文中分别以板球系统和PID算法作为控制系统和控制方法，旨在研究在自动控制领域，利用机器视觉手段采集图像数据的速度和精度能否满足系统高精度控制的需求，采用控制变量法对图像采集频率、图像颜色阈值等参数进行调节，计算图像矩获取板球位置，得出各给定参数在合适范围内时，机器视觉的手段能够满足板球在平板上的位置高精度控制的数据采集需求的结论。

毕设的车牌图像数据库 包括各类场景总计6000左右张图像数据 如停车场，卡口，电子抓拍、天桥等位置 可进行车牌定位检测，车牌字符分割，车牌字符识别等相关研究

UCI Folio Leaf 是不同种类树叶的图片数据集，包含 32 中不同的树叶种类，每类 20 张左右的图像。

此源码为修改测试过后的图像识别源码，百分百能用,不能用的话，可以及时联系博客\主

模式识别高分课程设计，利用BP神经网络对0-9的手写数字图像数据进行分类。 图像数据存放在Img的文件夹中，0-9每个数字各有55个样本，共550个图像样本数据。文件中的all_data.mat是为了对这些图像数据全部提取到MATLAB的工作区中，以便于MATLAB对数据的处理。载入后是一个4维的900×1200×10×55的阵列，900×1200为每一张图像的尺寸/分辨率，10指的是为0-9的10类图像，55是每一类的样本数目； 代码中有详细注释，整个过程分为：①载入图像数据；②裁剪图像的无效信息；③特征选择和提取；④特征预处理；⑤划分数据集；⑥网络训练；⑦网络测试；⑧用户验证过程 网络经多次测试后对训练样本和测试样本的分类准确率均在95%以上，MATLAB自建BP神经网络，代码每个过程都有注释详解，有利于读者对BP神经网络有更好的把握。 在用户验证过程中，向客户提供验证端口，读者在读懂代码的基础上，可以继续在此做一个UI界面或者接口，作为课程设计的话将会更加完善。

本次作业需要利用深度学习的方法对 10 类图片进行分类，图片类别及示例如图 1 所示。提供的数据包含 30000 张带类别标签的图片组成的训练集，和 5000 张无类别的测试集，需要用训练好的模型对测试集图片进行分类，并将结果生成 csv 文件上传提交。选用 python 编写网络架构，深度学习框架在 pytorch/tensorflow/caffe 中任选其一。

注意力机制（英語：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。数据中哪些部分比其他部分更重要取决于上下文。可以通过梯度下降法对注意力机制进行训练。 类似于注意力机制的架构最早于1990年代提出，当时提出的名称包括乘法模块（multiplicative module）、sigma pi单元、超网络（hypernetwork）等。注意力机制的灵活性来自于它的“软权重”特性，即这种权重是可以在运行时改变的，而非像通常的权重一样必须在运行时保持固定。注意力机制的用途包括神经图灵机中的记忆功能、可微分神经计算机中的推理任务[2]、Transformer模型中的语言处理、Perceiver（感知器）模型中的多模态数据处理（声音、图像、视频和文本）。人类的注意力机制（Attention Mechanism）是从直觉中得到，它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的注意力机制借鉴了人类的注意力思维方式，被广泛的应用在自然语言

(寄存器版本，适合精英STM32F1开发板)ov7725摄像头实验，最近需要使用到ov7725摄像头来进行作业设计，此处给出f1精英版的ov7725驱动程序，可以用来进行图像识别处理

本项目从生活细节出发，将计算机视觉应用在饭堂人数检测上，结合软硬件设施：算法基于深度卷积神经网络模型，硬件基于树莓派 RaspberryPi3 Model B，终端为 Web APP 或者公众号平台，学生可以通过终端获取饭堂人数密度热力图。

本小组研究的课题是基于深度学习的图像识别，最终实现的是对海量图片数据的学习和准确的识别，不仅如此，我们测试了几种不同的分类模型，并比较预测结果，计算预测准确率，对预测方法进行优化，希望得到一种最高效的预测方法，从而实现真正的机器智能化识别。 本小组课设主要基于python开发环境下的scikit-learn标准库以及PIL图像处理库，并采用matplotlib实现最终结果的比对，PIL库用于图像的特征值批量读取，scikit-learn标准库用于分类模型的构建，matplotlib则用于显示最终结果。