为解决目前市场上车牌识别设备的高时延以及对高性能处理器高依赖性的问题,提出了一种基于yolov3的车牌定位识别方法,实现对车辆的车牌进行自动定位与识别.该方法通过收集5000张车辆图像数据,打包为VOC数据集,使用LabelImg工具对图像进行标注,并构建13个卷积层的yolo模型,在loss曲线趋于稳定之后,完成模型的训练,最终使用已训练的模型对车辆图像数据进行车牌识别.实验表明:在1000个测试数据中,该方法识别率达97.5％,平均耗时18.19 ms,能够快速精准的对车辆进行车牌识别.

为解决垃圾分类困难问题,根据大量垃圾图片的特点,提出了基于yolov4的垃圾检测的方法,实现垃圾的自动识别分类和定位.该方法通过手机拍摄以及百度等收集不同种类的垃圾图像集,运用图像增强的方式进行图像预处理,再利用迁移学习模型和k-means++聚类算法进行垃圾网络分类模型的训练测试,最后将训练好的模型通过摄像头对采集的垃圾图片实时识别分类和定位.实验表明:该方法的mAP达到95.15％,能够快速有效地对垃圾分类和定位.

为了降低输电导线故障检测中的冗余计算量、提高检测效率,研究了输电导线上的两种典型故障——断股故障和异物悬挂故障的图像特征和故障识别算法中的共性,进而提出了基于图像区域分割的输电导线可疑区域定位方法.实验结果表明:该方法漏检率低,能够有效定位可疑区域位置.

采用Python语言开发HITRAN应用程序编程接口(HAPI)可视化工具.该工具可对HITRAN-online提供的功能和数据进行远程访问,实现获取数据、筛选数据,提供4种不同线型,计算吸收系数、吸收光谱、透射光谱、辐射光谱并绘制图谱功能.多次使用结果表明:基于Python语言的HITRAN数据库接口可视化工具界面简洁、方便,没有编程语言基础的使用者也可快速按照所需获取数据,大幅提高了工作效率.

数据采集系统作为现代检测系统中不可或缺的组成部分,广泛应用于工业控制场合.随着微处理器制造技术的飞速发展,利用单片机与专用AD采集芯片构造数据采集系统变得更高效,性价比更高.本系统利用STM32RCT6作为主控芯片,配合TI公司的ADC128D818模数转换芯片,实现了八通道实时采样显示数据采集系统,其采样精度高、采集数据稳定可靠.

针对工业过程控制中的强非线性系统的复杂控制问题,给出了一种基于神经网络预测的控制方法,用改进的BP神经网络实现预测控制中的模型预测,有效的解决了神经网络收敛速度慢的问题,同时用RBF神经网络实现预测控制中的控制器的优化,解决动态规划方法求解慢的问题。将该算法用于强非线性系统中,仿真结果表明该算法,具有响应速度快、跟踪性能好、鲁棒性和抗干扰性强的优点。

针对纯滞后系统,利用神经网络可逼近任意非线性函数的能力以及Smith预估控制理论,提出了一种基于神经网络补偿的纯滞后系统控制策略,实现了Smith预估控制和神经网络控制的结合。仿真结果表明,该算法具有良好的控制效果,能提高系统的鲁棒性和控制品质。