课程文献中心 更多>>

关键词： 水下机器人   机器视觉   嵌入式系统   YOLOv5算法  

摘要： 随着科技的迅速发展,水下机器人技术逐渐成为深海勘探、环境监测和水下任务执行的关键工具。本文针对现有机器人水下工作中存在的控制系统不稳定、水下目标检测精度不高等问题,设计了一种基于机器视觉和嵌入式系统的水下机器人,主要研究水下机器人在工作环境中实现任务执行、实时监控、目标识别的关键技术。本文通过对搭载六个推进器的水下机器人进行整体设计、控制系统实现以及目标检测算法优化,深入探讨了机器视觉与嵌入式系统在水下机器人研究中的应用。论文的主要研究内容如下: (1)通过水下机器人总体功能和设计指标确定了水下机器人的组成,选择聚甲基丙烯酸甲酯作为外部框架材料,建立外部框架结构,挂载至耐压密封舱上;耐压密封舱采用O型圈+法兰+密封盖的形式密封,主控板及电子元器件集成于耐压密封舱内,使用穿线螺栓及水密接头技术与外部PC上位机连接,水密接头处使用环氧树脂作为防水措施。为下述研究做好基础。 (2)设计了基于嵌入式系统的机器人控制系统,使用网络通信技术使水下机器人能够与PC上位机实现可靠的数据交换;结合传感器技术,包括深度测量单元、光亮检测单元和姿态检测单元,提高了水下机器人的数据精度;基于嵌入式系统使用V4L2+RTP+FFmpeg+Qt技术完成了水下视频的采集、传输和显示,实现了对水下环境的高效探测,以及对水下机器人在工作时的运动控制和实时监控。通过系统实验测试,本文所设计的控制系统完成了水下视频的实时显示、网络信息传输、上位机远程控制等功能,验证了本文水下机器人控制系统的可行性。 (3)针对光线条件和水质对图像质量的影响,在基于卷积神经网络框架的YOLOv5算法上进行优化,加入CA注意力机制、Bi FPN网络结构和EIo U损失函数。通过实验对比,本文所提出的算法与YOLOv5算法对比,在加入EIo U损失函数后m AP值提高了0.2%,在此基础上加入CA注意力机制后m AP值提高了1.1%,最后更改Bi FPN网络结构后的m AP值提高了1.7%,证明了本文算法的有效性。

关键词： 垃圾分类   嵌入式系统   CNN   Adamax   AI芯片  

摘要： 当前,随着环境保护和资源回收利用意识的增强,垃圾分类成为了全球关注的焦点。然而,传统的垃圾分类方法主要面临效率低和准确性有限等问题。随着深度学习技术和通用性人工智能(AI)芯片技术的发展,这些技术与嵌入式系统的结合开辟了提升垃圾分类智能化水平的新路径。本研究旨在探索并实现一种基于嵌入式系统的智能垃圾分类设计方案,以提高垃圾分类的准确性和效率。 考虑到卷积神经网络(CNN)在图像识别领域的出色表现,本研究首先设计了一个基于CNN的垃圾分类模型。在数据预处理设计上,本研究收集具有干净白色背景的图像样本构建数据集,以减少训练过程中的噪声干扰,并利用数据增强技术扩充数据集,目的是增强模型的泛化能力。然后设计了图像自适应亮化和废物框架提取算法,增强了图像中废物特征的可识别性。在模型设计方面,本研究基于MLH-CNN网络结构进行优化,使用Dropout层减少模型的过拟合,还通过实验对比采用了基于Adam变体的Adamax优化算法进一步增强了模型的分类准确性。实验结果表明,模型在训练测试集中达到了94.69%的准确率和92.41%的kappa系数,在实际测试集中达到了84.1%的准确率和78.8%的kappa系数,说明本研究垃圾分类模型的实际泛化能力较强。 进而,为实现在嵌入式设备上进行实时垃圾分类,本研究选用了支持边缘设备AI推理的勘智(Kendryte)K230芯片,该芯片基于RISC-V处理器架构,专为图像或语音处理的AI应用而设计。在模型部署上,本研究先把Tensor Flow模型转换为TFLite格式模型,然后成功使用nncase这个工具让TFLite模型转换为K230可用的KMODEL模型,之后部署在运行固件的TF卡合适文件位置。在系统软件设计上,本研究设计了一套稳定的程序系统,实现了由外部电平信号触发来执行高效的图像分类任务,并通过结合STM32F407芯片,实现了嵌入式设备之间的协同工作,构建了一个集成AI计算、单片机控制及语言播报的智能垃圾分类系统。实验测试结果表明,该系统达到了每秒30帧的速度准确识别垃圾种类,并成功通过GPIO通信传递出识别结果。此外,本研究还基于Python开发环境结合Qt Designer工具设计出了上位机软件,使模型测试更为直观和便利。 综上所述,本研究成功整合CNN与嵌入式AI芯片技术,提出了一种创新的智能垃圾分类方案。该研究不仅在学术上取得了突破,也为垃圾分类模型的实际部署提供了有效的技术方案,对推进社会环境保护具有积极作用。未来,可以在该研究的基础上在模型优化和应用场景拓展等方面进一步扩展和深化,以满足垃圾分类领域不断增长的现实需求。

关键词： 单片机   嵌入式系统   计算机技术   人工智能  

摘要： 阐述基于人工智能的单片机嵌入式系统功能，从驱动程序、协议与扩展功能层面进行系统设计。探讨基于人工智能的单片机嵌入式系统在污染监测、传感装置、人脸识别监测等方面的应用。

关键词： 跌倒检测   YOLOv5   深度学习   MobileNetv3   嵌入式系统  

摘要： 在人口老龄化不断加剧的今天,老年人跌倒成为了一个日益严重的健康问题。据世界卫生组织(WHO)的数据显示,每年有数百万老年人因跌倒而导致受伤或死亡。跌倒不仅给老年人的生活质量造成了严重影响,还给家庭和社会带来了沉重的负担。因此针对这一问题的解决方案备受关注,对相关产品和技术的需求也在迅速扩大。本文旨在深入研究基于计算机视觉识别的老人跌倒检测算法及其在嵌入式系统中的应用。主要研究内容包括以下几个方面: (1)提出了一种基于改进型YOLO的跌倒检测算法。本文对YOLOv5s模型进行了优化,选择一个新的骨干特征提取网络MobileNetV3来取代YOLOv5s的骨干网络,并且将YOLOv5s中的普通卷积替换为深度可分离卷积,减少模型的参数和GFLOP数量;引入坐标注意力轻量级注意力模块,提高目标检测精度;同时采用结构重参数化方法来加速模型推理。与原始模型相比,改进后的模型体积缩小了1.62倍,参数减少1.66倍,GFLOPs减少1.69倍,更适合移植到嵌入式操作系统上。 (2)提出了改善跌倒检测模型泛化能力的方法。本文构建的数据集包括经过自行整理后的公开数据集hmdb51和indoorCVPR,以及部分自行拍摄的视频。通过马赛克增强和场景融合处理解决了其中数据不均衡问题;针对YOLOv5模型采用的先验框架设计过于主观的问题,采用K-Means++算法对数据集进行迭代分析;应对数据集的过拟合问题提出了标签平滑的方法,通过引入一定水平的噪声,使得模型对于正确标签不会产生过度的自信,从而降低预测结果中正负样本输出值的差异,提高模型的泛化能力。将数据集输入到改进后的模型中进行训练,结果表明改进后的模型相比原始YOLOV5s模型的mAP提高了2.5%,F1分数提高了2.6%,并且在推理过程中的每秒处理帧数(FPS)提高了21%。验证了模型在处理自制数据集时良好的学习效果,并且证明本文提出的改进方法对于提升模型的检测性能和运行效率具有显著效果。 (3)研制了基于改进型YOLO算法的嵌入式跌倒检测系统。对比当下的嵌入式硬件型号和操作系统,最终选定使用搭载瑞芯微rk3588s芯片的国产开发板Orange Pi 5B,搭建Linux操作系统Ubuntu 20.04作为模型部署的平台,通过开发板连接三路无线摄像头进行实时的监测。将训练好的模型进行格式转换和量化处理,使模型体积进一步缩小了70%。实验结果表明在嵌入式系统中进行模型推理时,每秒帧数(FPS)保持在60帧左右,满足了实时监测的需求。 (4)搭建了基于改进型YOLO算法的嵌入式跌倒检测系统的云平台。本文采用华为云OBS桶的方式来存储检测到的跌倒截图,保护了用户的隐私;开发了一个微信公众号,通过公众号的模板消息功能给目标用户发送跌倒提示,并且附带云端下载的跌倒截图;为了确保系统的准确性和可靠性,采取了周密的程序设计措施,以预防可能发生的误判情况。通过实验数据,从跌倒事件发生至微信公众号发送告警提示总共不到五秒的时间,验证了系统的实时性和准确性。

关键词： 水下声信标   多通道信号采集   ZU9EG   嵌入式系统  

摘要： 海洋覆盖了地球七成以上的面积,飞机一旦失事后很有可能入海。当飞机入水后安装在其飞行记录仪中的水下声信标能够发出一定特征的声波脉冲,用于水下搜探的辅助引导。搜探声呐通常布置在舰载托鱼或者ROV上,这些声呐搭载设备都在朝着小型化、轻量化发展。因此,将搭载声呐的数字处理平台进行小型化设计同时保证搜探功能准确以及系统的稳定,是对水下信标搜探声呐相关设计提出的更高要求。本文从平台硬件电路以及程序设计两大方面进行切入完成了小型化水下信标搜探声呐数字处理平台设计。 首先,根据水下信标搜探声呐应用场景及小型化数字处理平台设计定位,针对水下信标37.5k Hz的频率特性,进行32通道的模数转换并完成同步信号采集、数字信号处理、目标信号检测、数据存储及网络通信等功能。以此作为依据选取了AD7606C-16采集芯片以及Zynq Ultra Scale+MPSo Cs系列ZU9EG核心板作为数字处理平台的核心处理器,之后给出平台总体的设计方案。 其次,平台以ZU9EG核心板为中心,在其前端设计了模数转换电路,再由核心板负责数字信号采集。同时由核心板拓展出平台所需的SD卡槽、USB3.0以及千兆以太网等功能接口,接着按照各器件所需的电源将平台输入电源进行转换,完成平台电路原理图设计。之后根据高速信号设计理论,在原理图的基础上进行PCB的叠层结构、布局布线、信号完整性研究及设计,按照小型化设计理念完成制板,得到数字处理平台实物。 然后,基于ZU9EG核心板内部处理器的FPGA+ARM架构,针对PL端与PS端之间内部的交互接口以及平台拓展的功能接口进行了个性化嵌入式Linux系统的定制。接着分别对PL端的所需具备的信号采集控制、数据采集、数据处理及交互进行了硬件实现,以及对PS端以在主线程下创建双端交互、网络通信、信号检测、数据存储子线程的模式进行了系统应用程序的设计。最终使得平台可以通过嵌入式Linux系统执行应用程序实现PL端及PS端所设计的系统功能。 最后,对数字处理平台电路及系统功能进行测试,确认平台电路设计无误、硬件环境搭建正确、平台系统运行稳定、各项功能使用正常。最终验证本文所设计的小型化水下信标搜探声呐数字处理平台具有一定的稳定性和可靠性,同时还具备了小体积、低功耗的特点,便于应用在ROV、托鱼等小型水下搜探设备上,满足实际设计需求。

关键词： 轨迹跟踪   自适应模型预测   嵌入式系统   水质监测   无人船  

摘要： 水质监测是防止水质污染的重要手段,是关系到国计民生的大问题。传统的水质监测主要采用人工监测或定点监测等方式,严重浪费人力资源,提高了监测成本,而且影响检测精度。无人船凭借其体积小、操控灵活等优点被广泛应用在水质监测当中。为了实现无人船在开放水域的定点水质监测、巡航监测等功能,保证监测样本的准确性,要求无人船能够准确按照预定轨迹航行,为此,本文考虑到无人船在航行过程中会受到航速变化、环境扰动、模型参数改变等不确定扰动的影响,研究了一种基于模型预测控制(Model Predictive Control,MPC)的轨迹跟踪控制方法,并进一步开发了无人船轨迹跟踪控制系统。 针对无人船在航行过程中速度变化以及环境干扰问题,本文提出自适应预测时域的轨迹跟踪控制方法。首先对无人船自身运动学特性进行分析,建立无人船的数学模型。进一步,分析了无人船航行速度对轨迹跟踪效果的影响,提出了一种针对无人船航行速度动态变化的自适应预测时域轨迹跟踪控制算法,并进行了仿真研究。结果表明,所提出的基于MPC的自适应预测时域轨迹跟踪控制算法,在无人船变速航行且存在环境干扰时,能大大提高轨迹跟踪的精确度,也能满足水质监测的各种需求,提高整个系统的鲁棒性。 在轨迹跟踪控制算法研究的基础上,本文对无人船轨迹跟踪控制系统进行需求分析,完成了硬件系统总体设计和功能设计。选用STM32F103作为无人船硬件系统的核心控制器,搭载定位模块、电机驱动模块、摄像头模块、电子罗盘模块及水质监测模块等,用硬件电路连接各模块实现下位机系统的硬件设计,以支持无人船实现轨迹跟踪和水质监测的功能。 本文开发了无人船轨迹跟踪控制软件系统,在上位机软件实现了指令下达、地图加载、无人船运动状态和环境信息显示等功能。主要显示无人船运动轨迹、船载摄像头拍摄画面、无人船的实时位置、航向和各种水质数据、历史水质数据曲线等。利用中国移动物联网开放平台(One NET)实现软硬件结合。下位机软件使用Keil5设计了系统及各硬件模块的功能,实现了无人船运动控制及轨迹跟踪控制,以及数据采集、数据通信等功能。功能测试和航行实验验证了所开发系统的可行性和有效性。

关键词： 汽车检测   车门饰板   检测系统   嵌入式系统  

摘要： 随着汽车产销量的逐年增大,零部件制造订单亦逐年增加。在汽车制造业中,车门饰板是车内饰的重要组成部分,其生产质量影响汽车的整体美观、密封性能以及用户的驾驶体验。由于市场需求的变化,传统作坊式的人工检测方式并不能满足产品质量要求,而大批量规模化生产的自动化检测方式已逐渐不能适应当前定制化的多品种、小批量柔性化生产模式的需要,不能在中小型内饰厂商中得到广泛使用。故本文基于重庆某车门饰板生产企业的实际需求,系统研究了车门饰板低成本自动检测系统的设计与实现。 (1)检测系统方案设计。分析车门饰板的产品结构、制造流程、质量要求及质量问题,提出技术要求。本系统聚焦于车门饰板的质量故障,包括漏装、错装以及装配过程中的电气故障,并进行了方案总体设计。将检测系统分为四个部分:STM32主控模块、核心检测模块、现场监控模块和云端服务器。 (2)系统电路设计。选定STM32F103RCT6作为核心开发芯片,基于MP1482DS电源芯片、AMS1117-3.3电源芯片及B0505S-1WR3电源模块分别设计了12V转5V、5V转3.3V及上位机通信隔离电源电路。针对核心检测电路设计,基于WSM-MJ-2050模块设计了条码扫描电路、基于EL817光耦芯片设计了12路光电检测电路、基于GY-33颜色传感器设计了颜色检测电路、基于EL3H4-G光耦芯片设计了高音扬声器检测电路、基于EL817光耦芯片设计了电动门开关检测电路和电动窗开关检测电路、基于TJA1020芯片设计了LIN电检电路。针对通信电路设计,基于ADM2483BRWZ芯片设计了上位机通信电路和基于ESP8266模块设计了云服务器通信电路。 (3)系统软件设计。在Keil集成开发环境下,对下位机中的条码扫描程序、光电检测程序、颜色检测程序、电气通断检测程序和LIN电检程序进行了设计;利用Qtcreator设计出了上位机中的通讯程序、可视化程序;最后选择MariaDB 10.5.9作为数据库数据处理的系统,选择腾讯云的轻量应用服务器作为数据处理和远程管理的平台,开发出了该系统的云服务器和数据库。 (4)系统实验。首先对电路板、测试平台等实验环境进行介绍。继而对下位机中条码扫描、光电检测、颜色检测、电气通断、LIN电检进行了功能性实验和验证,验证结果证明每个功能模块均能满足设计要求。紧接着对上位机中上位机界面、云服务器、数据库进行功能实验,实验证明功能满足要求。最后针对检测系统进行整体实验,实验证明本系统能够实现对车门饰板质量故障的检测和生产管理功能,符合系统设计的要求。

关键词： 嵌入式系统   系统设计   能源监测   可靠性  

摘要： 阐述嵌入式系统在电力设备控制、能源监测、故障诊断中的应用。探讨嵌入式系统在电力工程中的设计方法和技术，包括系统架构设计、硬件和软件设计、通信和网络技术的实现。

关键词： 船桥视觉数据集   智能船舶   辅助检测算法   嵌入式系统  

关键词： 深度学习   细粒度图像分类   注意力机制   嵌入式系统  

摘要： 在深度学习技术的疾速演进下,细粒度图像分类在近年来备受关注和重视。与早期一些较为基础的图像分类任务相比,细粒度图像分类目标的不同子类间差异小,相同子类内差异大,这要求对目标图像中的细小特征和图像间的微小差异进行更加具体、精细的识别,即不仅需要关注物体的整体外观特征,更需要捕捉到细节和差异。然而,现有部分分类方法的特征提取能力仍存在不足,多数方法忽视了目标图像浅层有效特征的作用,无法很好地利用有利的信息。同时,为了获得更好的分类性能,许多方法复杂度逐步提升,导致时空开销剧增,这无疑是对嵌入式部署工作的考验。此外,在实践中,细粒度图像分类嵌入式系统方面的研究较为有限,受限于深度学习开发工具在不同架构的适配情况,一些技术仍处于模拟阶段,而真正实现落地应用的系统案例则较少或存在短板。 为了解决上述问题,本文从细粒度图像分类算法的设计和嵌入式部署这两个角度进行了分析、研究与实现,并最终形成了一套功能完整、逻辑自洽的,基于深度学习的细粒度图像分类嵌入式系统。 一方面,本文创新设计了一种基于Swin Transformer的新型网络架构SFRSwin。SFRSwin在保留了Swin Transformer的低时空开销优势的同时,通过引入新的设计改进,能够更好地捕获图像中的细微差异。具体而言,本文在SFRSwin的架构中设计了一个全新分支,用于保留来自图像的浅层显著特征,并利用卷积与最大池化来实现这一目标。通过将这些显著特征与Swin Transformer单元的输出相加,增强了网络对细微差异的识别能力。同时,引入了随机数据增强技术,如随机缩放和水平翻转,以解决小样本数据集的训练不足问题,并提高了模型的鲁棒性。SFRSwin在公用数据集Stanford Dogs以及小规模数据集Shark species上进行了训练和测试,验证集上的准确率达到93.8%与84.3%,较改进前网络分别提高0.1%以及0.3%。而在代价方面,FLOPs仅增加2.7%,参数量仅增加0.15%。可以说,SFRSwin在公共数据集上达到了领先水平,并在小型数据集上展现出了较好的适应性,具备了广泛的实际应用潜力。 另一方面,本文对自拟的细粒度图像分类网络SFRSwin进行了嵌入式部署,将类Transformer网络成功部署到运行Ubuntu系统的树莓派4B上。搭建了算法的推理环境,包括编译安装ARMv8架构的Torch和Torchvision,同时,通过替换深度可分离卷积,实现了对SFRSwin的部署优化。在此基础上,进行了算法推理。结果表明,部署的算法达到了同x86架构下进行推理的相同准确率。 在上述研究的保障下,本文设计搭建了一套嵌入式系统。系统旨在采集环境图像,对图像进行处理以确定环境中是否存在及存在何种类型的特定目标。在系统硬件方面,设计了独立供电模块和采集摄像头补光模块,以确保系统的独立、稳定运行。在系统软件方面,设计并实现了定时运行逻辑,包括图像采集、图像增强、分类推理和结果保存等功能。实验结果表明,嵌入式系统能够顺利运行,并成功实现了所设计的功能,具备了较好的鲁棒性。这进一步提升了SFRSwin算法在嵌入式设备上的可用性,也使本文的研究内容能够在更多领域得到应用。