没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报利用声学特性自动检测森林中的树木砍伐Sheikh Fahad AhmadAhmad,Deepak Kumar Singh印度勒克瑙BBD大学计算机科学工程系印度勒克瑙Jaipuriya管理学院阿提奇莱因福奥文章历史记录:2018年11月27日收到2019年1月20日修订2019年1月31日接受在线提供2019年保留字:树木切割检测声音识别K-means聚类GMMPCAA B S T R A C T砍伐森林是大规模砍伐森林,往往导致数百万野生动物失去栖息地。地球上大约30%的土地仍然覆盖着森林,但由于森林砍伐,我们正在以每年大约一半英格兰面积的速度失去森林在森林中,砍树活动是非法的,但由于缺乏人力和其他资源,政府在遏制这种威胁方面并不十分成功。停止这种情况的一种方法是在早期阶段检测树木砍伐过程,以便及时采取措施来停止砍伐过程。早期发现树木砍伐的最简单方法是定期监测森林面积,无论是手动还是使用一些自动技术。由于树木砍伐会产生大量噪音,因此可以通过定期监测森林内的声学信号来检测。声信号可以提供有关森林内任何入侵者活动的有价值的信息。提出了一种森林中树木被砍伐的自动检测算法。该算法基于参数间的距离,并结合K-means聚类、GMM和PCA进行比较。该算法的效率为92%。©2019作者(S)。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍《印度斯坦时报》刊登的国际森林研究组织联合会的一项研究每年进口估计超过卢比。400亿美元,印度占全球木材非法贸易的近十分之一在墨西哥坎昆举行的联合国生物多样性公约(CBD)全球会议(CBD,2016)上发表的一份报告(Brack,2006)显示,全球约33%的热带木材交易可能来自林地的非法转换。在这次会议上,167个国家讨论了保护地球生物多样性的全球机制如报告(CBD,2016)所示,全球有42%的圆木和锯材交易,每年估计为卢比。4270亿美元,被非法捕捞。一些*通讯作者。电子邮件地址:er. gmail.com(S.F. Ahmad)。沙特国王大学负责同行审查亚马逊和东南亚国家,如俄罗斯、巴西、印尼、柬埔寨、缅甸和巴布亚新几内亚是非法木材贸易的主要生产国。中国在木材非法贸易方面位居榜首,进口价值为卢比。每年2230亿。该报告还显示,越南是第二大木材贸易进口国,年价值为卢比。五百二十亿非法砍伐和进口林木是全球森林砍伐的主要原因,它不仅伤害了地球,也给行政执法者带来了不幸。非法木材贸易危及有机品种的多样性和环境的变化。根据一项研究,在世界某些地区,非法木材贸易导致有组织的森林犯罪。此外,非法木材贸易也是犯罪的资金来源和敌意出于对木材的需求,一些发达国家对木材贸易进行了合法的检查。一份报告显示,这导致木材贸易转移到印度和中国等国家的商业部门,原因是这些国家对木材贸易的规定不太严格在2006年至2013年的七年时间而在美国和欧洲,非法木材贸易量分别减少了近33%和50%(Brack,2006),在过去几年中,这些国家制定了非常严格热带森林和俄罗斯是中国进口非法木材的来源,而印度进口大量非法木材,https://doi.org/10.1016/j.jksuci.2019.01.0161319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.com758S.F. Ahmad,D.K.Singh/ Journal of King Saud University---捕获声学信号噪声去除使用算法分类参数提取非法木材来自东南亚国家。“鉴于他们巨大的木材贸易和中国的广泛能力,一项研究(CBD,2016年)显示,“如果不吸引这两个国家,就很难在全球平台上显著减少非法伐木和贸易。森林产生水供应,生物多样性,药物,可重复使用的农业补充剂和激增的反作用,并且是向绿色经济转变的关键,涉及合理改善和破坏。到目前为止,大多数砍伐森林和非法伐木发生在一些中非和东南亚国家,也发生在阿玛松盆地的热带森林。目前正在进行的非法采伐程度调查表明,非法采伐在热带国家占近50%-90%,在全世界占15%-30%。在此期间,全球非法伐木的财务估计,包括处理,估计为300 - 1000亿美元,这几乎是10%-30%。必须非常严肃地处理这种程度的非法伐木问题,因为它耗尽了森林资产。准确估计非法采伐的可能性非常小,因为65%或更多的采伐活动是在最脆弱的森林地区非法进行的。此外,非法伐 木 活 动 还 不 时 引 起 对 森 林 生 物 的恶 毒 、 危 险 、 杀 戮 甚 至 憎 恶(Brack,2006年)。工作组织如下:文献调查是在第2节和整体的声音识别方法在第3节。第四章和第五章分别讨论了树木切削信号的采集、分析和参数提取。第6节处理的算法,树木切割检测,而第7节处理提出的基于距离的方法来检测树木切割。结果在第8节中给出,我们最后在第8节中总结。2. 文献综述虽然许多研究者都在进行声信号处理的研究,但是通过声信号进行树木切割检测的研究还很少本文还对声信号的识别和检测算法进行了尽管事实上,通过声音确认来观察非法采伐的森林是独一无二的,但我们最近已经完成了一项名为“森林观察者”的工作,这是一个对抗森林毁灭的检查框架(Miroslav等人,xxxx),并与我们的研究密切相关。它由近200个遥感器组成,隐藏了大约200公顷的森林领 土 。 我们 还 没 有 发现 这 个 框架 在 商 业 应用 中 的 任 何工 作 G.Sharma等人(Sharma等人,2016; Sharma,2018)给出了一种可测量的解决方案,用于使用声学信号检测树木切割,该信号通过锯刮过树干来观察利用信噪比(SNR)算法从声信号中分离出噪声对于具有听力缺陷的人自动识别声音(Yoo和Yook,2008)是现场的众多任务之一,其使用声音识别作为用于处理音频信号的手段。在本文中,作者给出了一个框架,帮助听力障碍的人识别一些简单的机械声音,例如,电话声,门铃声,警报声等。这些声音的频谱峰值明显不同。作者给出了另一种识别音频信号的策略,称为NPDR(归一化峰支配比),其微小的结构可以使其适合手表。三菱综合研究所的另一个研究项目(三菱综合研究所,2019)可以识别七种声音信号,例如,钟声,拍手等,精度为80%个或多个.该框架使用麦克风阵列和个人计算机来处理声音信号。它还能识别声音,甚至试图找到声源的相对位置。PeterJ和MenevverK在(2011)提出了一种用于在具有太多噪声的环境中自动检测和识别有音调的鸟的声音的方法他们使用GMM为165种鸟类音调建模。他们的模型以很高的准确率检测到鸟类的音调成分Hidayati等人(2009)分析了婴儿哭泣的声音。 首先,作者使用声学特征,这些特征使用声音共振峰和声音音高来识别。在此之后,他们使用K均值聚类对特征向量(声学)进行聚类,以确定不同类别的声音信号。P. Sharma在(2017)中提出了一种有效的基于SNR的算法,用于在语音识别的不同任务中导出语音声音中的不同属性。作者使用了一种由两个阶段组成的方法。 第一阶段涉及学习每个语音实体的各种词典,第二阶段涉及使用稀疏求解器来获得稀疏特征。Winursito等人(2018)提出了两种方法的混合,即MFCC -这种组合形成了矩阵数据,后来使用PCA进行了简化。在此基础上,对主成分分析的约简结果进行K-最近邻(KNN)处理.Mohanapartum等人(2014)提出了一个识别环境声音的模型。本研究包括以下几个步骤:1.采集声音信号,2.提取关键特征,3.形成相同特征的簇,4.对特征进行分类。然后提取Mel频率倒谱的系数,利用GMM进行聚类。此外,这些特征被分类,并使用神经网络识别环境音频场景。3. 声音识别方法用斧头砍树的声音信号已经在森林中记录下来,并从一些在线资源库(如www.sounddog.com和www.freesound.org)下载。从这些声信号,主数据库的设计,其中包含提取的重要特征。该设计的数据库进一步分为两部分,第一部分用于训练目的,第二部分用于测试目的。 整体提出的方法如图所示。1.一、如图 1.捕获声学信号的第一块包括音频信号记录设备,其可以以wav格式记录信号而不压缩。笔记本电脑也用于记录- ING音频信号。第二块用于使用信号分析软件去除噪声。第三块是用MATLAB计算参数提取。第四块用于通过算法的实现进行分类Fig. 1. 总体拟议方法。S.F. Ahmad,D.K.Singh/ Journal of King Saud University7594. 树木采伐信号的采集分析研究的重点是在森林杂波背景下对树木砍伐信号进行识别。为此,在森林中记录了60个伐木信号.对于其他类似信号的测试,还收集了60个球囊爆破、拍手、锤击和挖掘信号,以便可以计算假阳性和假阴性。所有信号分布在5个不同类别中,即,第1类用于树木切割信号,第2类用于气球爆裂声,第3类用于拍手声,第4类用于挖掘声,第5类用于锤击声。此外,这些信号被分成两组;第一组由80个信号组成,而第二组有另外40个信号,两组都包含来自5个类别中的每一个的声音选择第一组用于分析和训练系统,第二组用于测试目的。 图图2 -4示出了树木切割的空气声学信号的波形和频谱图。斧头砍在树上的幅度很大在光谱图中,红色显示较高的信号强度,黄色显示强度低于红色信号。信号的峰值表示信号的强度,随着斧头的每一次敲击,信号的强度变高,然后慢慢变弱。频谱图左侧的面板显示选定点处的信号频率每一个记录的信号都包含了许多斧头砍在树上的声音。所以我们从信号中提取了每一次撞击然后分析它进行特征识别。图图2a.a和图2b分别为11 s的信号波形图和频谱图。钉子显示了斧头砍在树上的痕迹。在11秒的时间里发生了4次罢工。每一击都是红色的,这意味着信号在每一击都有很高的幅度。图图3 a、b示出了斧子在生木材上的单次敲击的波形和频谱图,图4 a、b示出了斧子在干木材上的单次敲击的波形和频谱图。冲击波信号的幅值、强度和频率都很高。在声谱图中也可以观察到撞击的模式。5. 参数提取在使用文献调查(Chu等人,2015年; Wei等人,2010; Zhan等人,2012; Ye等人,2014; Yan等人, 2014),我们确定了总共10个参数,这些参数可以证明有助于识别树木砍伐事件。表1和表2提供了选定参数的列表。将树木切割信号划分为帧。每个帧的大小为10 ms。 图图5示出了将信号划分成帧。的图2a. 11秒信号波形(斧击)。图2b. 11秒信号的频谱图(斧击)。图3a. 用斧子在绿色木头上的单击波形。图3b. 用斧子单次击打绿色木材的光谱图。760S.F. Ahmad,D.K.Singh/ Journal of King Saud UniversityP¼tN2j1/2]jtP½]tF½]g¼公司简介[001pdf1st-31files]NN2n1M nn1N1/1表2空间特征。S.号参数描述光谱特征1.谱质心短时傅立叶变换幅值谱PNn·jMt½n]j22.光谱滚降这里,M [t/2n]表示频率n和帧t处的傅里叶变换的 幅 度 。谱滚降是指星等分布集中在85%以下的点。RtNPMt½n]<$PMt½n]×0:85n1n13.光谱峰因子该值是某个波形其示出了峰值幅度与其RMS能量的比率。MaxMTNn2Bk NM nn1Nk图4a. 斧子在干木头上的单次劈砍波形。4.光谱通量这个值是通过取光谱分布NFtNt nNT-1N2n15.谱熵该值显示是否存在主峰。Hx-Ppxilog2pxi1/1图4b. 用斧子单次击打干木材的光谱图。表1时间特征。S.号参数描述时间特征1.标准偏差一组数据偏离其均值的程度。图五. 信号帧rvut(英语:rvut)ffiffiffi1ffiffiΣffiffiffiPffiNffiffiffiffiffiffiffixffiffiiffiffiffiffiffiffiffiffilffiffiffiffiffi2ffiffi)ffiffiffiffi2.最小峰值最小峰值用于定义信号的最低阈值边界。三种不同的算法用于检测树3.均方根(RMS)RMS值表示信号的响度或强度。xs1Pnx2切割事件:算法1:GMM-Gaussian算法2:K-means聚类4.最大峰值最大峰值定义最大阈值信号边界算法3:PCA5.ZCR它计算振幅在任何时间间隔内切割0标记的次数。Zt<$1Pjsign<$x½n]-sign<$x½n-1]j6.1. 算法1n1每个帧的参数值存储在主数据库中。该数据库被用作主数据库来训练系统。GMM可以被描述为概率参数化密度的函数,并且它被表示为高斯分布的加权和(Yunqi和Yibiao,2014; Linyun等人,2014年)。该模型通常用于语音信号的分类和/或识别。迭代期望最大化(Nguyen和Wu,2013)C¼-Þ6. 树木切割检测算法均方根值n1/1我S.F. Ahmad,D.K.Singh/ Journal of King Saud University761方法被用来从训练数据中计算GMM参数。6.1.1. 期望最大化算法一种迭代技术,用于创建相似类的集群。在第一步,即“期望”步骤中在第二步,即“最大化”步骤中6.1.2. 初始化算法在聚类过程中,该算法随机选取数据点作为初始均值,然后将每个聚类的协方差矩阵与整个训练集的协方差矩阵进行均衡。每个聚类都被分配了相等的“先验概率”。6.1.3. 预期在期望步骤中,需要进行一些关键的计算。这些计算基于每个数据点与每个聚类相关的可能性。每个高斯分量定义为:G [1/1e/2 -0:5X-MkTV-k1X-Mk]0:5一个样本与另一个样本的接近程度。所提出的方法也是基于样本之间的距离该算法计算b/w存储的参数和新样本的差异或变化创建包含10个参数的值(在表1和2中描述)的主数据库,然后估计最小变化以用于匹配。每当任何新信号到达时,该技术计算该信号的这10个参数的值,然后计算主数据库的存储值和新计算值之间的变化。所提出的算法的步骤如下:步骤1:记录信号5秒步骤2:将信号划分为帧步骤3:计算参数步骤4:计算新参数与主数据库D(p,q)=(p((sum((qi-pi)2)其中i =1 np= [p0,p1,p2.. pn],为新信号计算的参数,q=[q1,q2,qn]参数存储在主数据库步骤5:如果(D(p,q)y)count_i = count_i +1;其中y是参数之间的最大差异。count_i是计数的数量,当参数匹配时增加2012年12月n=2jVkj对于每一帧。这里Mk表示高斯6.1.4. 最大化:此过程用于重新计算数据集的均值和方差,以创建更准确的聚类。6.2. 2这 种 学 习 技 术 是 一 种 无 监 督 的 技 术 ( Juanyingand Shuai ,2010)。在该技术中,n个对象被聚类到k个分区中,其中n > k。该算法的工作原理与EM算法类似。在该技术中,n个对象被分类为k个组(Bendridis等人,2015; Kunhui等人, 2014年)。6.3. 算法3PCA用于识别数据模式。它以这样一种方式表达数据,以突出其相似性和对比度(Duo例如,2014; Rujirakul等人, 2013年)。由于在高维数据中很难找到数据模式,因此PCA是一种令人难以置信的数据分析技术 在发现数据中的模式之后,可以在不丢失任何信息的情况下对其进行压缩(Dakui等人, 2013年)。由于信号是线性的,PCA适合于分析。PCA基于特征值和特征向量的数学计算。数据的特征向量是主成分。对于该实验,取10个特征向量进行测试。特征向量主数据库建立后,需要进行测试的算法.7. 该方法基于距离的方法用于计算两个样本如何相对接近。存在各种基于距离的方法,如Bhattacharyya距离、Maha-lanobis距离、Hellinger距离等。Bhattacharyya距离、Mahalanobis距离是两个数据集之间相似性的度量。这些距离表明步骤6:计算匹配百分比如果匹配百分比大于80,则识别出树木砍伐。8. 结果我们在茂密森林和开放森林中实现并测试了所有四种算法,即K均值聚类,PCA,GMM和提出的算法。图6示出了茂密森林的场景,其中带有斧头的蓝色树木指示树木砍伐事件,并且红色传感器板被绑在树上。这些传感器板使用算法逐一识别树木切割事件。算法的效率根据成功事件检测占发生的总事件的百分比见图6。 密林。K762S.F. Ahmad,D.K.Singh/ Journal of King Saud University如表3所示。为了检查假阳性和假阴性识别,该算法还通过了气球爆炸,拍手,锤子和挖掘的声音信号。图7显示了开阔森林的场景,符号与茂密森林相同。唯一的区别是树木之间的距离。算法在开放森林中的效率如表4所示。由于传感器板广泛分布在开阔的森林中,它们无法完美地捕获信号;因此导致效率低许多作者提出了不同的结果的树木切割检测算法。表5显示了这些算法的效率。从表中可以看出,本文提出的基于距离的算法具有92%的效率,这明显优于其他算法。9. 结论砍伐树木和走私是一个大问题。这对社会和环境都是危险的。人们过去常常在森林里砍树来建造房屋。有手动方法可用于捕捉砍树者。提出了利用声信号处理技术捕捉树木砍伐事件的技术方案。本文介绍了特征提取参数。分别采用GMM、K均值聚类和PCA三种算法对树木进行识别。有一个基于距离的算法提出了更好的效率。对所有算法进行了测试,并计算了效率。实验结果表明,基于距离的算法比现有的算法效率更高表3算法在稠密森林中的效率。K均值聚类GMM PCA算法引用Becludis角,Zouzias,A.,马奥尼,M.W.,Drineas,P.,2015. K-means聚类的随机降维。IEEE Trans. Inf. Theory 61(2),1045-1062.Brack,D.,2006年。简报文件:非法伐木。 查塔姆大厦。树木砍伐检测83% 86% 83% 92%假阳性识别16% 11% 13% 5%假阴性识别17% 14% 17% 8%见图7。 开放森林表4算法在开放森林中的效率。CBD,2016.第十三次会议的报告见:《生物多样性公约》Chu,D.,Liao,L.,Ng,M.K.,王,X.,2015.增量线性判别分析:快速算法及比较。IEEE跨神经网络学习。26(11),2716-2735。王大奎,李东伟,林毅,2013。一种结合数据场和主成分分析的人脸识别新方法。在:国际粒度计算会议(GrC),pp。320-325.刘铎,龙忠宏,塞迪,N.,南迪,B.,2014年。基于熵的鲁棒PCA通信网络异常检测。IEEE/CIC International Conference on Communications in China ( ICCC ) ,2009年171比175Hidayati河,Purnama,I.K.E.,Purnomo,M.H.,2009.基于音高和共振峰的婴儿哭声情感检测声学特征提取。在:国际会议仪器,通信,信息技术和生物医学工程,万隆,页。1比5。约瑟夫Mporas,迈克尔Paraskevas,2016.基于声波监测的林木采伐自动识别。In:9th Hellenic Conference on Artificial Intelligence,Greece,ISBN 978-1-4503-3734-2/16/05.谢娟英,帅江,2010年。一种简单快速的全局K均值聚类算法。第二届教育技术与计算机科学国际研讨会(ETCS),第36 -40页林昆辉,李翔,张中南,陈家红,2014。基于Hadoop平台的初始中心优化的K-means聚类。在:第九届国际计算机科学教育会议(ICCSE),页。263-266。Linyun Huang,Yi Hong,Viterbo,E.,2014年。包络高斯混合模型的参数估计通信理论研讨会(AusCTW),pp。27,32.Miroslav Babis,Maros Duricek,Valéria Harvanova,Martin Vojtko,森林卫士三菱综合研究所:使用麦克风阵列的非语音声音识别。可在以下网址获得:http://tosa.mri.co.jp/sounddb/nospeech/system/indexe.htm。Mohanapaliti,S.P.,Sumesh E.P.,Karthika河,2014.基于高斯混合模型和神经网络分类器的环境声识别。在:绿色计算通信和电气国际会议工程(ICGCCEE),哥印拜陀,pp. 1比5。Nguyen,T. M.,Wu,Q.M.J.,2013.用于图像分割的快速和鲁棒的空间约束高斯混合模型。IEEE传输电路系统视频技术23(4),621-635。K均值聚类GMM PCA算法Peter,Jancovic,Munevver,K.,2011.噪声环境中有音调鸟声的自动检测与识别。EURASIP J. Adv. 信号处理。二〇一一年,表5其他树切割算法的效率。S. 没有作者算法效率102 The Dog(2016)木材采伐鉴定77夏尔马,G.,2018.森林砍伐监测的声信号分类:树木砍伐问题。 J. Comput. Sci. 系统Biol. 11,178-184.夏尔马,G.,Kumar,M.,维尔玛,S.,2016.利用声学信号监测森林砍伐。在:生物信息学和系统生物学国际会议(BSB),页。一比四夏尔马,P.,Abrol,V.,Dileep,A.D.,Sao,A.K.,2017.基于类特定GMM稀疏特征的语音单元分类。在:第25届欧洲信号处理会议(EUSIPCO),科斯,pp. 528-532.Yunjian Tang,Peng Han,Zaihuan Wang,Longcan Hu,Yue Gao,Haiyan Li,2012.2Sharma G(2018)动态时间扭曲结合采用改进的MFCC(DTWM)3Sharma G(2018)基于高斯贝叶斯分类器百分之八十三点二百分之九十点五基于智能语音识别的森林盗伐检测方法研究。在:IEEE第二届云计算和智能系统国际会议,pp。1153-1156.Wei Li,Qiuqi Ruan,Jun Wan,2010. 二维不相关线性4Tang等人, 2012电锯的音频识别65-75%判别分析在人脸表情识别中的应用第10届IEEE信号处理国际会议(ICSP),pp。公元1362-1365年。树木切割检测百分之六十八百分之六十五百分之七十四百分之七十六982936.Rujirakul,K.,So-In,C.,Arnonkijpanich,B.,Sunat,K.,Poolsanguan,S.,2013年。PFP-PCA:假阳性识别百分之三十五百分之二十八百分之二十一百分之二十一并行定点PCA人脸识别在:国际会议S.F. Ahmad,D.K.Singh/ Journal of King Saud University763Winursito , A. , 希 达 亚 特 河 Bejo , A. , 2018 年 Improvement of MFCC featureextraction accuracy using PCA in Indonesian speech recognition , In :International Conference on Information and Communications Technology(ICOIACT),Yogyakaran,Indonesia,pp.379-383.Yan,Yan,Ricci,E.,萨布拉马尼安河,巴西-地Gaowen,Liu,Sebe,N.,2014.多任务线性判别分析的观点不变的行动说明。IEEE传输图像处理。23(12),5599-5611。Ye,Q.L.,是的,N.,张汉锋Zhao,C.X.,2014.快速正交线性判别分析及其在图像分类中 的应 用 。 国际 神 经网 络 联 合会 议 (International Joint Conference on NeuralNetworks,IJCNN)299-306喂,我。- C.的方法,Yook,D.,2008年为听障人士提供自动声音识别IEEE Trans. Consum. Electron.54(4),2029-2036.Yunqi Wang,Yibiao Yu,2014.基于自适应高斯混合模型的精确说话人识别。第12届国际信号处理会议(ICSP)五十二万七千五百三十一。王占,阮秋琪,安高云,2012。基于张量局部线性鉴别分析的人脸表情识别。第11届IEEE信号处理国际会议(ICSP),pp。1226
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- BGP协议首选值(PrefVal)属性与模拟组网实验
- C#实现VS***单元测试coverage文件转xml工具
- NX二次开发:UF_DRF_ask_weld_symbol函数详解与应用
- 从机FIFO的Verilog代码实现分析
- C语言制作键盘反应力训练游戏源代码
- 简约风格毕业论文答辩演示模板
- Qt6 QML教程:动态创建与销毁对象的示例源码解析
- NX二次开发函数介绍:UF_DRF_count_text_substring
- 获取inspect.exe:Windows桌面元素查看与自动化工具
- C语言开发的大丰收游戏源代码及论文完整展示
- 掌握NX二次开发:UF_DRF_create_3pt_cline_fbolt函数应用指南
- MobaXterm:超越Xshell的远程连接利器
- 创新手绘粉笔效果在毕业答辩中的应用
- 学生管理系统源码压缩包下载
- 深入解析NX二次开发函数UF-DRF-create-3pt-cline-fcir
- LabVIEW用户登录管理程序:注册、密码、登录与安全
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功