基于OpenMV的自动追踪识别仪表小车设计

针对电气仪表在测量过程中面临的人工成本高昂及传统方法在工业环境下识别准确率不高的问题,设计了一种基于OpenMV的自动追踪识别仪表小车.首先,将OpenMV固定在二维云台上,用于被测物体自动追踪,同时与主控制器连接,进行数据传输;然后,使用测距算法测量小车与目标物之间的距离,在室内铺设AprilTag标识物用于定位和导航,当小车检测到仪表盘时,判断其类型;最后,实验验证巡检小车在行进过程中,准确识别到仪表盘位置,分辨仪表盘类型,并自动记录仪表盘图像,具有较高的识别准确率.所设计的OpenMV自动追踪识别仪表小车造价便宜,同时小车硬件设计和算法方面都具备小型化和轻量化的特点,大大提高了测量的智能化水平.实验结果表明,在损失较少精度的情况下,提高了检测速度,最高为22帧/s,在电力巡检中具有一定的实际应用价值.

深度学习算法中不同优化器的性能分析

针对神经网络学习使其找到使得损失函数的值最小的参数,寻找最优参数的问题,在TensorFlow的深度学习算法的框架下,利用Kersa搭建神经网络,运用import、train&test、sequential、compile、fit和summary六步法搭建出相关神经网络,对不同优化器的性能进行了分析比较,包括SGD、AdaGrad、RMSprop和Adam这四种常见的优化器。在手写数字识别MNIST数据集和FASHION数据集这两个经典数据集中分别进行参数进行优化,对比四种优化器的结果。最终结果表明在MNIST数据集,RMSprop表现的最好;FASHION数据集中,Adagrad表现的最好。

局部阴影下光伏电池MPPT算法的研究

针对光伏阵列在局部阴影光照的条件下,其P/U特性曲线有多个峰值,传统的扰动观察法容易陷入局部最优的问题,从而无法追踪到最大功率点以及采用粒子群算法可有效解决多峰值最大功率点跟踪问题,但标准粒子群算法存在容易陷入波动、收敛速度较慢和稳定精度较差等问题,提出一种改进基于粒子群优化算法和扰动观察法相结合的优化算法。该方法引入了收缩学习因子和随机权重,再与传统扰动观察法相结合,可以提高算法的收敛速度和精度。通过MATLAB/Simulink仿真,结果表明,所提的方法具有追踪到的最大功率波动范围小,跟踪精度高,能以更快的速度达到最大功率点等优点。