慧城市、基础设施巡检、农业生产、公共安全与灾害监测等多个关键领域。数据主要以两种主流格式提供：适用于目标检测的VOC/YOLO格式与适用于像素级语义分割的LabelMe格式，为算法开发与模型训练提供了高度结构化的标注支持。 在地理与农业监测方面，包含田地、道路、森林、水体等地理要素的分割数据集，以及作物病害、杂草识别、农田农机、牛羊牲畜等农业目标的检测数据，支持精准农业与生态研究。智慧城市与交通领域提供了丰富的城市街道场景数据，涵盖行人、车辆、交通标志、占道经营、消防通道、广告牌等目标的检测与分割，助力城市智能化管理。基础设施巡检是另一重点，覆盖电力线、光伏板、桥梁、铁路、风力发电机等设备的缺陷与异常检测，以及工地车辆、施工人员、物料垃圾的识别，满足工业自动化巡检需求。在灾害与安全监控中，包含滑坡、洪水、火灾烟雾、河道垃圾、违规建筑等应急场景的检测与分割数据，同时提供了溺水人员、海上救援、军事目标等特殊任务的专项数据集。此外，
一.权限管理注意事项 1.1 软件登录权限管理 连接上软件后，修改轴参数、点位数据需要权限。点击人物图标，登录对应的权限，管理员权限登录密码6个0。 1.2机器人控制权限管理 点击“锁”，打开机器人控制权配置页面。 选择“InoRoboLabt”，机器人受编程软件控制，使用软件可手动移动点位、示教位置信息。 选择“远程IO单元”，机器人受外部设备控制如PLC、上位机，机器人进入自动模式，收到交互信号就按照程序执行。 选择“远程以太网客户端”，机器人受远程客户短控制，用于查找问题、远程调试。 二、 使用过渡点注意事项 程序中点到点直线运动会有机构干涉或有安全风险时，使用过渡点在运动规避风险。 使用过渡点时，注意指令的工具坐标系，选择正确的Wobj工具好，否则运动出错有撞机风险。 如下图所示为例，wobj0为A工位，wobj1为B工位,注意在“轴控制面板”中选择对应工具坐标号 三、使用全局点位移动注意事项 双击左侧“P.
🚀 OpenClaw 手把手教学：配置飞书机器人 📖 目录 1. 前置准备 2. 创建飞书应用 3. 配置机器人能力 4. 获取必要凭证 5. 配置 OpenClaw 6. 测试机器人 前置准备 在开始之前，请确保你具备以下条件： ✅ 必需条件 * 飞书管理员权限 * 需要创建企业自建应用的权限 * 或联系管理员协助创建 OpenClaw 已安装 # 检查是否已安装 openclaw --version 📋 准备清单 * OpenClaw 已安装并运行 * 有飞书企业管理员权限 * 基本的命令行操作能力 创建飞书应用 步骤 1：进入飞书开放平台 1. 打开浏览器，访问 飞书开放平台 2. 使用��书账号登录 点击右上角 “开发者后台” 步骤 2：创建企业自建应用
引言：当低空经济遇见新能源革命 在“双碳”战略引领下，光伏电站如雨后春笋般遍布神州大地。截至2023年底，我国光伏发电装机容量已突破6亿千瓦，连续多年位居全球首位。然而，随着光伏电站规模的急剧扩大，传统人工巡检方式已难以满足高效、精准的运维需求。此时，低空经济的崛起为这一痛点带来了创新解法——无人机光伏巡检技术正在重新定义新能源设施的运维模式。 一、传统光伏巡检之困：低效、高风险、不精准 传统光伏巡检主要依赖人工方式，运维人员需要手持红外热像仪等设备，在光伏板阵列中徒步检查。这种方式存在明显短板： 1. 效率低下：一个100MW的光伏电站，人工全面巡检往往需要数周时间 2. 安全风险：高温、高电压环境下作业，人员安全隐患不容忽视 3. 漏检率高：人工目视检查难以发现细微缺陷，问题检出率通常不足70% 4. 数据离散：检查结果依赖个人经验，难以形成标准化数据资产 二、无人机智能巡检系统架构 现代无人机光伏巡检已形成完整的系统解决方案，主要由以下核心模块组成： 2.1 硬件配置 * 飞行平台：
深度解析Qwen2.5-7B部署流程｜实现低延迟高并发的Web推理服务 一、引言：为何需要高性能推理架构？ 随着大语言模型（LLM）在实际业务场景中的广泛应用，用户对响应速度和服务稳定性的要求日益提升。Qwen2.5-7B作为通义千问系列中性能卓越的70亿参数指令微调模型，在编程、数学、多语言支持及结构化输出方面表现突出，尤其适合构建企业级AI助手、智能客服与自动化内容生成系统。 然而，单个vLLM推理实例难以应对高并发请求，容易出现延迟上升、吞吐下降等问题。为此，本文将深入讲解如何通过 Docker + vLLM + OpenResty 构建一套可扩展、低延迟、高可用的Web推理服务架构，真正实现“开箱即用”的生产级部署方案。 ✅ 核心目标： - 实现 Qwen2.5-7B 的高效推理加速 - 支持多容器并行处理，提升整体吞吐量 - 利用 OpenResty 做反向代理与负载均衡，保障服务稳定性和可扩展性 二、技术选型与核心组件解析 2.1
使用 GLM-4.6V-Flash-WEB 解析微信聊天截图中的关键信息 在客户服务、电商售后或金融合规的日常工作中，一个看似简单却极其耗时的任务反复上演：人工翻阅一张张微信聊天截图，从中提取“对方是否同意付款”“金额是多少”“有没有留下联系方式”等关键信息。这些截图往往包含数十条消息、表情符号、时间戳，甚至多轮讨价还价，靠人力摘录不仅效率低下，还容易遗漏细节或误解语气。 传统做法是先用 OCR 提取文字，再通过规则匹配关键词——比如看到“转账”“899元”就标记为交易意向。但这种方法对语义理解几乎无能为力。“行吧”到底是勉强答应还是明确拒绝？“👌”出现在什么上下文中才算确认？这些问题让基于规则的系统频频出错。 如今，随着多模态大模型的发展，我们终于可以真正实现从“看得见”到“看得懂”的跨越。智谱 AI 推出的 GLM-4.6V-Flash-WEB 正是一款为此类场景量身打造的轻量级视觉语言模型。它不仅能识别图像中的文字，还能理解对话结构、判断发言角色、推断用户意图，并将非结构化的聊天截图转化为可被业务系统直接消费的结构化数据。
当 libwebkit2gtk-4.1-0 装不上时，我们还能怎么走？ 你有没有遇到过这种情况：在 Ubuntu 上编译一个依赖 WebKit 的桌面应用，一切准备就绪，运行安装命令却突然报错： E: Unable to locate package libwebkit2gtk-4.1-0 或者更让人头疼的： Depends: libgtk-4-1 but it is not installable 明明代码没问题，文档也照着做了，结果卡在一个系统库上动弹不得。这背后往往不是你的错——而是 Linux 发行版更新节奏、GTK 演进速度和软件包维护滞后之间的一场“错位”。 尤其是当你用的是 Ubuntu 20.04 或 Debian 11 这类以稳定性为优先的长期支持版本时， libwebkit2gtk-4.1-0 找不到或无法安装 几乎是家常便饭。