基于MS5611的小型无人机高度检测系统设计

为了满足某小型无人机中对飞行高度信息的需要,设计了一种采用 MEMS气压高度传感器来获取无人机的相对高度的检测系统,同时利用了外界的环境温度来进行相对高度的误差补偿。该系统采用了 MS5611数字气压传感器来获取外界的气压值和温度值,并使用了 STM32 F103微处理器来处理相关数据和控制检测系统。此外,阐述并介绍了气压高度检测的原理、检测系统的硬件电路设计方案和软件算法设计方案等。最后实验数据表明,设计方案能够满足无人机对高度测量的需求。     

基于软件无线电的无人机入侵检测方法研究

无人机的普及带来了诸多隐私安全问题，而要解决该问题就需对无人机信号进行动态有效检测，从而实现有效管制。本文提出了一种基于软件无线电的无人机入侵检测方法并进行了硬件实现。该方法利用自适应去噪及三次聚类方法实现了无人机信号的识别与分类。仿真结果表明，该方法在信噪比-16.2 dB以上时检测概率达到100%。同时本文依托以AD9361+FPGA+STM32为核心的软件无线电平台进行了方法的工程化实现，实测结果表明方法实用有效，在室内复杂环境及室外环境下均能有效地识别出无人机信号及类型，具有很强的应用前景。     

基于PSO改进的BP神经网络数据手套手势识别

针对5DT数据手套手势识别这一问题,提出BP神经网络和PSO算法相结合的识别方法。首先利用特征提取和归一化方法建立通用手势模板,并基于此模板采用BP神经网络进行训练学习,同时通过PSO算法修正BP神经网络的权值和阈值,将训练完毕的神经网络用于实际操作过程中的手势识别。该方法既保留了BP算法结构简单、易于实现的优点,同时避免了不同操作者复杂的标定过程。仿真和实验结果表明,所提出的控制方法有效的缩短了学习时间,并且提高了识别过程的实时性和精确性。     

基于Arduino和STM32的主动式手部训练系统

手部功能障碍患者在家自行练习康复动作时，由于缺乏科学的指导，训练步骤混乱，动作的精度与强度难以得到保证，从而影响了康复效果。本文设计了一套基于Arduino和STM32的主动式手部训练系统，系统分为数据手套、动作指导手掌和上位机三大部分，数据手套通过传感器获取手指和手腕的转动角数据并进行处理，然后将数据无线传输给动作指导手掌，动作指导手掌中的控制器STM32将接收数据与标准动作数据库进行比对，分析动作标准度，然后通过语音指导患者做出调整。STM32根据运动数据驱动六个数字舵机带动仿生手掌运动，从而模仿人手动作，系统使用LD3320识别患者命令，进行人机交互。系统通过上位机将标准动作数据库下载至STM32外扩闪存中，用于患者手部动作数据比对。实验结果表明，该系统能够有效指导患者完成整套康复训练动作，数据读取准确，指导精准可靠，交互性强，可以帮助我国约600万脑卒中手部运动功能障碍患者进行康复训练，具有很强的应用价值。     

基于手机终端无线通信系统的设计与实现

设计了一种利用iPhone手机终端和RT5350模块互传指令和数据的无线通信系统。系统通过建立一个无线局域网平台,以STM32单片机和RT5350模块作为硬件平台,以搭载IOS系统的智能手机作为客户端,结合TCP/IP传输协议和串口传输协议,实现了视频数据流、手机控制指令、以及相关数据的无线传输。此系统不仅实现了控制指令的下传,还实现了数据信息的上传。经测试,该无线通信系统在35 m范围内能够流畅的查看摄像头拍摄的视频,进行无错控制和无错数据传输,并且两个传输过程互不干扰。     

基于物联网的智能浇花系统

为方便家庭用户实现盆栽的自动化管理,设计了一种基于物联网的智能浇花系统。首先,通过土壤湿度传感器和数字温湿度传感器实现对花卉环境信息的采集,采用STM32进行信息处理、判断并输出控制信号,从而控制水泵电源的通断,完成按需按量自动浇花的工作。其次,STM32主控端通过ESP8266WIFI模块与后台服务器建立TCP连接,实现花卉环境信息的传递与指令的收发。最后,利用JavaWeb技术开发了系统网页端页面,完成了花卉温湿度信息的实时展示与远程控制浇花。对系统测试表明,本浇花系统工作稳定,实用性强,具有广阔的应用前景。     

基于STM32视觉识别的高精度激光控制系统设计

传统的激光控制系统是采集激光传感器的电平信号,经过A/D转换,再经过数字信号处理技术去除噪声,该算法处理复杂,得到的数字量与真实数字量存在偏差.为了解决处理算法复杂和误差问题,提出了基于STM32视觉识别的高精度激光控制系统.整个系统由摄像头模块、激光传感器模块、串口模块以及数据存储模块组成,通过摄像头的视觉识别实现了...     

基于STM32的高精度生物芯片点样头的设计

根据生产要求设计一种基于STM32微处理器的全自动高精度点样头,以实现对生物芯片制备的高精度点样。机械结构应用CAD制图软件进行绘制,然后按照图纸进行机械加工。系统通过上位机设定参数,采用STM32微处理器控制步进电机带动横杆和针柄运动,达到点样的目的,并采用位移传感器形成闭环控制系统以提高点样精度,同时在OLED显示屏上显示相应数据。在制备生物芯片过程中,该点样头能够与点样平台紧密配合,机械结构稳定,自动化程度高,操作便捷,可实现对生物芯片高精度的生物点样。     

基于MODBUS协议的车载空气质量检测系统设计

在车联网中,需要对车内空气质量进行检测,结合Modbus协议,设计了一种可拓展的车内空气质量检测系统。该系统以微型控制单元(MCU)STM32F439为主控制核心,采用微控制单元(MCU)STM32F103作为传感器协议适配器,对甲醛浓度传感器、温湿度传感器、PM2.5/PM10传感器等气体传感器进行协议适配,将不同的传感器原生协议统一成一致的协议。基于 Modbus协议通过RS485接口将传感器数据输出给主控制核心,在主控制核心对数据过滤及处理之后,发送给加速处理器(APU),并通过GPRS通信模块实时向服务端上传信息。     

基于STM32的智能充电桩嵌入式控制系统设计

STM32 系列产品是一种超低功耗的 ARM Cortex-M0 处理器内核,基于STM32设计智能充电桩嵌入式控制系统,优化充电桩的智能充电控制能力.首先进行智能充电桩嵌入式控制系统总体设计构架,分析了系统的功能指标,建立嵌入式STM32开发环境.进行系统的硬件电路模块化和集成设计,包括传感器模块、RTC模块电路、时钟电路、STM32主控电路、复位电路以及显示模块.以Linux2.6.32内核为平台,结合STM32嵌入式处理器,采用 8 位和 16 位微控制器进行智能充电桩的嵌入式控制系统的软件开发,实现编译器和汇编器的程序编译,实现系统的软件开发优化.系统调试结果表明,该系统能有效实现智能充电桩嵌入式控制,控制性能可靠稳定.     

基于深度学习的动态手势识别方法

为了提高动态手势的识别准确率,并避免动态手势的数据预分割和后输出处理过程,设计了一种融合卷积神经网络(CNN)和双向长短时记忆(BiLSTM),引入连接主义时间分类(CTC)作为损失函数的串联型网络模型。使用CTC训练网络来判断输入流中的类标签,以完成动态手势的识别工作。在公开视频手势数据集Jester和通过Kinect自建的包含9个动态手势的数据集上进行了实验验证,结果表明提出的串联型融合网络模型在Jester上能得到较高的识别率,并且引入CTC算法用于手势识别领域是可行的,该方法高效且具有很高的识别率,对9个动态手势最好识别正确率可达98.11%。     

基于三维视觉特征的数字手势语义识别新方法研究

为了解决现有手势识别易受背景噪声干扰和算法较为复杂的问题,提出一种基于3D视觉的数字手势语义识别方法。首先,通过RealSense 3D相机采集手部区域的RGB图像和深度图像,并结合深度信息和肤色信息,对手势进行分割;其次,对手势图像进行形态学滤波后,得到手势区域的轮廓凸包面积比、凸缺陷数、手指夹角和关键点连线比值等特征参数;最后,通过分析不同手势独有的特征参数,实现准确的手势识别。对数字0～9的手势分别进行50次识别实验,手势分割准确率为100%,手势识别准确率为98.5%。实验表明该方法准确可靠,数字手势识别效果理想。     

基于测量的量子图像识别研究

目前,已有的量子相似度比较算法:1)逐个比较图像对应位置的像素值;2)将两幅图像分别用量子态表示,再将两幅图像进行连接(意味着将两个量子态连接成一个态),再进行相关的量子操作。所提出的比较算法,是在不连接图像的基础上,将图像用量子态表示,进行控制交换(c-Swap)操作,再进行量子测量,根据测量结果判断两幅图像的相似度。将所提的量子相似度比较算法应用到量子手势识别中,实验结果表明所提算法在识别问题上具有可行性。在经典领域中,手势识别的流程比较复杂。而在量子领域中,无需提取手势的颜色、纹理、特征等步骤,直接可以将手势进行二值化表示,再根据所提的图像相似度算法来实现手势识别。     

基于加速度变噪声EKF的无人机姿态融合算法

针对传统无人机姿态解算方法过程复杂、计算量大、动态性能差的缺点,建立无人机姿态模型;采用陀螺仪对加速度计直接进行滤波的方法,设计出新的基于扩展kalman滤波的加速度滤波器;并且考虑到无人机非重力加速度的影响,对常规kalman滤波器进行了变噪声的改进。利用STM32微控制器和MEMS惯性单元搭建硬件平台进行对比实验。结果表明:在168 MHz时钟频率下,一次传感器数据读取和姿态解算总共耗时3.27 ms,数据更新率可达100 Hz。新算法飞行动态误差小于1°,而传统四元数法动态误差为2°左右;变噪声处理后静态瞬时偏差由4°降到1°。说明新算法的抗震效果和解算精度更好,可以为无人机自主飞行提供更准确的姿态信息。     

基于多维谱峰联合搜索的无人机控制抗扰动算法

无人机飞行中受到大气小扰动影响容易导致飞行失稳，为了提高飞行稳定性，提出一种基于多维谱峰联合加权搜索的无人机控制抗扰动算法。在速度坐标系、体坐标系、弹道坐标系三维坐标系中构建无人机飞行的空间动力学模型，采用分布源建模方法进行无人机飞行的波束指向性特征分析，利用波束域方向的加权系数控制无人机的稳态跟踪误差，结合波束主瓣宽度进行飞行小扰动抑制，采用多维谱峰联合加权搜索方法实现对无人机飞行控制参量的联合估计，根据参量估计结果进行误差反馈和扰动抑制，提高飞行稳定控制性能。仿真结果表明，采用该方法进行无人机控制的抗扰动性较好，对飞行控制参量的联合估计准确性较高，输出稳定性较好。     

Grael脑电放大器与深度学习的手势实时识别研究

手势识别是人机交互的关键。为了能够更好地实现脑电信号与肌电信号的融合,精准地识别人体的运动,本文建立了一套基于Grael脑电放大器的手势动作实时检测识别的研究系统。通过Grael脑电放大器和Curry8系统采集5个通道的8种不同手势的表面肌电信号(sEMG),并对采集到的sEMG信号进行滤波去噪、滑动窗口分割以及特征提取等预处理的操作;最后采用几种常用的分类器与卷积神经网络(CNN)对不同手势的sEMG信号进行实时分类识别。结果表明CNN的识别准确率最高,能达到92.98%;对每个手势动作进行30次实时识别检测,结果显示识别延迟大概在1～1.5 s,实时识别的精度可高达90%。该系统为将来研究脑电信号与肌电信号的融合提供了一个可行的方法,在人机交互方面展现了巨大的潜力和应用空间。     

基于微型四旋翼无人机的智能导航系统

为了实现四旋翼无人机的自主飞行,设计了该智能导航控制系统.飞行控制器采用陀螺仪与三轴加速度传感器相结合的方式检测飞行器姿态,通过ATMEGA644芯片分别控制4个电机驱动模块调速来实现飞行姿态的改变.导航系统通过ARM7控制GPS模块与电子罗盘,获取飞行器的实时位置,并利用软件滤波的方式提高了定位精度.设计了上位机控制...     

基于对比学习的信息缺失手势识别新方法

针对现有深度学习模型识别信息缺失手势需要大量标注数据、更深的网络需要更多参数的问题，首先收集整理了一个信息缺失手势数据集IMG＿NUIST,然后借鉴对比学习思想，提出了一个新的信息缺失手势识别模型CLGR,该模型通过对手势类内和类间差异度的对比约束提高模型特征学习性能。在两个经典数据集(ASL Alphabet和NUS I)和新提出的IMG＿NUIST数据集上进行了广泛实验，消融实验表明对比学习思想能有效地将平均识别准确率提高至98.60%以上且收敛速度显著提升；对比实验表明本文所提模型计算复杂度比其它4个模型平均简化了41.4%,在NUS I和IMG＿NUSIT数据集上的手势识别准确率超过四个对比方法，特别是在NUS I数据集上将识别准确率平均提高了17.35%,在ASL Alphabet数据集上的识别准确度仅比最优结果低0.43%。实验结果说明所提模型对于缺失手部部分信息和杂乱背景等问题的手势识别任务有显著效果，具有收敛速度更快、计算复杂度更少的优秀性能，有很好的实用价值。