吸烟行为检测及部署 - 嵌入式

吸烟行为检测及部署——嵌入式方案

吸烟行为检测是一种基于计算机视觉和深度学习技术的应用，旨在自动检测和识别人们是否正在吸烟。这种技术可以应用于公共场所、工作场所或家庭环境，以提醒人们遵守吸烟规定或监控吸烟行为。本文介绍了吸烟行为检测及部署的嵌入式方案。我们选择了树莓派作为嵌入式设备，并使用深度学习技术构建了一个简单的CNN模型用于吸烟行为检测。通过在树莓派上部署训练好的模型，我们能够实时检测和识别吸烟行为。这种嵌入式方案可以应用于各种场景，提醒人们遵守吸烟规定或监控吸烟行为。

吸烟行为检测及部署：嵌入式方案

这是一个简单的吸烟行为检测及部署的嵌入式方案示例。通过收集训练数据集、训练深度学习模型，并将其部署到嵌入式设备上，我们可以实现对吸烟行为的实时检测和监控。请注意，这只是一个简化的示例，实际应用中可能需要更复杂的模型和数据处理技术来提高准确性和鲁棒性。吸烟行为检测是一项具有挑战性的任务，旨在通过分析图像或视频数据，检测和识别人们是否在吸烟。在本文中，我们将探讨一种嵌入式方案，用于检测和部署吸烟行为的应用。以下是一个基于深度学习算法的吸烟行为检测示例，我们将使用Python编程语言和OpenCV库来实现。

吸烟行为检测及部署——嵌入式

在本文中，我们将探讨如何使用嵌入式系统进行吸烟行为检测，并展示相应的源代码。通过使用嵌入式系统，我们可以将吸烟行为检测集成到智能设备或监控系统中，实现实时监测和自动报警。烟雾传感器可以检测到空气中的烟雾浓度，并通过GPIO引脚发送信号。这只是一个简单的示例，用于演示吸烟行为检测在嵌入式系统中的应用。要运行这个示例，您需要将烟雾传感器和LED正确连接到树莓派的GPIO引脚，并在终端中执行Python脚本。函数中，我们设置了GPIO引脚的模式，并将烟雾传感器的引脚设置为输入，LED的引脚设置为输出。

基于深度学习的吸烟行为检测系统：YOLOv5+UI界面+数据集

根据世界卫生组织（WHO）的统计数据，每年因吸烟相关疾病死亡的人数超过800万，其中包括因接触二手烟而死亡的非吸烟者约120万人。为了解决上述难题，本文采用YOLOv5（You Only Look Once v5）目标检测模型，结合数据增强、特征提取和多尺度融合技术，构建一个高效、准确的吸烟检测系统。本文介绍了基于YOLOv5的吸烟行为检测系统，展示了完整的建模、训练、UI集成过程。该系统具有高精度、低延迟、良好的实时性，能够满足复杂环境下的吸烟行为检测需求。✅ 轻量化，适合移动设备和嵌入式系统部署。

YOLOv8吸烟行为识别工程落地全链路指南

吸烟行为识别属于细粒度动作理解任务，其本质是融合人体姿态、手持物特征与时空上下文的多模态视觉分析。不同于通用目标检测，它需解决小目标（烟头仅3×3像素）、强干扰（打火机反光）、动态遮挡等工业现场核心难题。技术价值体现在高鲁棒性、低误报率与边缘可部署性，广泛应用于智慧园区、工厂安全巡检及公共空间监管等场景。本文基于YOLOv8-pose架构，聚焦真实数据采集规范、行为语义标注、定制化数据增强及RK3588嵌入式部署等关键环节，提供一套经37个实际项目验证的可复用工程方案。

打电话检测和抽烟检测

打电话检测和抽烟检测算法演示工具，android版本,只支持红外夜视照片，其它照片要调整算法参数

基于图像处理的吸烟检测系统

基于图像处理的吸烟检测系统的开题报告随着计算机硬件的处理能力的进一步提高以及Internet应用的迅速普及，在检测系统方面，人们提出了用基于图像处理的检测系统来进行吸烟的检测，即利用图像处理技术，达到增加检测系统的图像处理和实时报警等方面的功能

uniapp：K线图，支持H5，APP

K线，1分钟搞定。备注详细，无需理解，直接复制即可。

Android SSL证书固定实战：原理、方案与避坑指南

SSL/TLS协议是保障网络通信安全的基石，其核心原理是通过非对称加密和数字证书实现身份认证与数据加密。在移动应用开发中，为了防止中间人攻击，证书固定技术应运而生，它通过将服务器证书或公钥的哈希值预置在应用内，强制校验服务器身份，从而大幅提升通信链路的安全性。这一技术对于金融、电商等高安全要求场景尤为重要。本文聚焦Android平台，深入解析SPKI固定、Network Security Configuration与OkHttp CertificatePinner等主流方案，并针对证书更新、调试兼容等常见痛

【ESP32】1.编译、烧录、创建工程

本文介绍了在VSCode中搭建ESP32开发环境并烧录"Hello World"工程的过程。首先通过串口工具成功下载固件后，解决了OpenOCD报错问题。针对头文件无法识别的问题，修改了c_cpp_properties.json配置文件，调整了编译器路径和IntelliSense模式。文章还详细说明了创建新工程的步骤，包括选择芯片型号和项目模板，并验证了串口打印功能。最后提醒在项目构建时要等待完成，避免文件缺失。整个流程涵盖了环境搭建、代码烧录、调试及新项目创建等关键环节。

mcgs数据查表功能，用于大量数据对比查找对应数据，减少PLC代码

mcgs脚本实现数据查表功能

从仿真到流片：手把手教你优化65nm CMOS电荷泵的电流匹配与稳定性

本文详细介绍了在65nm CMOS工艺下优化电荷泵电流匹配与稳定性的工程实践指南。通过蒙特卡洛仿真、运放反馈结构版图技巧和全差分结构设计，实现优于1%的电流匹配精度和±2%以内的电流稳定性，特别针对current mismatch问题提供了有效的解决方案。

Apollo 9.0 速度非线性规划算法 – piecewise jerk speed nonlinear optimizer Ⅰ

二次规划的速度规划算法（PiecewiseJerkSpeedOptimizer）的存在两个问题： 这里以一张图来说明上面的问题，假设存在一个实际限速区间（或曲率很大需要降速的区间）[S1, S2]，PiecewiseJerkSpeedOptimizer的做法是根据动态规划的st曲线（黑色），找到具体的时间区间[T1, T2]，然后对区间[T1, T2]内所有的点施加约束或惩罚。但是二次规划平滑后的曲线（黄色）发生了变化，那么限速区间[S1, S2]对应的时间区间[T1, T2]也发生了变化，所以实际应该是对

CloudCompare 二次开发：插件中的 PCL 环境配置与编程

在进行 CloudCompare 的二次开发过程中，我们常常需要使用点云库（Point Cloud Library，简称 PCL）来处理和分析点云数据。在 CloudCompare 的界面中，选中一个点云对象，然后点击菜单栏中的 “插件” -> “MyPluginAction”。插件将对选中的点云对象进行体素滤波处理，并更新显示结果。下面我们将展示一个简单的插件编程示例，该示例使用 PCL 对输入的点云数据进行体素滤波处理。方法进行体素滤波处理，并将结果点云赋值给选中的点云对象。文件并点击 “打开”。

手把手教你学simulink（13.2）--构建一个单相并网逆变器Simulink仿真模型

基于Simulink的单相并网逆变器项目的详细仿真实例。这个项目将重点放在逆变器的详细建模、最大功率点跟踪（MPPT）控制策略、并网控制和仿真分析上。我们将使用MATLAB/Simulink来构建整个系统，并通过具体的代码和模块来实现各个功能。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)