基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827

针对当前物联网感知层在感知多源信息时，尚没有一种很好的融合方法的问题，根据无线传感器网络(WSN)和射频识别(RFID)网络自身的特点，通过引入数据融合器，提出了一种将电子产品编码(EPC)和环境参数建立映射关系的方法。将该方法应用于超市仓储管理系统，对其编码并且构建原型系统，该方法能够明显提高数据传输的有效率，试验结果验证了所提出方法的正确性和有效性。

电子元器件识别,从零开此学习，认识电子元器件知识，好学易懂，

将遗传规划、遗传算法和数值分析技术相结合,借助于工程岩体的变形监测,进行了工程岩体参数的等效模式智能识别,借助于获得的等效岩体参数进行了工程问题正分析,并将计算位移与监测位移进行对比分析,显示出较好的一致性。由此表明,基于实测监测信息的等效模式智能识别方法可以用于岩土工程的参数反演,为复杂岩体参数的合理选择提供一条可选的途径。

数据集包含了从-20dB 到+18dB 总共 20 个信噪比（步长为 2）下的 11 种调制信号， 包括 AM-DSB、 AM-SSB 和 WBFM 三种模拟调制信号，以及 BPSK、 QPSK、 8PSK、 CPFSK、 GFSK、 PAM4、 QAM16 和 QAM64 八种数字调制信号。其中信号的中心频率为 200KHz，采样频率为 1Msamp/s，且每个信噪比下每种调制信号包含 1000 个信号。其中每个信号包含 IQ 两路数据，且每一路数据都包含有 128 个采样点。

C#联合halcon开发框架源码。 拖拽式编程,无halcon基础也能上手，匹配，测量，条码识别，ocr,定位引导，对位等，支持plc通讯，集成主流相机sdk,系统集成.

这个项目是一个基于OpenCV和TensorFlow的实时手势识别与图片特效。通过结合这两个强大的开源库，我们成功地打造了一套多功能的解决方案，旨在为用户提供沉浸式的交互体验。 首先，通过OpenCV实现了实时手势识别，使得系统能够捕捉用户手势的细微动作。这使得用户无需任何物理设备，只需简单地使用摄像头，就能够与系统进行直观、自然的交互。TensorFlow的强大深度学习功能在背后支持，确保手势识别的准确性和稳定性。不仅仅是基本的手势，系统还支持更复杂的手势序列，从而拓展了用户与系统交互的可能性。 但这仅仅是开始，项目进一步加入了图片特效的元素。通过在识别到的手势上应用图像处理技术，用户可以享受到更加有趣和独特的视觉效果。这包括但不限于实时滤镜、图像变形和特殊效果的叠加。这种创新的设计不仅提升了用户体验，也为拓展项目的创意性和趣味性提供了更多可能性。

吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接):https://blog.csdn.net/guyuealian/article/details/130337263 吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/131521338

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼

python yolov5 训练数据集 无人机航拍数据集合 人工智能 深度学习 目标检测 目标识别