在PCB行业中,针对一些较厚的基板,经常会采用钻头打孔的方式进行打码。如果打常规的二维码,钻头尺寸就需要更小,打穿较厚的基板对于设备工艺的要求就会更高,且打码效率偏低。采用打8421码的方式可以提高打码效率且降低设备工艺要求,且8421码的识别难度更低,目前越来越多的PCB载板厂家已经用8421码替代二维码做信息追溯。 本项目中物料来料会出现无标志、无信号的随机水平镜像翻转,且偶发出现码变形、成像模糊、码孔成像粘连、码孔大小不一的情况,复杂的成像工况使得常规的匹配标志位读码算法难以稳定识别。本人通过标志位特性获取8421码修正的透视矩阵对成像进行重构大大提高了项目读码率达到客户需求...
项目目标: 开发一个基于深度学习的电动车识别模型,能够从交通摄像头或图像中识别并分类电动车与燃油车,并提供准确的定位信息。该系统将用于智能交通、停车管理、以及自动驾驶中的车辆检测和识别。 技术栈: 深度学习框架: TensorFlow, PyTorch 模型架构: 卷积神经网络(CNN),YOLO(You Only Look Once),Faster R-CNN 数据处理与标注: OpenCV, NumPy 数据集: 使用公开的交通场景图像数据集,如 COCO、VOC,以及自定义收集的电动车与燃油车数据集 硬件支持: NVIDIA GPU(用于训练深度学习模型)...
数据集达8w张,使用CNN与mobilenet训练模型并进行对比,训练结果可视化并搭建了UI界面。 可以实现4个大类,245个小类的垃圾种类识别,识别精度良好,达到90%以上...