摘要：随着识别率和实时性的提高,卷积神经网络目标检测算法的计算复杂度和内存需求急剧增加,难以应用在小尺寸和低功耗的嵌入式平台上.本文在分析现有目标检测神经网络模型结构的基础上,根据FPGA高实时性、低功耗以及并行处理的特点,提出了一种在FPGA上高速运算的神经网络模型规整化方法.在此方法指导下设计改进了一款目标检测神经网络模型结构,包括删除LRN层、Scale层的融合和替换Leaky-ReLU为ReLU.通过在voc2007数据集上的对比实验验证了算法结构的有效性,在PC上其速度相比传统yolo-V1算法提升了11.5%.在Xilinx ZCU102开发板上的仿真表明:该改进的目标检测算法速度达到29 FPS(Frames Per Second),精度达到62.3 mAP.

摘要：针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,引入了计算机视觉领域中的目标检测方法,利用yolo深度学习算法识别复杂道路交叉口。首先,将矢量数据栅格化,并通过人工标注的方法得到样本集,为了提高样本质量,对样本的比例尺和符号化进行设计;然后,利用该样本集对yolo神经网络进行训练,训练后的网络即可应用于复杂道路交叉口的识别。试验表明,该方法可以有效提高复杂道路交叉口识别的敷率。

摘要：提供一种桌面级机械臂的智能控制方法,对其控制系统方案进行整体设计,使用树莓派来驱动电机,在其上安装机器人操作系统ROS,使用yolo算法来实现目标物体的检测与识别,并将此整合到OpenCV中,用ROS系统的MoveIt!工具包进行运动路径规划。结果表明,该方法满足桌面级机械臂智能抓取物体的需求。

摘要：针对当前家庭式自动灌溉系统的特点,开发一种智能检测种植物类型并提供科学提示及灌溉方案的系统。该系统由STM32单片机、土壤干湿度传感器、树莓派、串口蓝牙模块、LED发光二极管、水泵等部件组成。整体配件可实现独立使用,也可配合相应的手机APP远程使用,实现真正意义上的无线灌溉功能。其特征集合了自动控制的特点与目标检测的特性,并使用yolo算法(主要是通过图像识别,可实现判断出植物类型)智能判断植物所需水量。在土壤干湿度传感器的电信号支持下,可将土壤干湿度的数据传递给单片机,单片机通过对输入信号的识别从而触发内部程序,并且向水泵输入控制信号,从而达到控制水泵的开关、实现自动灌溉的目的。综上所述,通过此设备能够实现帮助用户进行科学种植与智能节水的功能。