基于二阶广义积分器的单相可控整流器设计：双闭环dq解耦控制，精准锁相，四象限运行及仿真模型实现,单相可控整流器的完整C代码+仿真模型，基于二阶广义积分器（SOGI）进行电网电压的锁相，四象限整流器： 1. 电压外环，电流内环，双闭环dq解耦控制，加前馈补偿，响应速度快，控制精度高，抗负载扰动性能优越 2. 基于二阶广义积分器对电网电压进行锁相，可实现电网环境出现畸变、网压突变情况下的精准锁相； 3. 网侧单位功率因数运行； 4. 在一台额定功率为30kW的单相可控整流器上成功验证，算法代码可直接进行移植； 5. 整流器可在四个象限运行，即整流象限，逆变象限，感性无功象限，容性无功象限；6. 采用S-Function的方式将算法C代码直接在SIMULINK模型里调用进行仿真，所见即所得 ,关键词： 1. 单相可控整流器; 完整C代码; 仿真模型; 2. 二阶广义积分器(SOGI); 电网电压锁相; 3. 电压外环; 电流内环; 双闭环dq解耦控制; 4. 前馈补偿; 响应速度快; 控制精度高; 5. 抗负载扰动性能优越; 网侧单位功率因数运行; 6. 整流器四象限运行; S-F

VisionPro算法优化下的涂胶检测系统：自动轨迹获取与智能断胶控制,"VisionPro算法驱动的涂胶检测系统：模板轨迹的自动获取与精准定位实现",visionpro算法做的涂胶检测（已经在项目中实际应用） 定义起点 ，自动获取涂胶轨迹 ，实现方式ToolBlock，脚本语言 C#高级脚本 1、需要先根据OK的胶路做一个模板轨迹，后面会根据做的模板轨迹去寻找 2、可以自己控制是否显示断胶超限，胶宽，少胶区域 3、实现思路卡尺的检测区域CenterX CenterY=前一个卡尺工具获取到的中点的延长线L（延长线角度为R，L为两个卡尺的间 距，手动设定） 仅提供一种思路方法，自己的产品请参考根据实际自行修改。 ,核心关键词：VisionPro算法; 涂胶检测; 模板轨迹; 断胶超限; 胶宽检测; 少胶区域检测; 实现方式ToolBlock; C#高级脚本; 卡尺检测区域; CenterX CenterY; 延长线L; 角度R。,基于VisionPro算法的自动涂胶检测系统

基于MATLAB的交通限速标志智能识别系统：从图像预处理到数字精准识别的一站式解决方案,"基于MATLAB的交通限速标志识别系统：从图像预处理到数字识别的全流程实战",基于matlab的交通限速标志识别系统 【标志识别】计算机视觉，数字图像处理常见实战项目。 过程：图像预处理，标志定位，数字分割，数字识别，结果展示。 输入生活中常见的限速标志图片，系统根据限速标志的位置进行定位识别，并且识别限速标志中的数字。 包远程调试，送报告（第062期） ,基于Matlab;交通限速标志识别系统;计算机视觉;数字图像处理;图像预处理;标志定位;数字分割;数字识别;远程调试;报告。,MATLAB交通限速标志自动识别系统：图像处理与结果展示

EBWO改进白鲸算法， 一种混合改进的白鲸优化算法 EBWO算法 改进点：两个点 1、引入准反向学习QOBL策略，提高算法的迭代速度 2、引入旋风觅食策略，提高算法开发能力 改进后的EBWO算法与原始BWO、GWO、WOA、SSA进行对比 效果好的不是一点点 包含23种基准测试函数均有 在当今快速发展的信息时代，优化算法作为解决复杂问题和提高系统性能的关键技术，一直受到广泛关注。白鲸优化算法（BWO）是近年来提出的一种新型智能优化算法，它模仿了白鲸捕食的行为，通过模拟白鲸在海洋中的觅食行为来解决优化问题。然而，像其他算法一样，BWO算法在实际应用中也存在一定的局限性，比如搜索效率和开发能力的不足。因此，为了克服这些缺陷，研究者们不断地对BWO算法进行改进和优化，EBWO（改进白鲸优化算法）应运而生。 EBWO算法引入了两个重要的改进策略：准反向学习（QOBL）策略和旋风觅食策略。QOBL策略的引入显著提高了算法的迭代速度。传统算法在优化过程中往往会陷入局部最优解，而无法快速跳出，导致效率低下。QOBL策略通过模仿自然界中动物的反向逃逸行为，允许算法在遇到不利于搜索的方向时，能够迅速调整方向，从而加快迭代速度，提高全局搜索能力。EBWO算法还引入了旋风觅食策略，这增强了算法的开发能力，即在找到全局最优解的邻域后，能更深入地挖掘这个区域，提高解的质量。这一策略使得EBWO算法能够在高维搜索空间中更加灵活和高效地找到问题的最优解。 通过与其他先进算法，如灰狼优化算法（GWO）、鲸鱼优化算法（WOA）和沙蚤算法（SSA）等的对比分析，EBWO算法在多种基准测试函数上的表现均优于它们。这表明，改进后的EBWO算法能够更有效地解决工程和科学领域中遇到的各种复杂优化问题。 此外，为了更好地理解和分析EBWO算法，在技术支持文档中也包含了算法的详细介绍和解析，以及对算法性能的详细评估。文档中提及的23种基准测试函数，覆盖了不同类型的优化问题，从简单的单峰函数到复杂的多峰函数，这些测试函数的使用有助于全面评估EBWO算法在各种条件下的性能。 通过这些基准测试函数的评估，我们可以看到EBWO算法不仅在理论上具有创新性，而且在实际应用中也显示出了良好的性能和强大的竞争力。它为解决各种工程优化问题提供了新的思路和方法，对于推动优化算法的发展具有重要意义。 EBWO算法作为一种混合改进的白鲸优化算法，通过引入QOBL策略和旋风觅食策略，有效提高了算法的搜索效率和开发能力。该算法在与多个先进算法的性能对比中表现出色，为解决优化问题提供了新的选择。随着算法在各个领域的广泛应用，相信EBWO算法将会推动相关技术的进步，并在实际工程问题中发挥重要作用。

MQ2传感器是一种广泛应用于气体检测的金属氧化物半导体传感器，其核心是使用金属氧化物半导体薄膜作为感应材料，通过检测目标气体引起电导率的变化来判断气体浓度。MQ2传感器对多种可燃气体如甲烷、氢气、一氧化碳等均有良好的响应性，因此在室内空气质量和可燃气体泄漏检测中应用广泛。 然而，实际使用MQ2传感器时，存在着诸多误区。例如，一些用户可能错误地认为环境温度和湿度的变化对MQ2传感器的读数没有影响，或者不重视传感器的预热和校准过程，从而导致检测结果的不准确。为了准确计算气体浓度，需要对MQ2传感器的输出信号进行准确的转换。 分压公式推导是将MQ2传感器的模拟电压输出转换为气体浓度的关键步骤。传感器的电阻变化与气体浓度之间并非线性关系，因此需要通过实验获得的一系列数据点，采用适当的数学模型，如多项式函数拟合，来建立电压与气体浓度之间的对应关系。通过函数拟合，可以得到一个近似的数学模型，从而实现对气体浓度的精准计算。 在实际应用中，使用STM32微控制器进行MQ2传感器的数据采集和处理是一个常见的解决方案。STM32是ST公司生产的一系列Cortex-M微控制器，因其高性能、低功耗、高集成度等特点，在物联网和嵌入式系统中得到广泛使用。使用STM32进行MQ2传感器数据处理，可以实现快速准确的数据采集，并通过内置的ADC模块将模拟信号转换为数字信号，从而便于进一步的数字信号处理和通信。 在编写程序时，首先要对STM32进行初始化，包括配置ADC模块的采样速率、分辨率等参数，确保能够准确读取MQ2传感器的模拟输出。然后，通过编写适当的算法，结合分压公式和函数拟合得到的模型，将ADC转换后的数字值转换为实际的气体浓度值。这通常涉及对传感器输出的数字信号进行一定的数学处理，如滤波、校准等，以提高读数的准确性和稳定性。 此外，为确保系统的可靠性，还需要设计适当的用户界面和数据通信协议。例如，可以将检测到的气体浓度通过LCD显示屏实时显示给用户，或者通过无线模块发送到远程监控中心。这样不仅可以实时监控气体浓度，还可以在气体浓度超过安全阈值时及时发出警告。 深入理解MQ2传感器的工作原理，合理应用分压公式和函数拟合，结合STM32微控制器的强大数据处理能力，可以有效地提高气体检测的准确度和可靠性。这对于提高人们的生活质量、保障安全生产以及环境监测都具有重要意义。

在嵌入式系统开发领域，STM32F407微控制器是一个广泛使用的高性能32位ARM Cortex-M4芯片，它在工业控制、通信设备、医疗仪器等多个领域都有应用。SD卡作为一种存储介质，由于其体积小、容量大、通用性强等特点，被广泛应用于各种嵌入式系统中作为数据存储解决方案。为了在STM32F407上实现与SD卡的交互，通常需要使用硬件SPI（串行外设接口）进行通信，因为这种通信方式速度快，且硬件支持丰富。 在本案例中，我们将详细介绍如何使用STM32F407的标准库函数和硬件SPI接口来实现对SD卡的读写操作。需要对硬件SPI接口进行初始化配置，这包括设置SPI的工作模式、数据传输速率、时钟极性和相位等参数。接着，需要初始化SD卡，这通常涉及到发送一系列SD卡指令，如初始化命令、设置块大小命令等，来让SD卡进入可以进行数据交换的状态。 在完成了初始化之后，就可以进行SD卡的数据读写操作了。写入操作通常分为几个步骤：首先是选择SD卡，并发送写入命令，然后等待SD卡的忙状态结束，最后发送数据块。读取操作相对简单，通常是选择SD卡，发送读取命令，然后读取返回的数据块。 在整个过程中，开发者需要注意的几个关键点包括：确保数据传输的稳定性，处理好SPI通信的时序问题，以及正确处理SD卡的响应信息。例如，写入操作完成后，需要检查SD卡返回的状态码以确认写入是否成功。同样，在读取操作中，也需要根据SD卡的响应来判断数据是否被正确读取。 在整个程序的编写过程中，标准库提供的函数可以大大简化开发流程。开发者可以利用库函数来配置硬件，初始化外设，以及处理数据传输等。利用这些函数，不仅可以降低编程难度，还可以提高开发效率，使得开发者可以更加专注于业务逻辑的实现。 在开发STM32F407与SD卡交互的程序时，还需注意错误处理和异常情况的处理。例如，在SD卡初始化失败或者在数据传输过程中发生错误时，程序应该能够检测到这些情况，并给出相应的错误处理措施，如重试、提示用户或者记录错误日志等。 为了确保程序的稳定性和可靠性，通常还需要进行充分的测试。测试应该覆盖各种边界条件和异常情况，以确保程序在不同的工作环境和不同的SD卡品牌下均能稳定运行。 使用STM32F407的标准库和硬件SPI接口来读写SD卡，涉及到硬件初始化、SD卡初始化、数据传输、错误处理等多个方面。开发者需要综合运用硬件知识、通信协议和编程技巧，编写出既稳定又高效的程序代码。本案例为嵌入式系统开发者提供了一套实用的解决方案，有助于他们快速实现SD卡在STM32F407平台上的读写功能。

GD32F103C8T6单片机PWM输出实验代码标准库，提供代码

**图像配准与Harris角点检测** 在计算机视觉领域，图像配准是将两幅或多幅图像在空间上对齐的过程，以便于比较、融合或分析图像信息。这一技术广泛应用于医学影像分析、遥感图像处理、视频监控等多个领域。Harris角点检测是一种经典的特征检测方法，它在图像配准中扮演着重要角色。 **Harris角点检测** Harris角点检测算法由Chris Harris和Mike Stephens于1988年提出，它的核心思想是通过计算图像局部区域的灰度变化来识别图像中的角点。这些点在图像平移、旋转或缩放时仍能保持不变，因此它们是稳定的特征点。 算法的基本步骤如下： 1. **计算图像的差分矩阵**：对图像进行卷积，得到图像的差分矩阵M，即图像梯度的协方差矩阵： \[ M = \begin{bmatrix} I_x^2 & I_xI_y \\ I_yI_x & I_y^2 \end{bmatrix} \] 其中，\( I_x \) 和 \( I_y \) 分别是图像在x和y方向的梯度。 2. **计算特征值与特征向量**：然后，求解差分矩阵M的特征值(\( \lambda_1 \) 和 \( \lambda_2 \))及其对应的特征向量。特征值反映了图像局部区域的灰度变化情况。 3. **应用Harris角点检测准则**：计算响应矩阵R，用于评估点是否为角点： \[ R = \lambda_1\lambda_2 - k(\lambda_1 + \lambda_2)^2 \] 其中，k是一个经验值，通常取0.04到0.06之间，以控制检测的敏感度。 4. **设定阈值**：对R进行非极大值抑制，保留超过预定阈值的点作为角点。这些点具有较大的R值，表明它们周围的梯度方向变化显著，可能是角点。 5. **去除重复点**：通过一定距离的邻域检查去除重复的角点，确保每个检测到的角点都是唯一的。 **Harris角点在图像配准中的应用** 在图像配准中，Harris角点检测可以用于找到图像的关键特征点。这些点在不同图像中具有相似的几何特性，即使在光照、角度或尺度变化下也能保持稳定。以下是Harris角点在图像配准中的具体步骤： 1. **特征匹配**：在两幅图像中分别检测出Harris角点，然后通过特征描述符（如SIFT、SURF或ORB）匹配这些角点，找到对应关系。 2. **建立变换模型**：根据匹配的角点对，可以构建一个几何变换模型，如仿射变换、透视变换或刚性变换。常见的方法有RANSAC（随机样本一致）算法，用于去除错误匹配。 3. **图像变换**：利用建立的变换模型，对原始图像进行变换，使其与目标图像对齐。 4. **优化与验证**：对配准结果进行优化，如迭代最近点（ICP）算法，以提高配准精度。同时，可以通过重新匹配角点或计算重叠区域的像素差异来验证配准质量。 **Matlab实现** 在Matlab中，可以使用内置函数`cornerHarris`来进行Harris角点检测，`matchFeatures`和`estimateGeometricTransform`等函数进行特征匹配和图像配准。这个压缩包文件“harris图像配准（matlab）”可能包含了实现上述步骤的完整代码示例，对于学习和理解图像配准以及Harris角点检测在实际应用中的工作原理非常有帮助。 Harris角点检测是图像配准中的一种关键技术，其稳定性和鲁棒性使得它在各种视觉任务中都得到了广泛应用。结合Matlab的工具和函数，可以方便地实现这一过程，为研究和开发提供便利。

此处代码可以直接下载使用，实测效果非常好。后给出具体的实用教程和视频演示。采用ROS+PX4的开发方案，ROS进行物体识别，根据识别的位置信息发布无人机控制指令，确保无人机始终保持目标物体的正上方，在满足最小允许误差的条件下控制舵机投放。有不清楚的地方，欢迎假如我们一起交流。详细使用教程，可以参考博客： https://blog.csdn.net/qq_35598561/article/details/135559336?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135559336%22%2C%22source%22%3A%22qq_35598561%22%7D

lidarslam_ros2 ros2 slam软件包的前端使用OpenMP增强的gicp / ndt扫描匹配，而后端则使用基于图形的slam。 移动机器人映射 绿色：带闭环的路径（大小为10m×10m的25x25网格） 红色和黄色：地图 概要 lidarslam_ros2是使用OpenMP增强的gicp / ndt扫描匹配的前端和使用基于图的slam的后端的ROS2程序包。 我发现即使只有16线LiDAR，即使是具有16GB内存的四核笔记本电脑也可以在室外环境下工作几公里。 （在制品） 要求建造 您需要作为扫描匹配器 克隆 cd ~/ros2_ws/src git clone --