- 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）
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 1、使用上升沿指令： 2、使用梯形图逻辑： 3、使用SCL语言之一： 4、使用SCL语言之二： 注释： Signal：被检测信号 Signal_FP：被检测信号的状态寄存器变量 Signal_FP_Flg 断电后，CPU重新上电进入RUN状态 S7-200SMART的验证程序： 1、SAMPLE_0 2、SAMPLE_1 3、SAMPLE_2 4、OB1及DB块设置 4、断电保持设置 S7-1200
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。 图3：CAN总线充放电示意图 图4：CAN节点电路 4、优化措施与效果 针对上述问题，优化措施是将CAN节点收发器外围电路中的TVS管去除。
1.3K10编辑于 2025-02-18 - 来自专栏机器学习AI算法工程
火灾火焰检测数据集和yolov4检测模型
开源1个火灾检测数据集(含标注)和预训练模型。 火灾检测数据集图像2059张：包含大火-小火，建筑起火、草原起火、森林起火、车辆(汽车、卡车、摩托车、电动车)起火、白天-黑夜起火等场景； 代码及运行教程，数据集 获取： 关注微信公众号 datayx
3.2K31发布于 2020-11-03 - 来自专栏简书专栏
目标检测第4步-模型测试
《目标检测第2步-数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 《目标检测第3步-模型训练》，链接：https://www.jianshu.com/p 下载测试数据 下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 压缩文件n01440764.tar下载完成后，复制到桌面的文件夹目标检测中 进行到此步，桌面的文件夹目标检测如下图所示： ? image.png 4.下载并运行测试代码 链接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取码: i3wn 代码文件fish_detection.ipynb 下载完成后，复制到桌面的文件夹目标检测中。
1.4K31发布于 2018-12-28 - 来自专栏技术杂记
反作弊如何检测系统仿真（4）
4.png 我们还确认了它正在检查的位是中的系统调用启用位（SCE）IA32_EFER。由于使用了Daax和ajkhoury的博客上发布的EFER的syscall挂钩方法的发布，它会检查此位。 ( NtDeviceIoControlFile ) { OutputBufferLength = 6; InputBufferLength = 4; 结论 在本文中，我们介绍了可用于管理程序的许多不同检测方法。一些有效，其他却不太有效。我们还详细介绍了一些规避记录在案的检测向量的方法，但是实际的实现方式将取决于读者。 在以后的文章中，我们将讨论这两种特殊的防欺诈功能，我们计划更深入地研究它们的硬件指纹识别，报告和检测程序。 我们希望您喜欢阅读有关如何利用虚拟化平台中的各种错误来检测自省引擎的信息，以及通过这些检查的方法。
2.1K140发布于 2021-01-05 - 来自专栏AI算法札记
目标检测4: Detection基础之mAP
4. mAP计算示例 下面通过示例来解释插值AP。 下图有7张图像，其中15个GT目标用绿色框表示，24个检测到的物体由红色框表示。每个检测到的物体由字母（A，B，... 在一些图像中，存在多于一个与同一个ground truth重叠的检测结果（图像2,3,4,5,6和7）。对于这些情况，选择具有最高IOU的检测框，丢弃其他框。 （A1，A2，A3和A4）： 计算总面积，即可得到AP： 两种不同插值方法之间的结果略有不同：分别通过每点插值和11点插值分别为24.56％和26.84％。 # 按置信度取不同数量检测结果时的累计fp和tp # np.cumsum([1, 2, 3, 4]) -> [1, 3, 6, 10] # 参考资料 [1] 目标检测中的mAP是什么含义 [2] Object-Detection-Metrics [3] 目标检测mAP计算方式 [4] 目标检测评价标准-AP mAP [5] 目标检测模型的评估指标
1.5K30编辑于 2022-08-02 - 来自专栏前端Q
4种Javascript类型检测的方式
今天这篇文章，主要介绍了JavaScript中检测数据类型的4种方式。如果已经会了的可以当成复习，如果还不了解的话，可以认真看看，并加以运用。 1、typeof 主要用于判断基本数据类型 。 'string' ：字符串类型的变量或值 4. 'number'：数字类型的变量或值 5. 所有函数 instanceof Function 都会返回 true 总结： instanceof不仅能检测构造对象的构造器，还检测原型链。 Array.isArray(new Array); // --> true //4. 4、Object.prototype.toString.call() 判断某个对象值属于哪种内置类型, 最靠谱的做法就是通过Object.prototype.toString方法。
1.2K10编辑于 2022-04-08 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
作者：Edison_G 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。 一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 目前目标检测任务主要针对不同的应用场景选择合适的检测算法：单阶段算法检测速度最快，但准确率较低；两阶段和多阶段检测算法可以获得更高的检测精度，但以牺牲检测速度为代价。 二、概要 今天分享的框架，新的方法基于YOLOv4。 高层特征的语义信息首先通过FPN采样传播到低层网络，然后与底层特征的高分辨率信息融合，以提高小目标检测对象的检测效果。 输入特征图经过一个卷积层后，经过5×5、9×9、13×13三个核进行最大池化， 然后concat得到的特征图进行通道拼接，输出通道数变成原来通道数的4倍，特征图大小保持不变。
1.5K20编辑于 2022-01-26 - 来自专栏全栈程序员必看
基于yolov4的目标检测_yolov3目标检测
├── detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。 ├── train.py：训练自己的数据集的函数。 ├── test.py：测试训练的结果的函数。 通过如下的图可以获得权重的名字和大小信息，可以预料的到，预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。 3训练自己的模型 3.1修改数据配置文件 预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。 ，我这里是识别安全帽和人，所以这里填写2；最后箭头4中填写需要识别的类别的名字（必须是英文，否则会乱码识别不出来）。 tensorboard --logdir=runs 4 推理测试 等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件
63520编辑于 2022-11-03 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】边缘检测原理
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 , result3); //整幅图像的边缘 result6 = result2 + result3; //检测由左上到右下方向边缘 filter2D(img, result4, CV_ 16S, kernelXY); convertScaleAbs(result4, result4); //检测由右上到左下方向边缘 filter2D(img, result5, CV_16S ("result2", result2); imshow("result3", result3); imshow("result4", result4); imshow("result5",
96840发布于 2020-02-10 - 来自专栏智能算法
目标检测算法YOLOv4详解
YOLOv4是精度速度最优平衡, 各种调优手段是真香，本文主要从以下几个方面进行阐述： YOLOv4介绍 YOLOv4框架原理 BackBone训练策略 BackBone推理策略 检测头训练策略 检测头推理策略 框架原理 我们主要从通用框架，CSPDarknet53，SPP结构，PAN结构和检测头YOLOv3出发，来一起学习了解下YOLOv4框架原理。 2.5 检测头YOLOv3 对于检测头部分，YOLOv4继续采用YOLOv3算法的检测头，不再赘述。 区别在于Mosaic是一种将4张训练图像合并成一张进行训练的数据增强方法(而不是CutMix中的2张)。这增强了对正常背景(context)之外的对象的检测，丰富检测物体的背景。 本文从YOLOv4介绍，YOLOv4框架原理，BackBone训练策略，BackBone推理策略，检测头训练策略，检测头推理策略这几个大方面进行详细的阐述了YOLOv4中所用到的各种策略，希望对大家有所帮助
17.1K34发布于 2020-11-17 - 来自专栏全栈程序员必看
睿智的目标检测29——Keras搭建YoloV4目标检测平台
睿智的目标检测29——Keras搭建YoloV4目标检测平台 学习前言 什么是YOLOV4 代码下载 YOLOV4改进的部分（不完全） YOLOV4结构解析 1、主干特征提取网络Backbone 2、特征金字塔 什么是YOLOV4 YOLOV4是YOLOV3的改进版，在YOLOV3的基础上结合了非常多的小Tricks。 尽管没有目标检测上革命性的改变，但是YOLOV4依然很好的结合了速度与精度。 YOLOV4整体上的检测思路和YOLOV3相比相差并不大，都是使用三个特征层进行分类与回归预测。 请注意！ _output]) 3、YoloHead利用获得到的特征进行预测 当输入是416×416时，特征结构如下： 当输入是608×608时，特征结构如下： 1、在特征利用部分，YoloV4提取多特征层进行目标检测 classes_path指向检测类别所对应的txt。 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
97530编辑于 2022-09-12 - 来自专栏GiantPandaCV
INT4量化用于目标检测
Int 4量化用于目标检测 【GiantPandaCV】文章2019 CVPR，讲的是Int 4量化用于目标检测，主要是工程化的一些trick。 感受：这篇文章主要是做了实践工作，可以看作是低bit量化(Int 4)用于目标检测的一些trick。 Quantization and training of neural networks for efficient integer-arithmetic-only inference》简称IAO 量化用于目标检测有以下困难 并且让activation在[，] (0 < < 1) 内，文章设置n=20，=0.999. 4、折叠bn。 Int4量化与全精度对比 ? 消融实验 ? FreezeBN与不同bit的对比 ? 截断激活函数阈值的百分比 ? 与其他量化方法的对比图
1.4K20发布于 2021-03-24 - 来自专栏python开发者
【CCD图像检测】4：图像的简单校正
CCD图像检测<四> 作者：一点一滴的Beer 指导教师：Chen Zheng 单位：WHU 五、 图像的校正。 5.1.纵向校正 5.1.1纵向理论校正。
1.4K30编辑于 2022-05-10 - 来自专栏AI生活
AI热成像体温检测系统上线，一秒可检测4人
当人员经过系统检测点时，无需停留，系统便会自动检测体温并反馈到显示屏上，测温精度达到±0．3℃。 根据介绍，这套系统还能够与传统的温枪结合，当发现异常体温时，系统将会自动发出告警，工作人员将再通过额温枪对人成像初筛结果进行二次检测，从而做到精准核验。
1.5K30发布于 2020-02-20 - 来自专栏厚积薄发
深度剖析目标检测算法YOLOV4
深度剖析目标检测算法YOLOV4 目录 简述 yolo 的发展历程 介绍 yolov3 算法原理 介绍 yolov4 算法原理（相比于 yolov3，有哪些改进点） YOLOV4 源代码日志解读 采用卷积神经的目标检测算法大致可以分为两个流派，一类是以 R-CNN 为代表的 two-stage，另一类是以 YOLO 为代表的 one-stage， R-CNN 系列的原理：通过 ROI 提取出大约 经过一系列的优化与改进，特别是今年 4 月份推出的 YOLOV4，使得它在准确度方面得到了大幅度的提升，另外，它还能达到实时检测（在 GPU 加持的情况下）。 它的 Star 达到 13400，可以说，知名度不是一般的高，在目标检测领域，好像只有 YOLOV3 超过它了，达到了 19000 ，是不是值得大家花点时间精力去探索一下呢 ？ 网格化就有三种情况：19 * 19，38 * 38，76 * 76，那么是不是 19 * 19 网格化后 的小方格的宽和高要比其他两种要大，这也就意味着它的感受视野是最大的，所以它就能检测出大对象
3.2K10发布于 2020-12-14 - 来自专栏Python编程和深度学习
目标检测系列之五（YOLO V4）
目标检测系列之五（YOLO V4） 论文题目《YOLOv4: Optimal Speed and Accuracy of Object Detection》 论文地址：https://arxiv.org of BoF and BoS3.3 Additional improvement3.4 YOLOv44 Experiment and Result5 实现版本 1 Introduction YOLO V4建立了一个更高效更强大的目标检测模型 3） 改进SAM、PAN和Cross-mini-Batch Normalization使训练更高效 Mosaic可以同时融合4张图像进行数据增强，可以增强目标检测器的检测能力，减少对mini-batch 3.4 YOLOv4 这部分介绍了YOLOv4的细节构成。 不同目标检测器的速度和准确性对比结果，YOLOv4位于P-are最优曲线上，在速度和精度方面都优于最快和最精确的检测。 ?
2K10发布于 2020-05-25
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