电池机器人自主抓取与分拣的实现
摘要:这个项目把头部相机、YOLOv5、圆柱图像几何、机器人坐标转换、六轴机械臂和灵巧手连接起来,完成同规格直立测试件的识别、接近、抓取、分类投放和返回。升级的关键,是让当前图像决定抓取位置,而不是由槽号选择一组固定坐标。实际开发也暴露了几条容易混淆的边界:检测框不等于抓取点,RGB-D相机不意味着
基于YOLO目标检测的哨兵监控系统项目开发
导语:本文不谈情怀,只讲技术。 记录如何用 Python + React 在 Windows 环境下榨干 USB 摄像头性能,从零手搓一套低延迟、高帧率、带 AI 实时检测的无头后台监控系统。 1. 项目愿景:突破原生限制 市面上有很多开源监控方案,但在 Windows 环境下往往面临启动慢、帧率低
基于卷积神经网络实现 MNIST 手写数字识别项目
用CNN实现MNIST手写数字识别:从模型训练到预测优化 手写数字识别是计算机视觉中最经典的入门任务之一,而 MNIST 数据集则提供了标准化的实验环境。本项目基于卷积神经网络(CNN)实现了一个完整的手写数字识别系统,支持模型训练、评估、单图像预测、批量测试和后处理优化,非常适合深度学习初学者学习
机器学习项目:基于 YOLO11的军用飞机识别
YOLO介绍 YOLO(You Only Look Once)是一种基于深度学习的实时目标检测算法,最早由 Joseph Redmon 等人提出,其主要特点是将目标检测任务转化为一个单一的回归问题,在一次前向传播中同时预测多个边界框和类别概率,因此得名 “只看一次”。这种设计使得YOLO能够实现快速