基于Web的智能家居监测与控制平台设计

为了提升现代家庭生活的安全性、舒适性、便捷性,设计了一种基于Web的智能家居远程监测与控制平台.平台由家居监控系统、Web服务器平台和Web监控终端三部分组成.采用STM32作为主控核心,采集各传感器模块数据,实现对室内环境的温湿度、空气质量和光照强度的实时监测.同时,通过组网对家电的调控实现远程控制,并通过物联网通信模块M5130-A实现监控系统与服务器的数据交换.Web服务器端采用模型-视图-控制器(MVC)设计模式,实现与监控系统的通信、环境数据的处理和与Web监控终端的通信功能.其中,使用传输控制协议(TCP)实现与监控系统的通信,使用Websocket协议完成服务器与监控终端的通信.运行测试结果表明,该系统稳定、精确、操作性强、人机交互性能优越,具有一定的产业化价值.

新疆哈密瓜病毒病的免疫电子显微镜诊断

研究了免疫电镜技术在新疆哈密瓜病毒病诊断中的应用。预先用黄瓜花叶病毒(CMV)、西瓜花叶病毒—2(WMV—2)和南瓜花叶病毒(SqMV)的抗血清处理的电镜载网可以分别捕获到大量的CMV、WMV—2和SqMV的病毒粒子。不同抗血清处理的电镜载网对病毒粒子的捕获具有严格的专一性。抗血清处理过的电镜载网可以贮存于4℃冰箱中达1个月之久仍然具有良好的捕获病毒粒子的能力。一个样品的全部检测程序可以在约30分钟内完成。这些结果肯定了免疫电镜技术在检测CMV、WMV—2和SqMV时是有效的,并为进一步研究新疆哈密瓜病毒病的流行规律提供了迅速、准确的手段。

基于Kinect的人体姿态识别算法研究

针对传统基于视觉的人机交互易受复杂环境影响导致识别率不高等问题,提出了一种基于深度图像和骨骼图像融合的人体姿态识别算法.首先获取骨骼信息,对人体骨骼建模及关节坐标点追踪,采用阈值法对肢体距离和夹角特征进行提取,将人体关节点通过坐标映射至深度图像,提高了关节点定位精度.遵循计算机视觉原理获取深度信息,对人体姿态图像进行采集、形态学处理、特征提取等操作,结合人体姿态动态函数方程,可以正确识别唤醒、举手、旋转、娱乐等常用姿势.采用微软C++MFC搭建开发环境,将获取的关节点进行连接.实验结果表明,在不同光照强度下,基于Kinect的人体姿态识别率均达到95%以上,与传统人体姿态识别方法相比,具有更强的鲁棒性,符合人机交互在各领域的应用需求.

基于PLC的温室智能灌溉监控系统研究

针对传统的灌溉系统因自动化水平较低制约我国农业发展的问题,提出了一种基于PLC的智能灌溉系统。该系统对温度、湿度等环境因素进行监控,并按照不同农作物的要求进行适时适量的灌水,很大程度减少了水资源的浪费,提高了灌溉效率。设计以S7-1200 PLC为控制核心,硬件部分包括主控电路、数据采集处理电路、I/O口扩展电路及通信电路等;软件部分主要通过组态仿真模拟灌溉过程,采集不同农作物的生长数据曲线,包括控制流程图设计和上位机屏幕设计,可以通过按钮式操作模拟仿真电机的工作状态,达到农作物灌溉节约水资源目的。为了进行大规模灌溉工程的监控,采用多点分布的控制方式。经模拟仿真验证,该系统能实现自动灌溉,具备警示、生长曲线查询、数据上传以及双向通信等功能,具有体积小、控制简单、稳定性强等优点。

自动驾驶汽车技术研究

自动驾驶汽车技术是指车辆能够识别和理解道路交通信号、交通标志等信息,并能自主决策是否执行操作的一种技术。自动驾驶是未来汽车行业的发展趋势,自动驾驶汽车可以根据不同的场景工作,有无人驾驶和有人驾驶两种工作模式。该文分析自动驾驶汽车技术优势,探讨自动驾驶汽车技术原理和要点,以推动自动驾驶汽车技术发展。

基于Kinect骨骼信息与深度图像的指尖点检测

针对普通摄像头手势识别系统易受复杂环境和光照条件等因素影响,存在对指尖点的漏判、误判问题,提出一种基于Kinect骨骼信息与深度图像的掌心点提取和指尖点检测的手势识别方法;在DRVI平台上创建Kinect的接口控件,对Kinect传感器获取人体骨骼信息和深度图像进行分析,采用了坐标映射、图像分割、距离变换的关键技术和方法从深度图中分割出手势部分区域,对手势区域形态学处理,结合凸包和K-曲率算法检测不同手势中指尖点的个数和位置,计算不同手势凸包轮廓上的点集生成的HOG (Histogram of Oriented Gradient)特征描述子,最后利用特征描述子对预定的6种数字手势进行识别;经实验测试可以在复杂环境和不同光照情况下正确识别指尖点。

基于HOG特征提取和SVM的手势识别方法研究

手势识别是人机交互领域的一种重要手段,针对手势形态多样性和背景的复杂性导致识别率不高的问题,提出一种融合HOG+SVM的手势识别方法,该方法有效提高手势识别率。首先建立手势样本数据集,选择轮廓信息完整的手势图像作为模板,为了验证分割的高效性,采集6类手势的6,000张样本,提取两种局部二值模式特征和一种方向梯度直方图,对形态学处理后手势样本集提取HOG特征并进行降维处理,目的是提高手势识别速度,然后对手势轮廓和质心位置提取不同形态手势多特征信息,对两种特征进行归一化处理,精确地对手势信息进行识别,得到不同形态手势的特征,将最终的手势分类特征通过SVM进行分类识别。实验结果表明,本文提出的手势识别方法在复杂环境下识别率达到95%,具有较强的鲁棒性,满足人机交互的需求。