针对目前校园用电智能化管理的需求,设计了一种基于物联网技术的校园用电监控系统。系统无线传感网络以电能监测芯片CS5460A和ZigBee模块CC2530为核心,监测用电数据,定时将采集的电流、电压和电功率发送至上位机。上位机软件采用C#语言...针对目前校园用电智能化管理的需求,设计了一种基于物联网技术的校园用电监控系统。系统无线传感网络以电能监测芯片CS5460A和ZigBee模块CC2530为核心,监测用电数据,定时将采集的电流、电压和电功率发送至上位机。上位机软件采用C#语言在Visual studio 2012开发环境下设计而成,实现管理节点、处理数据以及根据监测结果向相应节点发送报警或通断电指令等功能。实践结果表明,该系统稳定可靠、精确度高、易于扩展和维护。展开更多
针对传统停车场带来的停车效率低,停车场管理不便等问题,利用物联网相关技术,将软件、硬件相结合,设计了一种基于物联网技术的智能停车场管理系统。该系统将用以CC2530芯片为核心的Zig Bee模块实现定位功能,采用RFIDRC522模块实现车辆...针对传统停车场带来的停车效率低,停车场管理不便等问题,利用物联网相关技术,将软件、硬件相结合,设计了一种基于物联网技术的智能停车场管理系统。该系统将用以CC2530芯片为核心的Zig Bee模块实现定位功能,采用RFIDRC522模块实现车辆进入停车场的初始计时,而采用US-100超声波测距模块、单片机STC89C54RD+芯片和终端检测节点构成空车位检测系统。在手持终端和上位机软件的设计上,选取Visual Studio 2013和Qt作为开发平台,并使用C#作为开发语言,系统上位机和下位机通过串口进行数据交流。实际应用证明,该系统使用方便,软硬件系统稳定,效果良好。展开更多
针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了Dens...针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息。最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层。实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision, mAP)相比于原YOLOv5s算法提高了3.1%。展开更多
文摘针对目前校园用电智能化管理的需求,设计了一种基于物联网技术的校园用电监控系统。系统无线传感网络以电能监测芯片CS5460A和ZigBee模块CC2530为核心,监测用电数据,定时将采集的电流、电压和电功率发送至上位机。上位机软件采用C#语言在Visual studio 2012开发环境下设计而成,实现管理节点、处理数据以及根据监测结果向相应节点发送报警或通断电指令等功能。实践结果表明,该系统稳定可靠、精确度高、易于扩展和维护。
文摘针对传统停车场带来的停车效率低,停车场管理不便等问题,利用物联网相关技术,将软件、硬件相结合,设计了一种基于物联网技术的智能停车场管理系统。该系统将用以CC2530芯片为核心的Zig Bee模块实现定位功能,采用RFIDRC522模块实现车辆进入停车场的初始计时,而采用US-100超声波测距模块、单片机STC89C54RD+芯片和终端检测节点构成空车位检测系统。在手持终端和上位机软件的设计上,选取Visual Studio 2013和Qt作为开发平台,并使用C#作为开发语言,系统上位机和下位机通过串口进行数据交流。实际应用证明,该系统使用方便,软硬件系统稳定,效果良好。
文摘针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息。最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层。实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision, mAP)相比于原YOLOv5s算法提高了3.1%。
