- 综合排序
- 最热优先
- 最新优先
- 来自专栏数字IC经典电路设计
边沿检测（上升沿检测、下降沿检测、双边沿检测|verilog代码|Testbench|RTL电路图|仿真结果）
快速导航链接如下： 一、边沿检测原理 数字IC边沿检测是指检测数字信号中从高电平到低电平或从低电平到高电平变化的过程，也就是信号的边缘。 边沿检测在许多数字电路和通信系统中都很重要，因为它可以用来同步信号和数据，提取数据时序和时钟信号，并且能够处理数字信号的快速变化。 如何实现边沿检测呢？最直接简单的方法是对信号进行打拍。 （如下图左）、下降沿检测信号（如下图右）以及双边沿检测信号。 、下降沿检测、双边沿检测 Verilog代码 module edge_detector( input clk, input rst_n, input din, output ，就说明检测到了边沿，具体是上升沿还是下降沿可以通过组合逻辑来实现。
9.5K51编辑于 2023-05-24 - 来自专栏FPGA技术江湖
FPGA学习altera 系列 第十四篇 边沿检测设计
项目名称：边沿检测 具体要求：检测输入信号，或者FPGA内部逻辑信号的跳变，即上升沿或者下降沿的检测，当检测到边沿后，发出高脉冲。 由于寄存器可以使信号延时一个时钟周期，我们可以利用这点，来完成信号的边沿检测。 signal：被检测信号 pos_flag：检测出上升沿后发出的高脉冲 neg_flag：检测出下降沿后发出的高脉冲 ? 系统设计： 1. 工程的名称：ckeck_edge。 设计代码如下： /* 模块名称：ckeck_edge 模块功能：检测上升沿或者下降沿，检测到边沿后，发出高脉冲。 检测边沿是用寄存器来完成的，所以脉冲的输出会晚一个时钟输出，在高频率时钟对低频率信号检测中，没有影响。设计正确。如果还是有不明白的读者可以发邮件到我邮箱或者加群询问。 END
73320发布于 2020-12-29 - 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
91520编辑于 2021-12-07 - 来自专栏用户2442861的专栏
openCV—Python(11)—— 图像边缘检测
box-sizing: border-box; padding: 0px 5px;">10
- 11 box-sizing: border-box; padding: 0px 5px;">10
- 11 laplacian边缘检测结果： ? X方向边缘检测结果： ? Y方向边缘检测结果： ? XY方向结合边缘检测结果： ? Canny边缘检测结果： ?
2.1K11发布于 2018-09-19 - 来自专栏贾志刚-OpenCV学堂
YOLO11+OpenVINO 实现药片检测
数据集下载地址： https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip、 数据标签文件配置： YOLO11 模型训练 训练命令行 yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640 PR曲线 部署与量化推理演示 PTQ的量化代码如下： 运行结果如下： 基于OpenVINO2025 C++ SDK部署INT8量化后模型，推理效果如下： OpenVINO + YOLO11药片检测的推理代码如下： std::string > detector(new YOLO11Detector()); detector->initConfig(xmlpath, labelpath, 0.2, 640, 640); cv::Mat image = cv::imread("D:/pills.jpg"); detector->detect(image); cv::imshow("YOLO11药片检测+OpenVINO2025", image);
21210编辑于 2026-04-02 - 来自专栏不二鱼的芯片验证记录
SVA学习|04.边沿敏感$rose、$fell、$stable用法
SVA内嵌了三个检测边沿敏感信号的函数，可以很方便的监测从一个时钟周期到另一个时钟周期，信号的变化。 $rose，表示信号或表达式变为高电平时返回为真。
4K30编辑于 2023-01-08 - 来自专栏剑指工控
通过示例深入理解边沿指令（附验证例程下载）
，也一直悄悄地发生着变化，不同系统的边沿指令，或同一系统的不同边沿指令到底有什么不同呢？ Portal中的边沿指令（S7-1200/1500适用） 总结： 边沿指令都需要暂存被检测信号的状态； 边沿指令暂存被检测信号状态的变量必须是全局变量或静态变量； 边沿指令需要比较被检测信号状态的不同 ； 深入理解 不同编程环境下的边沿指令的 等效示例 示例一：单变量的上升沿检测 1、MicroWin/SMART编程环境 2、Step 7编程环境 3、TIA Portal编程环境 注释 ： Tag_In：被检测信号 Tag_FP：被检测信号的状态存储变量 R_TRIG_DB：指令背景数据块 Tag_M：边沿检测结果 示例二：多变量运算结果的上升沿检测 1、MicroWin/SMART编程环境 ： Tag_In_1：信号1 Tag_In_2：信号2 Tag_In_3：信号3 Tag_FP：逻辑结果状态暂存变量 Tag_FLG：信号逻辑运算结果 R_TRIG_DB：指令背景数据块 Tag_M：边沿检测结果
1.6K30发布于 2021-11-09 - 来自专栏AIoT技术交流、分享
CAN通信边沿缓慢导致通信错误原因分析与优化
在CAN通信系统的故障排查过程中，常常遇到因边沿缓慢而导致的通信错误。 边沿缓慢主要影响CAN网络数据传输的准确性，进而导致网络中的错误帧增多。 结合波形数据观察，发现CAN差分信号的波形边沿十分缓慢，呈现出类似镰刀形状。 这种缓慢的边沿形态，会影响CAN通信中显隐性电平的识别，进而导致通信错误的发生。 图1：差分波形边沿缓慢现象 通过对该波形的分析，发现边沿的上升和下降时间都较长，且波形中不再呈现理想的快速上升和下降。 2、边沿时间测量 通过ZPS的【总线边沿测量】功能，测量了该CAN差分波形的上升和下降时间。 结果显示： 上升时间约为300ns 下降时间约为600ns 图2：差分波形边沿时间测量结果 3、原因排查 边沿缓慢的现象，通常与CAN总线差分电平的充放电过程密切相关。
1.3K10编辑于 2025-02-18 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model bus.jpg 它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹） 训练结果： 可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的 你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？ 从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？
96210编辑于 2025-12-24- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.9K10编辑于 2024-10-10 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing 检测的效果还不错，比上次150张图片训练的准确率要高出不少，天空和树林背景的检测准确率已经很高，不过白色的楼做背景的话，白色的无人机要就检测出来确实比较难。看后面会不会有什么别的好办法。 IOU来看的话还是能看出来一个趋势的，IOU最后基本会稳定在0.8--1的一个水平，从视频上来看，检测框的准确性确实比较一般，不知道还有么有比较好的方法去进一步提高这个精确度，这都再说了，现在就是希望感冒赶紧好起来
2.4K30发布于 2018-12-19 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
13.5K21编辑于 2025-01-13 - 来自专栏云深之无迹
工信部2016379号-11 微弱信号的检测方法
1718篇原创内容 公众号 这是一份来自工信部的文件，《工信部2016379号-11 微弱信号的检测方法》，发布单位：国家无线电监测中心、国家无线电频谱管理中心。 核心术语 术语 定义 信号检测 在噪声干扰中识别目标信号存在性的技术过程 微弱信号 信噪比低于0 dB、埋藏于噪声中的信号 微弱信号检测 通过特定处理方法提升信噪比，以识别有用信号的技术 微弱信号检测的三种主要方法 方法 原理 优点 适用场景 自相关检测 利用信号自身相关性 不需参考信号 自发信号监测 互相关检测 利用参考信号与目标信号相关性 抑制干扰能力强 卫星信号提取 锁定放大法 频谱搬移+低通滤波 抗窄带噪声能力强 微弱调制信号 取样积分法 采样+积分平均 实现简单，适合周期信号 工频干扰抑制场景 相关检测法 自相关检测 利用信号本身的时间相关性与噪声的非相关性进行积分识别。 低通滤波器可显著抑制非同步噪声，提高信号可识别度 https://www.srrc.org.cn/srrc/pdf/%E5%B7%A5%E4%BF%A1%E9%83%A8%E6%97%A02016379%E5%8F%B7-11%
73300编辑于 2025-07-13 - 来自专栏科控自动化
为什么要自己开发SCL上升沿或下降沿指令?
或F_TRIG时，系统会自动生成1个背景DB块，用于存放检测信号的边沿存储位，当程序中有较多信号需要检测上升沿或下降沿时，就会产生多个背景DB块，这样一来，过多的背景DB块不仅仅不便于管理，且会过多占用 1.2 开发检测上升沿指令 为了不产生背景DB块，我们在FC中使用SCL语言进行开发，并引入第三方变量作为检测信号的边沿存储位。 ，编程思想如下： 当 #signal由0变成1时，此时作为边沿存储位的 #thirdVariable仍保留 #singal信号上一周期的状态，#thirdVariable为False，此时满足IF语句， 图10 1.5.2 使用RisingEdgeDetection实现相关工艺功能 使用RisingEdgeDetection指令实现过程，如图11所示。 图11 编译完成后，在程序信息中查看存储区使用情况，如图12所示，工作存储区已被占用3%。 Test_IDB为FB1的背景DB块。
3.6K22编辑于 2022-03-29 - 来自专栏深度学习和计算机视觉
基于yolov11的手语检测 | 附数据集+代码
重磅干货，第一时间送达 YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代，它重新定义了尖端精度、速度和效率的可能性。 主要特点 增强特征提取：YOLO11采用了改进的骨干和颈部架构，增强了特征提取能力，实现了更精确的目标检测和复杂任务的性能。 支持任务范围广泛：无论是目标检测、实例分割、图像分类、姿态估计还是定向目标检测（OBB），YOLO11都旨在应对多样化的计算机视觉挑战。 训练过程 YOLO11模型在此ASL数据集上进行了微调，专门用于手语目标检测。这个训练过程包括： 数据集增强：使用Roboflow通过转换来增强数据集。 结果显示了在实时检测不同ASL标志方面的有希望的结果，证明了YOLO11架构在处理复杂、基于手势的任务方面的有效性。 设置和初始化 访问GPU 我们可以使用nvidia-smi命令来做到这一点。
2.3K11编辑于 2024-12-09 使用纯opencv部署yolov11旋转框目标检测
【官方框架地址】 GitHub - ultralytics/ultralytics: Ultralytics YOLO11 【算法介绍】 YOLOv11是一种先进的对象检测算法，它通过单个神经网络实现了快速的物体检测 其中，旋转框检测是YOLOv11的一项重要特性，它可以有效地检测出不同方向和角度的物体。 旋转框检测的原理是通过预测物体的边界框和旋转角度来实现的。 在YOLOv11中，神经网络不仅预测了物体的边界框位置，还预测了物体的旋转角度。这意味着YOLOv11可以检测出不同方向和角度的物体，而不仅仅是正面的物体。 通过旋转框检测，YOLOv11在处理具有挑战性的物体检测任务时具有更大的灵活性。例如，在处理包含不同方向和角度的物体的图像时，旋转框检测可以提供更准确的检测结果。 此外，由于旋转框检测涉及到多个参数的预测，因此需要更强大的神经网络架构来处理这些参数。 总的来说，YOLOv11的旋转框检测是一种强大的技术，它可以提高物体检测的准确性和灵活性。
36610编辑于 2025-07-22使用纯opencv部署yolov11目标检测onnx模型
yolov11官方框架：https://github.com/ultralytics/ultralytics 【算法介绍】 在C++中使用纯OpenCV部署YOLOv11进行目标检测是一项具有挑战性的任务 将预处理后的图像输入到模型中，并获取检测结果。 对检测结果进行后处理，包括解析输出、应用非极大值抑制（NMS）和绘制边界框。 编译和运行： 使用C++编译器（如g++）编译你的代码。 运行编译后的程序，输入图像或视频，并观察目标检测结果。 /yolo11n.onnx"; Yolov11 detector; video_demo(detector, detect_model_path); } 【视频演示】 C++使用纯opencv部署yolov11 winform最快检测速度，将yolov5-6.2封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，使用C#的winform部署yolov8的onnx
1.8K11编辑于 2025-07-22C# winform部署yolov11目标检测的onnx模型
（3）导出onnx模型：yolo export model=yolo11n.pt format=onnx dynamic=False opset=12 （4）然后将yolo11.onnx模型放进FIRC 原理解析，目标检测领如何快速水一篇论文？ YOLO全系列、DTER模型、R-CNN系列目标检测算法全详解！，一颗CV视觉AI领域的重磅炸弹！仅更改一行代码就让YOLOV11成为了最成熟、效果最好的目标检测模型！，不愧是GitHub大佬！ 深度学习/物体检测，【2024】最全目标检测课程，带你从零开始入门YOLO、R-CNN、Faster-RCNN，小学生都看懂了！ 的tensorrt模型进行目标检测winform最快检测速度，C++使用纯opencv部署yolov9的onnx模型 https://www.bilibili.com/video/BV1ic4jehE4C
1.3K10编辑于 2025-07-22- 来自专栏计算机视觉理论及其实现
11种Anchor-free目标检测综述 -- Keypoint-based篇
早期目标检测研究以anchor-based为主，设定初始anchor，预测anchor的修正值，分为two-stage目标检测与one-stage目标检测，分别以Faster R-CNN和SSD作为代表 Detection类型，以检测目标关键点为主。 ExtremeNet通过检测目标的四个极点进行目标定位，如图1所示。 这篇文章的整体思想与CenterNet(zhou. etc)基本一致，但不是抄袭，因为是同一个会议上的论文，CenterNet主要研究常规的目标检测，而这篇主要研究人脸检测和行人检测。 ，辅助分支能够优化中间特征以及进行联合检测。
1.9K30编辑于 2022-09-02 - 来自专栏菩提树下的杨过
FlashFlex学习笔记(11)：如何检测摄像头是否被占用
原理：摄像头激活后，持续检测与之关联的Video对象是否在播放(即每秒帧数) btnCheck.addEventListener(MouseEvent.CLICK,btnCheckClick); var clearInterval(intervalId); addChild(video);//加载到当前舞台中 } else { if (intelvalTimes>=20) {//持续检测
1.1K60发布于 2018-01-23
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