- 综合排序
- 最热优先
- 最新优先
- 来自专栏大大的小数据
行车数据分析2020.11.11
4、 5、 6、上午上班停车时间波峰尾，8点33，应该提早5分钟。 7、 8、下午上班停车时间波峰尾，2点36，应该提早10分钟。 9、 10、每天开车时间（时分）折线图。
53300编辑于 2022-09-21 - 来自专栏大数据文摘
自行车赛2.0——大数据如何再造环法自行车赛
自行车赛这些年日子不好过。高科技能否拯救它？ 自行车这个运动正在发生一些非同寻常的变化。著名的环法自行车赛将于这周末开始，历时三周。它，正处于这些变化的核心。 新的环法自行车赛中心的门户网站可以(其制造商保证)接收反馈可靠的GPS数据，使粉丝们可以得到非常精确的答案。 在沿途某个地方，环法公司现代化赛事负责人Christian Prudhomme看起来对环法自行车赛以及数据在塑造其未来中所扮演的角色有深刻的领悟。 作为一名自行车运动的发烧友，为全世界最大最好的自行车赛管理一个野心勃勃的大数据项目，这要么是世界上最好的工作，要么是压力山大乏善可陈的。 相比之下，环法自行车赛的赛段则可蔓延240千米以上、跨越艰险地形、历经各种天气。 “我们必须克服的最初挑战是在任何位置都能提供一个稳健平台。
92030发布于 2018-05-24 - 来自专栏嵌入式Linux系统开发
行车记录仪主要方案公司
那么音视频技术应用较多的地方有安防行业、行车记录仪、运动相机等。今天就给大家介绍一下，行车记录仪主要的方案提供商。 但记录仪市场对这种大鳄来说太小了，前期投入力度不大，在经历了14年行车记录大暴发之后，现在正发力行车记录仪市场。 在2014年中，为了弥补自己在前后双路行车记录仪方案便的不足，先后推出了NT96655 NT96660 NT96663主控芯片，目前推出单芯片主控内置DDR更有竞争优势的NT96658行车记录仪方案更迅速占领 80%中高的行车记录仪市场,是行车记录仪品牌客户首选的行车记录仪方案。 5、联发科(MTK)，台湾最大的IC设计公司，大家应该非常熟悉，在智能手机行业直接跟高通PK，对行车记录仪行业主要是智能后视镜这一块市场; 还不是主流，优势在带云端的以及涉及车联网方面的产品。
3.6K30发布于 2021-05-28 - 来自专栏深度学习和计算机视觉
基于Python使用OpenCV进行车牌检测
步骤5 从车牌中分割字母数字字符 import numpy as np import cv2 # Match contours to license plate or character template dimensions[1] lower_height = dimensions[2] upper_height = dimensions[3] # Check largest 5 ## create model >model = Sequential() >model.add(Conv2D(filters=32, kernel_size=(5,5), input_shape=(28 第一层是卷积层，具有32个输出滤波器、大小为（5,5）的卷积窗口和“Relu”作为激活函数。 接下来，我们将添加一个窗口大小为（2,2）的最大池层。 最大池是一个基于样本的离散化过程。
2.3K20编辑于 2022-02-14 - 来自专栏数据科学和人工智能
数据集 | 自行车租赁数据集
下载数据集请登录爱数科(www.idatascience.cn) 自行车出租计划是主要城市减少污染和碳排放的一种方式，同时鼓励锻炼。 该数据集记录了华盛顿特区的一个自行车出租计划两年来每天每小时的数据。每小时都记录了天气状况，以及临时用户和注册用户租用自行车的数量。 1. 字段描述 2. 数据预览 3.
1K10编辑于 2022-03-30 - 来自专栏高速公路那点事儿
解决方案 | 雾天行车安全难题多，智能行车安全诱导系统能破局吗？
随着技术创新与行业应用发展，2016年交通运输部发布了《雾天公路行车安全诱导装置》（JTT 1032）交通行业标准，极大得促进了公路雾区行车安全智能诱导及防撞预警系统（以下简称：行车安全智能诱导系统）的发展 行车安全智能诱导系统利用设置在公路两侧的行车安全智能诱导设施（也称为智能诱导边缘标）为在途车辆提供安全引导，在控制系统的集中智能控制下，行车安全智能诱导设施会根据不同的能见度与车流情况，采用不同的发光亮度 ，不论环境照度条件，系统都将开发行车主动诱导功能，随着能见度条件的进一步降低，系统将自动切换至防止追尾警示模式，该模式下，无车辆通过时仍采用行车主动诱导工作模式。 (5)系统日志 软件可对系统日志进行记录、存储、查询、导出、分析等管理工作，日志分为运行日志、操作日志、数据日志。 05-设备构成 公路行车安全智能诱导系统主要由交通气象环境感知设备、行车安全智能诱导装置（智能诱导边缘标）、现场控制主机设备（数据预处理器）三大核心设备组成。
76500编辑于 2025-07-03 - 来自专栏大大的小数据
采集行车记录GPS轨迹并推送邮件2020.11.13
1、登录行车PGS记录页面。 2、跳转到轨迹页面。 3、把轨迹页面截图。 4、把截图发送到邮箱。
1K20编辑于 2022-09-22 - 来自专栏燧机科技-视频AI智能分析
行车作业区域人员闯入检测系统
： 行车轨道沿线：立杆安装（高度6-8m，俯角30°），覆盖“轨道两侧5m警戒区”，支持ROI动态聚焦（当人员进入警戒区时自动放大跟踪）； 行车驾驶室视角盲区：壁装补盲摄像机（广角120°），结合激光测距模块 （精度±5cm） 测量人员与行车的最小距离； 粉尘/强光区域：加装偏振滤镜+红外补光（850nm，隐蔽不干扰作业），实验室数据：粉尘浓度50mg/m³环境下识别率从55%提升至89%。 联动控制单元 即时告警：输出干接点信号（24V DC/5A） 联动行车PLC控制器（触发紧急制动），同时通过POE音箱（拾音范围15m） 播放定向语音（“危险！ 三、关键技术突破 （一）复杂工业场景适应性优化 粉尘/强光干扰抑制：采用自适应直方图均衡化（CLAHE）+ 偏振成像（实验室数据：强光（照度＞10^5 Lux）下识别率从62%提升至90%）； 小目标检测增强 ，避免与5吨钢卷运输车碰撞； 误报抑制：过滤“行车吊具阴影（无深度信息+速度0m/s）”，单日误报次数从12次降至2次。
50010编辑于 2026-01-15 - 来自专栏机器学习AI算法工程
行车环境实时语义分割与深度估计
本项目旨在实现车辆前方行车环境的实时解析。具体通过对行车记录仪的图像、视频数据的语义分割和深度估计实现。要实现的目标如下图所示： ? 2. 模型 本项目在实现行车环境场景语义分割和深度估计实时解析的过程中，尝试使用了不同的模型，有复现文献中提出的网络框架TRL、也有在语义分割ICNet的基础上增加深度分支，最后自己搭建了一个轻量化的模型。 先用1×1的卷积降维，再用3×3的空洞卷积替代5×5、7×7的卷积，减少了参数量，同时也提高了计算速度。 ICNet ICNet是在PSPNet基础上改进的语义分割网络，旨在提高语义分割的速度。
97720发布于 2019-10-28 - 来自专栏数控编程社区
如何对不同材质的工件进行车削
车削高合金钢 材料分类：P3.x 高合金钢包括总合金含量超过 5% 的碳钢。该组包括软材料和硬材料。合金含量和硬度越高，可加工性越差。 对于低合金钢，首选钢种和几何形状系列。 合金元素含量超过 5% 且硬度超过 450 HB 的钢材对抗塑性变形能力和刀刃强度有额外要求。考虑使用更硬的钢材（铸铁、陶瓷和 CBN）。 车削铁素体和马氏体不锈钢 材质分类：P5.1 这种不锈钢被归类为钢材，因此材料分类为 P5.x。此类钢材的一般加工建议是我们的不锈钢等级和几何形状。 使用陶瓷时，建议进行预倒角，以最大限度地降低刀片进入和退出切削时产生毛刺的风险，并获得最佳性能 5、车削有色金属材料 该组包含非铁质软金属，例如铝、铜、青铜、黄铜、金属基复合材料 (MMC) 和镁。
1.8K10编辑于 2024-06-12 - 来自专栏深度学习入门与实践
【深度学习】用PaddlePaddle进行车牌识别（二）
charRange, outputPath,size): 3 if (not os.path.exists(outputPath)): 4 os.mkdir(outputPath) 5 def reader(): 3 for i in xrange(len(data)): 4 yield data[i,:],int(label[i]) 5 fc4 = paddle.layer.fc(input = fc4_drop,size = 65,act = paddle.activation.Linear()) 39 40 fc5_ drop = paddle.layer.dropout(input = fc,dropout_rate = 0.5) 41 fc5 = paddle.layer.fc(input = fc5_drop 传统的方法需要对图片灰度化，字符进行切分等，需要很多数据预处理的过程，端到端的方法可以直接将原始的图片灌进去进行训练，最后出来预测的车牌字符的结果，这个方法在构建了两层卷积-池化网络结构后，并行训练了7个全连接层来进行车牌的字符识别
1.8K80发布于 2018-04-04 - 来自专栏钱塘小甲子的博客
PyQt利用百度API绘制行车路径
任务不太难，基本要求就是能够在Qt界面上根据车辆的起始经纬度，绘制出实际地图上的行车轨迹。 1.构建Qwebview控件。 ? 首先，我们qt的界面中插入QWebView控件。
2.2K30发布于 2019-01-28 - 来自专栏嵌入式项目开发
Linux小项目-行车记录仪项目设计
前言 行车记录这个设备相信大家应该都不陌生，它的功能主要是记录车辆行驶途中的影像及声音。 安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，可为交通事故提供证据，喜欢自驾游的人，还可以用它来记录征服艰难险阻的过程。 现在横穿马路的行车、摩托车，不交通规则形势的汽车也经常遇到，万一和他们产生了刮碰，有可能会被敲诈勒索，如果有了行车记录仪，司机可为自己提供有效的证据。 这篇文章就介绍在Linux最小系统开发板上如何实现行车记录仪的功能，开发板自带了8G的EMMC，也可以外扩SD卡。 首先，在设计行车记录仪这个项目之前，要先了解清楚行车记录仪的功能。 -I$(SRCPATH) -std=gnu99 -D_GNU_SOURCE -mpreferred-stack-boundary=5 -fomit-frame-pointer -fno-tree-vectorize
1.9K30编辑于 2022-05-11 - 来自专栏PyQt+YOLO
python3GUI---基于PyQt5+YOLOv8+DeepSort的智慧行车可视化系统（详细介绍）
一．前言大家好，本次给大家带来我的新作品：基于PyQt5+YOLOv8的智慧行车可视化系统，这是一款模仿盯盯拍等HUD的实时行车分析可视化系统，我们使用自己训练的模型进行目标检测、采用多种维度检测目标车辆以及距离 1.PyQt5PyQt5在该系统中主要用于构建图形用户界面，是连接后端视觉处理与前端展示的关键框架。 三．核心功能这里我将使用图文的方式详细介绍我们的PyQt5+YOLOv8+DeepSort的智慧行车可视化系统，请大家耐心仔细观看。 7.行车建议模块我们的系统会自动根据识别结果以及车道线情况给出行车建议，并且采用可视化图标的方式直观地给出行车建议，行车建议包含三类：暂无行车建议、注意行车距离，请谨慎驾驶！、非常不错，请保持！ 五．总结本次和大家详细分析了我使用PyQt5+YOLOv8+DeepSort开发的智慧行车可视化系统，这个系统高端大气，非常适合学习计算机视觉、YOLOv8、OpenCV、PyQt5等技术，非常适合用来研究学习
44811编辑于 2026-03-29 - 来自专栏reizhi
263KMH 史上最快自行车诞生
作为很多人曾经的首选代步工具，自行车的记忆是难以磨灭的。而随着科技的发展，电动车、摩托车以及私家车逐渐代替了自行车成为新的个人代步工具。尽管如此，我们每天仍然能在城市中看到不少自行车的身影。 甚至于在某些堵车严重的地区，骑自行车上班比汽车要更快。虽然自行车也分为城市车、山地车、越野车等很多种，但你有没有设想过最高时速263KM/H的自行车呢？ 近日，有外国友人就自己设计出了这么一款“喷气动力”的自行车，最高时速达到了263KM/H，创下了史上最快自行车的记录。 在此之前，自行车的速度记录是242.6KM/H，创立时间为2002年。在视频中可以看到，当火箭自行车超越旁边的小汽车时，速度及其之快。 其次速度上也不便于控制，毕竟没有人需要一辆这么快的自行车，除非是007要追上一架飞机。最后，这个会不会太危险了。
83210编辑于 2022-09-26 - 来自专栏AI那点小事
CCF考试——201712-4行车路线
例如：有5个路口，1号路口到2号路口为小道，2号路口到3号路口为小道，3号路口到4号路口为大道，4号路口到5号路口为小道，相邻路口之间的距离都是2公里。 如果小明从1号路口到5号路口，则总疲劳值为(2+2)2+2+22=16+2+4=22。 现在小芳拿到了地图，请帮助她规划一个开车的路线，使得按这个路线开车小明的疲劳度最小。 样例输入 6 7 1 1 2 3 1 2 3 2 0 1 3 30 0 3 4 20 0 4 5 30 1 3 5 6 1 5 6 1 样例输出 76 样例说明 从1走小道到2，再走小道到3，疲劳度为52=25；然后从3走大道经过4到达5，疲劳度为20+30=50；最后从5走小道到6，疲劳度为1。
74310发布于 2020-04-20 - 来自专栏云深之无迹
MCM2022A，自行车动力学模型
自行车和骑车人的主要部件大致呈圆柱形，直径从 1 毫米（辐条）到约 300 毫米（骑车人的身体）不等，在典型的骑行速度下，这导致雷诺数在 10 3到 10的大致范围内5 . 其次，侧风会改变自行车的阻力区域，因为空气以不同的方向流过自行车和骑手。相对于自行车的路径，风可以具有任何方向。考虑这些问题的第一步是将风速分成两个分量。 逆风分量与自行车的路径相切，速度为v WTan，侧风分量垂直于自行车的路径，速度为v WNor。 然后可以根据自行车的速度和逆风分量计算空气速度： v A = v G + v WTan 偏航角是自行车路径与自行车上方气流方向之间的角度。 车轮旋转的空气阻力 对于风洞测试，自行车应安装在滚轮上，使其车轮以地面速度旋转。这是因为车轮的运动改变了自行车和骑手上的空气流动。然而，在风洞中测量的力只是空气向后推自行车和骑手的力。
1.5K21编辑于 2022-03-07 - 来自专栏罗超频道
ofo连下33城，中国重回自行车时代
在许多60后、70后的中国人记忆里，自行车都曾是中国人最重要的交通工具，不过，随着中国经济的飞速发展，自行车在这个第二大经济体的马路上逐步被汽车、电动车所取代，滑板车、平衡车、电助力车诸多新的代步工具出现 ，轨道交通、滴滴等出行解决方案的普及让中国人的出行方式丰富而便利，自行车则“退化”为一种骑行运动，文化和运动属性大于交通属性，自行车道在广州等发展很快的城市几乎消失，人们骑车还要去“绿道”。 当时，奈斯提出，从提倡环保的角度来看，中国能否重回自行车时代？现在看来，奈斯当时的倡议正在成为现实：自行车逆袭了。 中国又回到了曾经的那个自行车国度 自行车回来的方式，并不是更多人去购买自行车，而是乘着移动互联网和共享经济的东风，实现了随时随地便捷租赁的共享单车模式。 因此，短时间内规模性扩张的关键则在于，一是足够强的供应链能力，可在短时间内生产或整合更多的自行车，并高效率地投放到城市；二是要有足够强的配套管理能力，能够对投入到街面的自行车进行科学的管理。
60660发布于 2018-04-27 - 来自专栏深度学习入门与实践
【深度学习系列】用PaddlePaddle进行车牌识别（一）
今天给大家带来的项目是用PaddlePaddle进行车牌识别。车牌识别其实属于比较常见的图像识别的项目了，目前也属于比较成熟的应用，大多数老牌厂家能做到准确率99%+。 车牌中包括省份简称、大写英文字母和数字，我们首先定义需要的字符和字典，方便后面使用 1 index = {"京": 0, "沪": 1, "津": 2, "渝": 3, "冀": 4, "晋": 5, "藏": 25, "陕": 26, "甘": 27, "青": 28, "宁": 29, "新": 30, "0": 31, "1": 32, "2": 33, "3": 34, "4": 35, "5" 上图即为生成的车牌数据，有清晰的有模糊的，有比较方正的，也有一些比较倾斜，生成完大量的车牌样张后就可以进行车牌识别了。 下一小节将会讲如何用端对端的CNN进行车牌识别，不需要通过传统的ocr先对字符进行分割处理后再识别。
2.3K100发布于 2018-03-19 - 来自专栏机器学习/数据可视化
基于LSTM模型的自行车需求预测
作者：Peter 编辑：Peter 大家好，我是Peter~ 今天给大家带来一篇新的kaggle数据分析实战案例：基于长短期记忆网络（LSTM）模型的伦敦自行车需求预测分析。 object 数据中没有缺失值： [008i3skNgy1gzebaindxlj30k00e80th.jpg] 字段含义 解释下数据中字段的含义： timestamp：用于将数据分组的时间戳字段 cnt：新自行车份额的计数 按月采样resample pandas中的采样函数使用的是resample，频率可以是天、周、月等 [008i3skNgy1gzec4ev5g5j31o20fiq6l.jpg] 查看随着时间的变化，每月的需求量变化情况 ) [008i3skNly1gzek26p300j30qj0aet8w.jpg] 从1-2-3-4季度来看，非节假日中的整体需求量1和2季度是稍高于0和3季度；而节假日中，0-3季度则存在一定的需求 5、 # 位置选择 plt.show() [008i3skNly1gzekbzgn4xj30qd0aeq3i.jpg] 从上图中观察到： 不同的星期日期，code=1下的需求量都是最大的 礼拜1到礼拜5：
2.1K10编辑于 2022-02-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号