基于一维空洞卷积的甲烷浓度实时检测装置设计

可调谐激光吸收光谱(TDLAS)技术需要人工筛选二次谐波后拟合数据,且人为因素会影响拟合曲线的预测结果,因此该文设计了一种基于空洞卷积的甲烷浓度检测装置。首先,利用一维空洞卷积提取二次谐波信号特征;其次,利用反残差模块提高模型收敛速度,减少训练时间;再次,加入宽卷积核感受野模块,在保证检测准确率的前提下扩大感受野,减少模型参数;最后,将模型部署在Jetson Nano上实时检测甲烷浓度。实验结果表明,该方法检测准确率为99.89%,模型参数为12768个。与其他模型相比,该模型检测精度高、参数量少、实时性强,适用于实验室甲烷浓度实时检测。

基于YOLOv8的可回收垃圾识别方法及工程化应用研究

为了加强生活垃圾分类管理、节约资源,生活垃圾分类引起了社会高度重视。文章基于YOLOv8深度学习框架进行可回收垃圾识别,随后将开发环境中训练好的垃圾分类模型,根据生产环境边缘侧硬件需求进行模型适配,并在边缘侧进行实时垃圾检测推理,以实现工程化落地应用。文章通过在垃圾分拣生产环境仿真平台对本文提出的方法进行验证。在传输轨道上方安装固定光源及工业摄像头,边缘设备JetSon Nano装载开发环境下训练好的垃圾分类模型,负责对传送带上的垃圾进行实时检测推理。实验证明,生产环境边缘侧进行垃圾检测推理实时性高,准确率达88%以上,满足工程应用需求。

融合注意力机制的轻量级火灾检测模型

基于视觉信息的火灾检测对消防工作具有重要意义,但现阶段相关研究提出的方法大多是基于高性能的硬件设备开展,这限制了相关成果的实际应用。在YOLOv5目标检测算法基础上使用ShuffleNetv2网络为主干构造轻量化模型,并引入SIoU损失函数提高模型目标框的定位精度,同时在模型中添加Shuffle Attention注意力机制,提高在复杂环境下对目标火焰的识别精度。试验证明,与YOLOv5原模型相比,改进后的模型在实现更好识别效果的同时,参数量减少了54.2%,检测速度提升了40.5%。将模型部署嵌入式设备验证其应用效率,结果显示,模型在实现32帧/s检测速度的同时维持了较好的识别效果。

基于视觉分析的垃圾分类识别系统的设计与实现

随着垃圾产生量的不断上升、环境的持续恶化,如今垃圾分类已经成为必要的管理措施。为了实现垃圾自动识别、分类和投放,详细探讨了垃圾分类系统的设计与实现。选择Jetson Nano作为主控硬件,以神经网络模型ResNet-50作为识别模型,使用大量数据集进行深度学习训练,从而实现垃圾的自动识别与分类。系统还搭载了一组舵机并配合机械臂实现垃圾的自动投放。通过测试发现:所设计系统的分类速度快、识别准确率高,可为日常生活中的垃圾分类处理提供更多的便利。

基于Jetson的机场围界自动巡检机器车设计

针对机场围界人工巡检带来的低效率和准确性不高等问题,本设计从机器车底盘设计、硬件电路设计、自主导航设计三部分着手,将“阿克曼结构”和“麦轮底盘”深度融合,形成全新的全向阿克曼结构麦轮底盘,实现机器车的平滑运动控制,对基于Jetson Nano主控芯片的控制电路、驱动电路、供电电路、接口电路、数据采集电路进行设计,实现机器车的正常行驶、转弯、数据采集,再从运动控制、全局地图、融合定位、路径规划四方面研究巡检机器车自主导航技术,实现机器车自主导航功能,最后通过实验仿真和实地测试对比分析,该机器车运行可靠性良好、避障效果较好、抗干扰能力强、性价比较高,已初见成效。

基于ROS的室内自主移动机器人设计

设计一款基于ROS的i室内自主移动机器人,根据机器人实际功能需求,选择基于四轮差速驱动的机器人底盘。该机器人以Jetson Nano为核心控制器,ArdunoMega2560板和驱动板为辅控制器,辅控制器采用一体化设计,将各功能子电路通过优化布局方式集成一块PCB扩展板,增加了辅控制器的可靠性和稳定性,并能减少了接线的数量。该机器i人利用ROS系统把机器人所用所要进行的一系列工程整合在一起,激光雷达为主要传感器。通过上位机(JetsonNanio)与下位机(Arduno板和驱动板)的通信,使下位机接收到上位机的消息,发送指令到驱动板,驱动板进行速度和方向的控制。ArdunoMega2560板接收上位机的指令后向电机驱动板传输信号,电机驱动板通过连接PWM端口来控制小车左右电机的转速,从而实现差速转向。通过测试,移动机器人通过激光雷达进行SLAM建图,实现机器人能够自主导航、自主避障等功能。

基于人工智能的运动骨骼特征识别系统设计

本设计使用灵活,易于掌握的 Pytorch 框架和深度学习库中的 OpenPose 算法来识别人体运动姿势。为了满足实际应用需求,在硬件设备的选取上,本文采用了英伟达公司的嵌入式 AI 开发板 Jetson Nano。Jetson nano 配备了 CSI 摄像头,识别图片所需要的时间仅为 0.1s,实时帧数约为 16fps,基本满足了实时检测的条件。本系统在保证精度与时延性的性能的前提下,选取更好、更方便、成本低的算法以及硬件设备,实现了运动骨骼特征识别的功能。

一种基于YoloV4-tiny算法的智能电子秤设计

为了缓解传统商超高峰时段人工称重效率低、速度慢等问题,文章提出了一种基于YoloV4-tiny算法设计的智能电子秤。智能电子秤的核心控制器是JetsonNano,首先通过USB摄像头采集秤盘上的实时图像数据并使用YoloV4-tiny算法对实时图像进行实时检测获取商品的种类;然后根据重量传感器传回的重量数值和商品的单价,计算出商品的价格,并在屏幕上进行显示。实际测试证明智能电子秤可以在0.1S内完成商品的识别、称重和总价计算,图像实时识别的帧率可以达到25FPS,对每种商品的识别准确率也在95%以上。

基于TensorRT加速推理的电梯内电动车检测系统

电动车入户充电存在安全隐患,容易发生火灾,针对高层住户电动车入户充电的问题,本文提出了基于TensorRT加速推理的电梯内电动车检测系统,通过在电梯内部署电动车检测设备来有效遏制高层住户电动车入户的问题。该系统使用YOLOX网络训练目标检测模型,数据类型分为电动摩托车、电动自行车与自行车三类,通过模型迁移将训练好的目标检测模型部署到JetsonNano设备上,该设备通过Jetson-GPIO来做到对电梯的控制。实验结果表明,基于TensorRT加速推理的电梯内电动车检测系统,在性能与识别准确率上均优于传统方法,该设备能够有效遏制高层住户电动车入户问题。