基于Jetson Nano视觉应用平台设计

Jetson Nano为硬件基础核心,设计并实现了目标信息检测系统。整个系统由摄像头、Jetson Nano、外围电路设备三大部分构成。通过高性能深度学习推理优化器—TensorRT技术的应用加速了神经网络的推理,实现了既能快速识别照片,又能通过摄像头实时检测目标的效果。通过实际环境的测试表明:该系统能实时完成检测视频画面的目标信息。此外,该系统具有核心处理单元体积小,能快速在多个无人系统场景部署应用的优势,且性能满足各项技术指标要求。

基于P300信号的脑控机械手关键技术研究

针对传统P300字符输入系统信号通道多、计算量大等问题,提出一种利用贝叶斯框架下组稀疏约束的P300信号识别算法来提高脑控机械手效率的方法。首先利用能使字符按行列方式闪烁的计算机界面对受试者的视觉系统产生刺激,同时使用自采集设备记录脑电信号。之后在贝叶斯框架下建立基于P300的BCI解码模型,同时完成P300特征检测和脑电通道选择,避免了大量的交叉验证,提高了字符输入效率。然后根据P300字符识别结果,将其转化为对应的机械手命令,通过以太网通讯方式传输给机械手,最终完成对机械手的控制。实验结果表明,文章提出的方法能有利于提高P300信号特征检测的准确率和处理效率。