主要介绍了OpenCV-Python 摄像头实时检测人脸，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

随着现代电力电子技术的飞速发展,许多设备在使用过程中产生了大量谐波,严重影响了电力系统的工作性能。与此同时,各类精密设备和仪器对供电质量也有很高的要求,所以有必要对谐波进行检测及治理。本文简要介绍了谐波的相关概念、谐波的危害和谐波治理的发展现状。对谐波检测相关理论知识及谐波检测方法做了较为详细的介绍,并对几种检测方法进行了对比分析。在对自适应最小均方算法(LMS)进行研究的基础上,提出了基于LMS的自适应谐波检测算法。针对传统LMS算法受固定步长因子的影响,算法收敛速度与稳态误差之间存在矛盾的关系,进而对变步长LMS算法进行了研究,并将其应用到谐波检测算法中。在此基础上,本文提出了基于新型变步长LMS的自适应谐波检测算法。(1)将双曲余弦函数应用到变步长函数中,并对双曲余弦函数进行改进,利用改进后的双曲余弦函数曲线在接近坐标零点时,会减慢变化速率的特点,使得算法在收敛后期能够减小步长因子,从而降低算法稳态误差；(2)将基于瑞利分布变步长LMS算法与谐波检测技术相结合,由于瑞利分布函数曲线变化更加丰富,能够使得算法的步长在收敛初期不断增大,收敛后期又不断减小,因此进一步降低了算法的稳态误...

本课程包括下面6个经典目标检测算法模型的讲解： 1.基于自己数据集的Faster RCNN模型训练、验证以及nnie上仿真和运行。 2.基于自己数据集的RFCN模型训练、验证以及nnie上仿真和运行。 3.基于自己数据集的SSD模型训练、验证以及nnie上仿真和运行。 4.基于自己数据集的MobilenetSSD模型训练、验证以及nnie上仿真和运行。 5.Yolov2模型验证以及nnie上仿真和运行。 6.Yolov3tiny模型验证以及nnie上仿真和运行。 本课程特色： 1.实用性强，几乎囊括了当前所有经典的目标检测算法模型。 2.有深度。从模型框架原理、搭建、训练自己数据集一直讲到模型量化成wk文件、仿真以及开发板上运行。

关于MATLAB能量检测频谱感知算法的研究代码

本文以谐波电流检测的平均值法为基础,对simulink下如何构建谐波检测仿真模型做了阐述,并进行了仿真。

包括：CUDA版本说明，标注样例说明与标注准则；训练流程说明；测试流程说明；训练与测试均有需要修改的地方的代码截图

为了有效抑制多址干扰,提出了一种低复杂度的 LDPC编码的超宽带系统的迭代多用户检测算法。所提出的迭代接收结构有3个级:脉冲检测器、符号检测器和信道译码器,每一级输出的软信息作为下一次迭代的先验信息。采用简化的超宽带离散时间旭钆模型,使接收机复杂度大大降低。仿真结果表明,所提出的算法明显优于传统的准多用户检测算法,并且经过少数次的迭代,即可有效抑制多址干扰,达到单用户的性能。

针对现实中交通正常运行状态远多于事件状态这一事实,提出了面向不平衡数据集的交通事件检测算法。运用SMOTE (Synthetic Minority Over-sampling Technique)算法重构训练集,使之平衡,以支持向量机(Support Vector Machine ,SVM)作为分类器,对交通事件进行检测。使用美国I-880高速公路获取的交通数据进行算法的训练和性能测试。结果表明,基于SMOTE-SVM的交通事件自动检测(Automatic Incident Detection , AID

本文提出了一种基于深度学习的安全带检测方法，尝试将近年来在图像检测方面有较好应用的深度学习方法来提高安全带检测的准确率。相比传统的安全带检测方法，深度学习的最大优势在于它可以自动的从样本数据中学习特征，最大限度的减少了人为的干预以及手工设计特征的复杂性。 本方法充分发挥深度学习端到端的特性，充分利用rcnn和yolo系列算法的优点，搭建深度学习中的卷积神经网络模型，并用卷积神经网络模型对样本图片进行训练得到用于安全带检测的模型，然后用该模型对待检测图片进行检测，判断出车辆司机是否佩带安全带。本文中利用Keras框架对整个训练和检测过程进行了实现，并对实验结果进行了分析，证明了该方法的有效性。

针对光纤陀螺敏感线圈(光纤环)制备过程中,光纤的绕制张力变化和光纤环承载主轴跳动度变化等因素导致的"爬丝"和"间隙"绕制缺陷,提出基于区域的光纤环绕制缺陷检测算法,将原始光纤凹凸特征的处理转换成矩形大小及数量特征的处理。该算法在对光纤环绕制轮廓精确提取的基础上,通过对光纤环初始表面进行拟合,确定绕制光纤覆盖的最小有效区域,并实时提取区域内已绕制光纤轮廓的最小包围矩形;然后根据阈值的合理选取,计算最小有效区域内已绕制轮廓的最小包围矩形的区域大小及区域个数,以此判断绕制缺陷的种类,并标记缺陷位置。实验结果表明,在光纤环绕制轮廓精确提取的基础上,该算法可以有效识别并标记缺陷位置,对于不易受环境因素影响的"间隙"缺陷可以完全正确检出,且执行速度快,可满足缺陷实时检测的要求。