用opencv自带的垃圾检测模型

遗憾的是,OpenCV并没有提供内置的垃圾检测模型。不过可以使用HOG+SVM的方法来自定义训练一个用于特定目标(如垃圾)检测的模型。 对于创建自定义物体检测器并指定其使用预设参数的情况,通常会涉及到如下操作: ### 创建 HOG Descriptor 实例 当创建 `cv2.HOGDescriptor` 的实例时,可以通过设置参数让其实现特定功能。例如,在建立人体检测器的过程中,代码如下所示[^1]: ```python hog = cv2.HOGDescriptor() hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) ``` 然而针对垃圾检测的任务,由于不存在默认的垃圾检测器,因此需要自行准备正负样本数据集,并采用类似的方式训练自己的SVM分类器。 ### 准备训练样本 为了确保良好的泛化能力,收集足够数量且具有代表性的图像作为训练素材至关重要。这些图片应该覆盖不同种类、姿态以及背景下的垃圾对象。之后可借助 OpenCV 提供的相关工具完成标注工作,比如通过命令行调用 `opencv_createsamples` 来生成适合机器学习算法使用的格式文件[^2]。 ### 使用 traincascade 进行训练 一旦拥有了高质量的数据集,则能够启动级联分类器的训练过程。这一步骤同样依赖于 OpenCV 内置的功能——即执行名为 `traincascade` 的应用程序来进行特征提取与模型优化。需要注意的是,在此期间要合理配置诸如窗口大小 `-w`, `-h` 参数等选项以匹配之前设定好的样本规格。 尽管上述流程主要适用于构建二元分类器而非专门面向垃圾分类的应用场景,但是基本原理相通。如果有兴趣深入研究这一领域的话,或许可以从零开始搭建一套完整的解决方案;当然也可以考虑借鉴现有的开源项目成果加以改进完善。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

基于Python与YOLOv4的垃圾检测识别系统(源码)

基于Python与YOLOv4的垃圾检测识别系统(源码)

通过深度学习算法,采用YOLO目标检测网络对垃圾进行四分类识别,含图像与实时摄像头两种方式,可实时检测和识别,得到较高分类准确率。直接运行py文件,即可实现垃圾检测识别系统界面。

python满溢垃圾检测

python满溢垃圾检测

目标检测

python opencv 检测移动物体并截图保存实例

python opencv 检测移动物体并截图保存实例

主要介绍了python opencv 检测移动物体并截图保存实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

毕业设计:基于python的垃圾分类系统.zip

毕业设计:基于python的垃圾分类系统.zip

计算机毕设源码

基于Tensorflow+Pyqt5+Mysql+Python实现的垃圾识别分类系统源码+使用说明+模型.zip

基于Tensorflow+Pyqt5+Mysql+Python实现的垃圾识别分类系统源码+使用说明+模型.zip

【项目介绍】 基于Tensorflow+Pyqt5+Mysql+Python实现的垃圾识别分类系统源码+使用说明+模型.zip基于Tensorflow+Pyqt5+Mysql+Python实现的垃圾识别分类系统源码+使用说明+模型.zip 带gui,可以显示重量、种类、播放宣传视频等 运行环境: TensorFlow2.0 mysql OpenCV Python3.6 配置mysql: 1.下载并安装;mysql mysql -u root -p sql = "CREATE DATABASE IF NOT EXISTS db_name4" show databases; use db_name4 show tables; 删除表: drop database xxxx; 2. pip install PyMySQL -i https://pypi.tuna.tsinghua.edu.cn/simple pip install cryptography -i https://pypi.tuna.tsinghua.edu.cn/simple 3、把宣传视频视频放到根目录下,修改Detection.py中的第57 行,修改 self.preview_video="xxx.mp4" 4、运行 Detection.py即可检测 权重文件:链接:https://pan.baidu.com/s/1Z0dqoITs_drddbm7JI7HsQ?pwd=ovg4 提取码:ovg4 【备注】 1.项目代码均经过功能验证,确保稳定可靠运行。欢迎下载食用体验! 2.主要针对各个计算机相关专业,包括计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师、企业员工。 3.项目具有丰富的拓展空间,不仅可作为入门进阶,也可作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.鼓励大家基于此进行二次开发。在使用过程中,如有问题或建议,请及时沟通。 5.期待你能在项目中找到乐趣和灵感,也欢迎你的分享和反馈!

物理信息神经网络求解 Klein-Gordon 方程的应用研究(Python代码实现)

物理信息神经网络求解 Klein-Gordon 方程的应用研究(Python代码实现)

内容概要:本文系统研究了物理信息神经网络(PINN)在求解Klein-Gordon方程中的应用,通过构建前馈神经网络模型,将偏微分方程的残差项作为损失函数的重要组成部分,结合初始条件与边界条件进行联合优化训练,实现了对非线性波动方程的高效数值求解。文中详细阐述了PINN的理论基础、网络结构设计、损失函数构建策略及训练流程,并提供了基于Python的完整代码实现,展示了该方法在处理复杂物理系统建模问题中的准确性、灵活性与无需网格划分的独特优势。; 适合人群:具备一定深度学习、偏微分方程理论基础及Python编程能力的研究生、科研人员和工程技术开发者,尤其适合从事科学计算、物理建模与神经网络交叉领域研究的学者。; 使用场景及目标:① 掌握物理信息神经网络的基本原理及其在微分方程求解中的实现路径;② 学习如何将物理先验知识嵌入神经网络训练过程,提升模型的物理一致性和泛化能力;③ 借助所提供的代码实例开展相关科研工作,拓展PINN在量子场论、非线性光学、波动传播等领域的应用研究; 阅读建议:建议读者结合文中给出的Python代码逐行复现求解过程,深入理解损失函数中各物理约束项的设计逻辑与权重配置,同时可尝试调整网络超参数、改变方程形式或应用于其他类型的偏微分方程,以全面提升对PINN方法的掌握与创新能力。

Agent 工具权限沙箱实战:白名单+参数校验+超时限次,零 Key 离线可跑(Python 源码)

Agent 工具权限沙箱实战:白名单+参数校验+超时限次,零 Key 离线可跑(Python 源码)

Agent 工具权限沙箱实战包。白名单、类 JSON Schema 参数校验、单工具超时、调用次数/速率限制,日志参数脱敏,未知工具默认拒绝。含计算器、检索、受限写文件等 Mock 工具。零第三方依赖、零 API Key,含样例与冒烟。MIT。作者 blog.csdn.net/mtl1994

简单验证码的识别.rar

简单验证码的识别.rar

自己做的验证码识别,包含完整代码;java版。能识别简单的数字验证码,想要识别更为复杂的验证码需要理解代码,调整代码顺序训练新的验证码库。代码逻辑,和如何训练验证码库有详细的文档说明。

opencv实现水面垃圾检测.rar

opencv实现水面垃圾检测.rar

opencv实现水面垃圾的检测(对文件夹内的图片进行检测)(附结果图)

利用opencv做的垃圾检测代码

利用opencv做的垃圾检测代码

利用opencv做的简单的垃圾检测代码,采用的是MFC架构

垃圾分类数据集及代码

垃圾分类数据集及代码

资源说明: 数据集主要包括6类图片:硬纸板、纸、塑料瓶、玻璃瓶、铜制品、不可回收垃圾 代码运行说明: 1、 安装运行项目所需的python模块,包括tensorflow | numpy | keras | cv2 2、 train.py用于训练垃圾分类模型,由于训练的数据量过于庞大,因此不一并上传 3、 predict.py用于预测垃圾的类别,首先运行predict.py,然后输入需要预测的文件路径,即可得到结果。

河流垃圾检测Y8M,只需要OPENCV

河流垃圾检测Y8M,只需要OPENCV

河流垃圾检测Y8M,只需要OPENCV,采用YOLOV8训练,得到了模型,然后转换成ONNX,DNN调用

只需要OPENCV460的垃圾检测,YOLO4TINY

只需要OPENCV460的垃圾检测,YOLO4TINY

只需要OPENCV460的垃圾检测,YOLO4TINY,基于YOLO4TINY模型

基于YOLO的垃圾检测模型.zip

基于YOLO的垃圾检测模型.zip

基于YOLO的垃圾检测模型.zip

基于OpenCV和TensorFlow的生活垃圾图像分类识别.zip

基于OpenCV和TensorFlow的生活垃圾图像分类识别.zip

人工智能-深度学习-tensorflow

基于yolov8的垃圾检测系统,包含训练好的权重和推理代码,GUI界面,支持图片、视频、摄像头输入,可检测5类垃圾

基于yolov8的垃圾检测系统,包含训练好的权重和推理代码,GUI界面,支持图片、视频、摄像头输入,可检测5类垃圾

基于yolov8的垃圾检测系统,包含使用yolov8训练好的模型权重,使用pyqt开发的显示界面,支持图片、视频、摄像头输入 相关说明: 1、本资源包含yolov8在垃圾数据集上的训练权重,包含best.pt和last.pt两个权重; 2、本资源包含yolov8的垃圾检测推理代码,可以根据推理代码快速实现垃圾数量计数推理; 4、本资源包含GUI界面,该GUI界面支持图片检测、视频检测、摄像头检测; 5、该GUI支持导出检测结果到指定的文件目录下; 6、该代码使用pyqt、ultralystic开发,需要安装相关依赖,建议使用conda虚拟环境; 7、代码采用模块化设计,各个功能解耦,可以很轻松的进行二次开发、修改; 8、yolov8模型可以轻松替换为其他版本的yolo模型,轻松训练自己的模型并替换。

基于深度学习的垃圾分类系统

基于深度学习的垃圾分类系统

本次实验训练了多个用于垃圾图片分类识别的模型,采用迁移学习的方法选取性能较好的模型进行调优改进,最终的模型识别准确率在93%以上(30个epoch);然后将训练好的模型部署在华为云上,生成API接口进行调用;最后设计了一个可视化程序调用API接口来进行展示,方便用户使用。

基于YOLO的垃圾分类检测设计.zip

基于YOLO的垃圾分类检测设计.zip

基于YOLO的垃圾分类检测设计.zip

YOLOv5 + Flask + Vue实现基于深度学习算法的垃圾检测系统源码+数据库

YOLOv5 + Flask + Vue实现基于深度学习算法的垃圾检测系统源码+数据库

YOLOv5 + Flask + Vue实现基于深度学习算法的垃圾检测系统源码+数据库 技术特性 深度学习 YOLOv5:高效、准确的目标检测算法,实时识别检测图像和视频中的各种对象 PyTorch:机器学习框架,以动态计算图为基础,具有灵活性和易用性 OpenCV:计算机视觉库,提供了丰富的图像和视频处理功能 前端 Vue3:采用 Vue3 + script setup 最新的 Vue3 组合式 API Element Plus:Element UI 的 Vue3 版本 Pinia: 类型安全、可预测的状态管理库 Vite:新型前端构建工具 Vue Router:路由 TypeScript:JavaScript 语言的超集 PNPM:更快速的,节省磁盘空间的包管理工具 Scss:和 Element Plus 保持一致 CSS 变量:主要控制项目的布局和颜色 ESlint:代码校验 Prettier:代码格式化 Axios:发送网络请求 UnoCSS:具有高性能且极具灵活性的即时原子化 CSS 引擎 注释:各个配置项都写有尽可能详细的注释 兼容移动端: 布局兼容移动端页面分辨率

水面垃圾智能检测系统[源码]

水面垃圾智能检测系统[源码]

本文介绍了一种基于YOLOv11/v10/v8/v5深度学习框架的水面垃圾智能检测识别系统设计与实现。该系统通过4945张实际场景中的水面垃圾图片训练模型,能够检测4类垃圾:玻璃垃圾、金属垃圾、塑料垃圾和其他垃圾。文章详细对比了YOLOv5n、YOLOv8n、YOLOv10n和YOLO11n四种模型在验证集上的性能表现,包括精确度、召回率、mAP50等指标。最终基于训练好的模型开发了一款带UI界面的水面垃圾智能检测识别系统,支持图片、视频及摄像头检测,并保存检测结果。该系统为水面垃圾检测提供了高效、自动化的解决方案,有助于环境保护和水资源管理。

最新推荐最新推荐

recommend-type

两路半桥LLC谐振变换器软开关Simulink仿真(模拟谐振参数不同、分裂电容)

内容概要:本文介绍了“两路半桥LLC谐振变换器软开关Simulink仿真”资源包,重点在于基于Simulink平台对两路半桥LLC谐振变换器进行高精度建模与动态仿真,特别考虑了谐振参数不一致及分裂电容等非理想工况对系统性能的影响。该仿真模型不仅涵盖了主电路拓扑、软开关实现机制与谐振网络设计,还深入分析了不同参数配置下系统的启动特性、稳态效率、动态响应及软开关条件的满足情况。通过参数扫描与对比仿真,帮助用户掌握LLC变换器的关键设计要素与优化方法,具备较强的工程指导价值和科研教学意义。; 适合人群:电力电子、电气工程及其自动化等相关专业的高校师生,以及从事高频开关电源、新能源变换器、车载充电机等领域的研发工程师和技术人员。; 使用场景及目标:① 掌握两路并联半桥LLC谐振变换器的建模与仿真方法;② 理解软开关技术在提升变换器效率与降低EMI方面的关键作用;③ 分析谐振参数偏差与分裂电容结构对系统均流特性、增益曲线及软开关范围的影响;④ 支持科研项目中的拓扑验证、控制策略开发与故障工况分析; 阅读建议:建议结合Simulink仿真模型与配套说明文档进行学习,重点关注谐振腔参数设置、驱动时序设计及软开关波形观测;可通过调整谐振电感、电容值或引入参数失配,观察系统行为变化,深入理解LLC变换器的稳定边界与优化设计原则。
recommend-type

双向全桥CLLC谐振变换器仿真模型(Simulink仿真实现)

内容概要:本文系统介绍了双向全桥CLLC谐振变换器的Simulink仿真模型,重点阐述了变频控制、闭环仿真及其与多种电力电子拓扑(如维也纳整流器、DAB变换器、图腾柱PFC等)的联合仿真设计。资源包涵盖2.5kW双向全桥LLC、V2G电动汽车充放电系统、三相PFC、多相交错LLC等多种变换器的仿真案例,并深入展示了三电平VIENNA整流器在双闭环PI控制与SVPWM调制策略下,结合上下电容电压差值补偿实现中点电位平衡的先进控制方法。通过仿真验证,该策略不仅有效维持了800V直流母线电压的稳定,还在动态工况下显著提升了电容电压的均衡度,同时保持了较低的输入电流THD,充分体现了SVPWM与中点平衡控制协同优化的技术优势。; 适合人群:具备电力电子与自动控制理论基础,从事新能源发电、电动汽车、工业电源、微电网等领域的研究生、工程师及科研人员。; 使用场景及目标:① 学习并构建高频谐振变换器(如LLC、CLLC)的Simulink仿真模型,掌握其变频与混合控制策略;② 深入理解并应用中点电位平衡、双闭环PI控制、SVPWM调制等核心技术于VIENNA等三电平变换器中;③ 复现高水平期刊论文中的控制算法,服务于科研项目申报、学术论文撰写或工程产品开发。; 阅读建议:该资源为综合性仿真资料库,建议使用者结合自身研究方向(如电动汽车充电、新能源并网)选择对应案例进行精学,重点关注控制策略的设计逻辑、仿真参数的整定方法以及SVPWM与中点平衡的协同机制,并充分利用附带的计算书和参考文献深化理解,以实现从仿真模型到实际工程应用的顺利转化。
recommend-type

全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型(Simulink仿真实现)

全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型(Simulink仿真实现)
recommend-type

国央企创新负责人如何通过平台提升技术需求挖掘与资源配置的精准性?.docx

国央企创新负责人如何通过平台提升技术需求挖掘与资源配置的精准性?
recommend-type

虚拟同步发电机(VSG)惯量阻尼自适应控制仿真模型(simulink仿真实现)

内容概要:本文提供了“虚拟同步发电机(VSG)惯量阻尼自适应控制仿真模型”的Simulink仿真实现方法,系统阐述了如何通过仿真手段研究VSG在电力系统中的动态响应特性,重点聚焦于其惯量与阻尼的自适应控制策略。文中详细说明了模型构建流程,涵盖控制算法设计、参数调节、根轨迹分析等内容,并通过对比不同调节系数下的系统响应,深入探讨了控制参数对系统稳定性与动态性能的影响。该仿真模型有效复现了VSG模拟传统同步发电机惯性与阻尼特性的能力,对于提升新能源并网系统的频率稳定性和抗扰动能力具有重要研究价值。; 适合人群:具备电力系统、自动化或相关领域基础知识,从事新能源并网、微电网控制、电力电子与电力系统仿真研究的研究生、科研人员及工程师。; 使用场景及目标:①用于教学与科研中深入理解虚拟同步发电机的工作原理及其在现代电力系统中的应用;②为新能源发电系统接入电网时的稳定性分析与控制策略设计提供仿真验证平台;③支持对VSG控制参数进行优化,提升系统应对负荷波动和扰动的能力。; 阅读建议:建议读者结合Matlab/Simulink软件动手实践,按照文档结构逐步搭建仿真模型,重点关注控制环路设计与参数整定部分,同时参考提供的代码与仿真结果进行对比分析,以加深对VSG自适应控制机制的理解。
recommend-type

JGroup入门教程:集群通信与配置解析

"这篇文档是关于JGroup的笔记,涵盖了JGroup的基本概念、主要功能、特点以及核心API的介绍。" JGroup是一个专门用于构建分布式集群的库,它允许应用程序加入集群并与其他节点进行通信。当节点加入或离开时,JGroup会提供相应的通知机制。与Java Message Service (JMS)相比,JGroup的功能更专注于集群内的消息传递,不涉及队列、主题或事务管理。其核心特性在于其灵活的协议栈和配置,用户可以通过编辑XML配置文件来定制所需的功能。 例如,通过在协议栈中添加COMPRESS协议,可以实现消息的压缩。此外,JGroup还支持加密和身份验证,确保只有通过X.509证书认证的节点才能加入集群,从而增强了安全性。 JGroup的架构主要包括一个Channel接口,这是客户端主要的API,用于发送和接收消息。当发送消息时,消息会自顶向下通过整个协议栈。以下是`JChannel`类的部分关键方法: 1. `public JChannel(String properties)`:根据指定的XML配置文件(如"udp.xml")创建一个新的JChannel实例。 2. `public void setReceiver(Receiver r)`:设置接收器,用于处理接收到的消息。这里使用了`ReceiverAdapter`作为基础实现,用户可以自定义自己的接收器。 3. `public void connect(String cluster_name)`:将Channel连接到名为"demo-cluster"的集群。 4. `public void send(Message msg)`:通过Channel发送一个Message对象到集群。 5. `public View getView()`:获取当前的集群视图,即集群中节点的状态信息。 6. `public Address getLocalAddress()`:获取本地节点的地址。 7. `public void disconnect()`:断开Channel与集群的连接。 8. `public void close()`:关闭Channel,释放资源。 通过上述API,开发者可以轻松地实现集群内的通信。如果需要更改通信参数,如网络协议、消息格式等,只需修改对应的XML配置文件即可,无需修改应用程序代码。 JGroup是一个强大的工具,适用于需要高可用性和容错性的分布式系统。它简化了集群通信的实现,同时提供了高度的灵活性和可扩展性,使得开发人员能够专注于业务逻辑,而不用担心底层通信的复杂性。
recommend-type

FP32_FP16_INT8_BF16量化选型决策图谱(工业界已验证的7大业务场景精度-时延-功耗三维权衡矩阵)

以下是对您提供的技术博文进行深度润色后的版本。全文严格遵循您的全部优化要求: - ✅ **完全去除所有显性标题层级**(如“# 1. 量化基础…”、“## 2.1 FP32…”等),代之以自然段落过渡与逻辑流引导; - ✅ **打破“总—分—总”结构**,开篇即切入真实工业痛点,技术原理、硬件归因、场景验证三者交织推进; - ✅ **彻底删除“引言/总结/展望/参考资料”等模板化章节**,结尾不复述、不喊口号,而以一个具象的技术演进断面收束; - ✅ **语言高度去AI化**:摒弃“本文将从…角度阐述…”类句式;大量使用设问、插入语、工程师口语化表达(如“你猜怎么着?”“别急,先
recommend-type

GPU硬件编解码怎么开启?不同品牌显卡的操作方式有什么区别?

### 如何在GPU上启用编码器和解码器 对于希望利用GPU进行视频编解码的应用程序来说,启用硬件加速可以显著提高效率并减少CPU负载。具体方法取决于所使用的硬件平台以及软件库的支持情况。 #### NVIDIA CUDA 编解码设置 NVIDIA 提供了一套完整的工具集用于在其GPU上执行高效的视频处理操作。NVENC/NVDEC API允许开发者轻松集成硬件加速的功能至应用程序中[^2]。 ```cpp // 初始化CUDA环境 cudaError_t cudaStatus = cudaSetDevice(0); if (cudaStatus != cudaSuccess) {
recommend-type

嵌入式软件覆盖率测试技术及应用分析

"嵌入式软件覆盖率测试的研究与应用 (2014年) - 孙陇平,江苏自动化研究所" 本文深入探讨了嵌入式软件的覆盖率测试,这是一种关键的软件质量保证方法,尤其在面对日益复杂和硬件紧密集成的嵌入式系统时。覆盖率测试是衡量软件测试完整性和效率的重要指标,它通过确保软件的每一部分至少被执行一次来检测潜在的问题。 1. 覆盖率测试基础 - 覆盖率测试的核心在于度量测试用例对软件代码的覆盖程度,包括语句覆盖率、判定覆盖率、条件覆盖率、判定/条件覆盖率和路径覆盖率。这些指标帮助测试人员了解测试用例是否充分执行了代码的不同方面。 - 语句覆盖率关注的是每一行代码是否被执行,而判定覆盖率则检查每个判断表达式的真假分支是否都被执行过。条件覆盖率更进一步,确保每个条件的可能结果都被测试。判定/条件覆盖率综合考虑了条件和整个判断的覆盖。路径覆盖率是最全面的,它要求覆盖所有可能的执行路径。 2. 覆盖率测试方法 - 在嵌入式系统中,由于其与硬件的紧密耦合,常规测试方法往往不足。因此,采用程序插装技术进行覆盖率测试成为主流。这种方法涉及到在源代码中插入特殊代码,以记录和报告哪些部分被执行,然后编译生成可执行文件。 3. 覆盖率测试工具 - 文章提到了两种流行的覆盖率测试工具,Bullseye Coverage和LDRA TestBed。这两种工具都能提供详细的覆盖率报告,帮助定位未被测试的代码段。 4. 应用示例 - 以Turbo C开发环境下的DOS操作系统为例,作者展示了如何使用LDRA Testbed进行覆盖率分析。通过插装程序,可以获取语句覆盖率和分支覆盖率数据,从而找出可能存在的软件问题,并优化测试用例以提高测试的全面性。 5. 实践意义 - 覆盖率测试对于提升嵌入式软件的质量至关重要,它能够减少错误,降低测试难度,提高测试效率。通过这种测试,可以更准确地评估软件的健壮性和可靠性,从而确保产品在实际应用中的稳定运行。 综上,覆盖率测试是嵌入式软件开发过程中的重要环节,通过有效的覆盖率测试策略和工具,能够显著提升软件的质量,减少潜在的缺陷,并为测试过程提供量化依据。
recommend-type

GitLab CI Runner高并发雪崩实录(CPU飙至98%、IO等待超400ms):深度拆解Runner注册协议缺陷、Docker-in-Docker内存泄漏与Gitaly连接池耗尽的7层根因(附实时熔断配置模板)

# GitLab CI Runner高并发雪崩现象全景还原与全链路治理实践 在金融级CI平台日均3.2万次Pipeline触发的严苛场景下,一种极具迷惑性的系统性故障反复上演:注册成功率断崖式下跌至15%以下、Runner在线率骤降76%、平均注册耗时飙升至47秒以上。表面看是TLS握手超时或证书错误,但深入追踪发现,这并非孤立故障,而是**注册协议缺陷、运行时泄漏、Gitaly连接耗尽三重根因耦合触发的系统性雪崩**。更令人警醒的是,这种故障往往在系统负载看似平稳、CPU/内存使用率无明显异常的情况下悄然发生——它不靠资源压垮系统,而是通过协议语义漏洞、状态机失控与资源回收滞后,在毫秒级的