正文 

当前位置： 首页 > java > java教程

2022年ti杯大学生电子设计竞赛具有自动泊车功能的电动车（b题）——小车视觉神经网络模型压缩的解决办法（流媒体嵌入式端）(代码片段)

zhaohaobingSUI zhaohaobingSUI     2022-10-25     403

关键词：

2022 年 TI 杯大学生电子设计竞赛具有自动泊车功能的电动车（B 题）——小车视觉神经网络模型压缩的解决办法（流媒体、嵌入式端）

  • 1 开发环境的创建
    • 1.1 Conda简介
    • 1.2 miniconda
    • 1.3 conda操作
  • 2 多媒体数据收集和标注
    • 2.1 多媒体数据下载
    • 2.2 数据标注方法
    • 2.3 网上常用的数据集
  • 3 流媒体服务器搭建和访问
    • 3.1 视频推流
    • 3.2 用opencv打开rtsp视频流
  • 4 目标检测分类算法
    • 4.1 软件安装
    • 4.2 利用yolov4训练新的数据集
  • 5 模型部署
    • 5.1 flask API
    • 5.2 onnx
    • 5.3 ncnn在嵌入式平台使用

1 开发环境的创建

1.1 Conda简介

Conda是一个包管理器，Anaconda是一个发行包。Anaconda是一个打包的
集合器皿，里面预装好了conda、某个版本的python、众多packages、科学计
算工具等等，所以也称为Python的一种发行版。也可以理解：conda是包的管
理，可以安装包（conda install samtools），删除环境，查找等用法。
除了Conda之外，Python的包管理工具还有Miniconda，顾名思义，它只包
含最基本的内容——python与conda，以及相关的必须依赖项。

1.2 miniconda

百度搜索conda清华， 进入anaconda镜像站，找到miniconda后安装，网
址如下。
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
找到相对应的版本并下载。

下载之后，安装过程如下图。

点击next继续，一直下一步。修改安装路径。

最后完成安装。

安装完成后，会发现菜单多出Prompt命令窗口，直接打开。在这个命令窗
口里面是可以直接使用conda的，但cmd窗口使用conda会找不到命令，需要手
动添加环境变量到path。


1.3 conda操作

#获取版本号

conda --version 或 conda -V

#检查更新当前conda
conda update conda

#查看当前存在哪些虚拟环境
conda env list 或 conda info -e

#查看--安装--更新--删除包
conda list：
conda search package_name# 查询包
conda install package_name
conda install package_name=1.5.
conda update package_name
conda remove package_name

#创建名为your_env_name的环境
conda create --name your_env_name

#创建制定python版本的环境
conda create --name your_env_name python=2.
conda create --name your_env_name python=3.

#创建包含某些包（如numpy，scipy）的环境
conda create --name your_env_name numpy scipy

#创建指定python版本下包含某些包的环境
conda create --name your_env_name python=3.6 numpy scipy

2 多媒体数据收集和标注

2.1 多媒体数据下载

多媒体数据的收集可以通过百度搜索引擎进行图片下载，具体的工具使用方法如下：

首先，下载软件：https://www.crsky.com/soft/247901.html，下载完解压即可，
打开exe程序，如下：

接着出现如下界面。使用前需要先登录微信，然后选择图片保存位置，在“搜索”中输入需要查找的图片名称，在“数量”中填入需要的数量，点击“下载”

即可，如下：

查看保存图片的文件夹，图片保存成功，如下：

2.2 数据标注方法

下面介绍对数据集的标注方法，在目标检测的实验中，若数据集本身没有标注，则该步骤必不可少，若本身已存在标注，则可忽略此步骤。（环境：Windows

  • Anaconda）
    在该步骤中我们选择了 LabelImg 工具，下载地址为：
    https://pypi.org/project/labelImg/#files，如下图：
下载以后解压，得到如下文件（图中的保存路径为D:\\labelmg\\labelImg-1.8.6）：

再找到Anaconda Prompt面板并打开，如下图所示：

在该面板中输入上述的保存路径，格式为: cd /d +保存路径，如下图所示：

再依次按照下图输入命令，如下：

上述最后的命令输入后，即在 Anaconda Prompt 面板中输入 python
labelImg.py后，labellmg工具打开，界面如下：

点击 Open Dir 选择影像图片文件夹之后，图片便加载进来了，点击左侧
Create RectBox，就可以在图像上绘制矩形框了，即进行数据标注操作。矩形框
绘制结束后，会弹出一个框，选择你要标记的类别，如果列表里面没有这个类别，
可以在方框中输入，最后点击OK，如下新建了类别fire:

每张图片标注后，需要点击save才算保存，之后，点击next image进入下
一张图片标注，最终每张图片标注的结果将保存在xml文件中，xml文件和图片
名称一致，大致格式如下图所示：

所有图片标注完之后，数据集标注工作结束。

2.3 网上常用的数据集

目前，网上有许多开源的数据集（人脸，安全帽，交通标志，火灾，蔬菜，
车牌），下面列出比较常用的数据集，如下表所示：


3 流媒体服务器搭建和访问

3.1 视频推流

VLC播放器下载地址：http://www.videolan.org/，按下图步骤安装好VLC播
放器：

打开VLC播放器，点击媒体，点击流，如下：

点击添加，添加想要串流的本地文件，如下所示：

接着点击下一步，如下：

下拉框中选择RTSP，并点击添加，如下：

点击添加之后，端口是默认的，路径可以自己选择（路径需要记住），并点击下一个，如下：

这里需要注意，激活转码不需要勾选，同时配置文件选择如下图，并点击下一个：

点击流，如下：

上述完成之后，视频成功发布，发布之后的VLC如下图所示：

验证视频是否发布成功，可以另外再启动一个VLC Media Player界面，如下
图选择：

之后，输入：rstp://+本地ip 地址+:+端口号/+路径，例：
rtsp://114.213.210.112:8554/vlc，如下图所示：

确认播放之后就可以看到视频了（需要注意视频时长，确保第一个VLC界面

的视频还在推送过程中），如下图：

3.2 用opencv打开rtsp视频流

在python的环境下利用opencv打开rtsp视频流，这里提供一个公共rtsp
视频流地址来作为一个例子，如下：
rtsp://wowzaec2demo.streamlock.net/vod/mp4:BigBuckBunny_115k.mov

代码如下所示：

#引入库
import cv2
cap =
cv2.VideoCapture("rtsp://wowzaec2demo.streamlock.net/vod/mp4:BigBuckBunny_115k.mov")
ret, frame = cap.read()
while ret:
ret, frame = cap.read()
cv2.imshow("frame",frame)
#点击"q"键直接终止播放
#参数 1 表示延时1ms切换到下一帧
if cv2.waitKey(1) & 0xFF == ord('q'):
break
#退出播放界面
cv2.destroyAllWindows()
cap.release()

运行之后可以得到播放界面，如下所示：

点击“q”键可以随时退出播放界面。

4 目标检测分类算法

4.1 软件安装

以yolov4为例，打开https://github.com/AlexeyAB/darknet这个教程，将这个
项目下载到本地文件。接下来需要下载一下：

  • Opencv: OpenCV >= 2.4: https://opencv.org/releases.html
  • 安装完成后，添加环境变量：右击此电脑-属性-高级系统设置-环境变
    量，找到系统变量中的path（找到自己的安装目录相对应的文件位置）：
    C:\\Program Files\\opencv\\build\\x64\\vc15\\bin
  • C :\\Program Files\\opencv\\build\\x64\\vc14\\bin
    添加完成后，建议重启下，保证环境变量生效。
  • CMake >= 3.12: https://cmake.org/download/
  • Visual Studio 2019 https://visualstudio.microsoft.com/zh-hans/than
    k-you-downloading-visual-studio/?sku=Community

一直下一步，选择如上图，同时选择自己要安装的位置并安装。

安装配置完成后，打开cmake:
1 ：导入之前下载好的github项目
2 ， 3 ：configure 选择vs2019，x64
4: 完成后开始编译

采用cpu运行，configure报错后，选择将ENABLE_CUDA取消（后面的方
框取消√）。

如果报错找不到对应的opencv文件，可以手动指定路径。


  1. 显示congifure done后，点击generate
  2. generate done后，点击open project就会自动打开vs2019
  3. 选择release,x64,点击生成解决方案。


  1. 生成完成后，在原项目文件中就会出现一个release文件夹，里面有dark
    net.exe文件，此时直接运行时失败的。

8.下载YOLOV4权重文件

链接：https://pan.baidu.com/s/1ZNK7FbqC2TlVKukQFqGYSw
提取码：g0ju

将权重文件和对 7 中的exe文件复制到D:\\download\\darknet-master\\build\\d
arknet\\x64目录中。

  1. 在命令提示窗口输入 cd /d D:\\download\\darknet-master\\build\\darknet\\x64
    接下来输入 darknet.exe detect cfg\\yolov4.cfg yolov4.weights data\\dog.jpg
输入完成后进行作者项目中的dog.jpg的目标检测。

4.2 利用yolov4训练新的数据集

1 、Yolov4预训练模型yolov4.conv.137下载地址：https://pan.baidu.com/s/1k
wAwefd3absOrZSTAGnbhQ，提取码：x3gz，放在在build/darknet/x64/下目录下。
2 、创建配置文件：放在darknet-master/cfg/下，创建yolo-obj_fre.cfg（复制
cfg/yolov4-custom.cfg文件并重命名即可），但需要在几个地方修改，如下所示：

  1. batch=8 #依据你电脑的显存大小而定，尽量设大
    一点
  2. subdivisions=64 # 看情况而定
  3. max_batches=2000 #classes*2000
  4. steps=1600， 1800 #max_batches0.8,max_batches0.9
  5. 修改 3 个[yolo]下classes=1 #你要训练的类别数
  6. 修改 2 个[yolo]上面filters=18 #filters=(classes + 5)x3，注意只修改每个[y
    olo]上面最后一个conv的filters

创建fre.names文件，其中每一行写上一个你要训练的一个类别，如下：


3 、在build\\darknet\\x64\\data\\下，创建fre.data文件，文件格式为：
⚫ classes= 1
⚫ train = build/darknet/x64/data/train.txt # 这个下面说，train.txt
里面存放着训练图片的存放路径
⚫ valid = build/darknet/x64/data/test.txt #
⚫ names = build/darknet/x64/data/fre.names # 创建的fre.names
⚫ backup = backup/ #权重存在在backup文件中

4 、再处理自己的数据集（jpg文件+xml文件），将jpg文件放在./build/dar
knet/x64/data/obj中，将xml文件放在./build/darknet/x64/data/train_label，接下
来需要将xml文件转化为yolov4需要的txt文件，代码如下：

import os
import argparse
import xml.etree.ElementTree as ET
import glob
def xml_to_txt(data_path,anno_path,path,use_difficult_bbox=False):
 classes = ['am','fm','gsm','qpsk']
28
 image_inds = file_name(data_path+"train_label/") #遍历 xml 文件
 with open(anno_path, 'a') as f:
 for image_ind in image_inds:
 img_txt = data_path + 'obj/'+ image_ind + '.txt'
 img_txt_file = open(img_txt, 'w')
 image_path = os.path.join(data_path, 'obj/', image_ind + '.jpg') 
 label_path = os.path.join(data_path, 'train_label', image_ind +'.xml')
 root = ET.parse(label_path).getroot()
 objects_size = root.findall('size')
 image_width = int(objects_size[0].find('width').text)
 image_height = int(objects_size[0].find('height').text)
 objects = root.findall('object')
 for obj in objects:
 difficult = obj.find('difficult').text.strip()
 if (not use_difficult_bbox) and(int(difficult) == 1):
 continue
 bbox = obj.find('bndbox')
 class_ind = str(classes.index(obj.find('name').text.lower().strip()))
 xmin = int(bbox.find('xmin').text.strip())
 xmax = int(bbox.find('xmax').text.strip())
 ymin = int(bbox.find('ymin').text.strip())
 ymax = int(bbox.find('ymax').text.strip())
 x_center = str((xmin + xmax)/(2*image_width))
 y_center = str((ymin + ymax)/(2*image_height))
 width_ = str((xmax - xmin)/(image_width))
 height_ = str((ymax - ymin)/(image_height))
 
 class_ind += ' ' + ','.join([x_center+' '+y_center+' '+width_+' '+height_])
 img_txt_file.write(class_ind + "\\n") 
 f.write(image_path + "\\n")
def file_name(file_dir):
 L = []
 for root, dirs, files in os.walk(file_dir):
 for file in files:
 if os.path.splitext(file)[1] == '.xml':
 L.append(file.split(".")[0])
 return L
if __name__ == '__main__': 
 num1 = 
xml_to_txt('./build/darknet/x64/data/','./build/darknet/x64/data/train.txt','train')
 # num2 = convert_voc_annotation('./data/', './data/test.txt', False)
print('done')

5 、运行完上述代码，可以在./build/darknet/x64/data/下生成 train.txt 文件
（里面保存训练图片文件的路径），在./build/darknet/x64/data/obj/ 下生成 img.
txt（每一张图片对应的txt文件，与jpg文件放在一起），同时test.txt可以直接
复制train.txt，两者可相同。
6 、接着训练模型，本例子中将上述的文件以及darknet.exe全部复制到了根
目录darknet-master中，进入该目录下，输入darknet.exe detector train fre.dat
a cfg/yolo-obj_fre.cfg yolov4.conv.137即可训练模型，最终的权重均保存在darkn
et-master/backup中。

5 模型部署

5.1 flask API

Flask是一个基于Python开发的微型web框架，使用Flask实现简单的 api，
形成特定网页，过程如下所示：

首先需要利用pip安装flask（python环境下），如下：

接着用简单代码测试一下，代码如下：

from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello():
return 'hello,world'
if __name__ == "__main__":
app.run()

运行之后，出现了一个网址，http://127.0.0.1:5000/，如下：

在浏览器中打开，可以看见效果，如下：

5.2 onnx

⚫ 模型转化成onnx

首先需要利用pip安装onnx库，如下：

利用darknet2onnx.py文件将darknet模型转化为onnx模型，下载地址为：
https://hub.fastgit.org/Tianxiaomo/pytorch-YOLOv4，运行tool/darknet2onnx.py文
件，注意：cfgfile（darknet的cfg文件路径）、weightfile（darknet的weight文
件路径）需要补充，修改如下：

运行该文件以后，可以将darknet模型转为ONNX模型（本例子是在jupyter
notebook中运行的），结果如下，转化成功：

⚫ Onnx模型与flask的结合
这部分主要针对onnx模型在flask上的部署，即实现在网页上上传图片，然
后网页上显示目标识别后的结果。（利用pycharm）
首先在pycharm中创建一个新的flask project，如下：

而后将https://hub.fastgit.org/Tianxiaomo/pytorch-YOLOv4中的文件tool和
data导入，将上述步骤中生成的onnx模型导入，再在static下新建一个目录images，

用来存放待检测的图片test.jpg。在templates下新建了一个upload.html文件，
用来定义网页的页面。该project的文件总目录如下：

<!DOCTYPE html>
<html lang="en">
<head>
 <meta charset="UTF-8">
 <title>Flask 上传图片</title>
</head>
<body>
 <h1>使用 Flask 上传本地图片并显示</h1>
 <form action="" enctype='multipart/form-data' method='POST'>
 <input type="file" name="file" style="margin-top:20px;"/>
 <br>
 <input type="submit" value=" 上 传 " class="button-new" 
style="margin-top:15px;"/>
 </form>
</body>
</html>

app.py 文件代码如下：



# coding:utf-8
from flask import Flask, render_template, request, redirect, url_for, make_response, jsonify
from datetime import timedelta
34
import os
import time
# 设置允许的文件格式
ALLOWED_EXTENSIONS = set(['png', 'jpg', 'JPG', 'PNG', 'bmp'])
import cv2
import onnxruntime
from tool.utils import *
def allowed_file(filename):
 return '.' in filename and filename.rsplit('.', 1)[1] in ALLOWED_EXTENSIONS
# 改写，只有检测部分
def test(onnx, image_path):
 # onnx 模型的推理
 session = onnxruntime.InferenceSession(onnx)
 # session = onnx.load(onnx_path)
 print("The model expects input shape: ", session.get_inputs()[0].shape)
 image_src = cv2.imread(image_path)
 # 检测
 detect(session, image_src)
def detect(session, image_src):
 # 1*3*高*宽
 IN_IMAGE_H = session.get_inputs()[0].shape[2]
 IN_IMAGE_W = session.get_inputs()[0].shape[3]
 # Input,数据预处理
 resized = cv2.resize(image_src, (IN_IMAGE_W, IN_IMAGE_H), 
interpolation=cv2.INTER_LINEAR)
 img_in = cv2.cvtColor(resized, cv2.COLOR_BGR2RGB)
 img_in = np.transpose(img_in, (2, 0, 1)).astype(np.float32)
 img_in = np.expand_dims(img_in, axis=0)
 img_in /= 255.0
 print("Shape of the network input: ", img_in.shape)
 # Compute
 input_name = session.get_inputs()[0].name
 outputs = session.run(None, input_name: img_in)
 boxes = post_processing(img_in, 0.4, 0.6, outputs)
 num_classes = 80
35
 if num_classes == 20:
 namesfile = 'data/voc.names'
 elif num_classes == 80:
 namesfile = 'data/coco.names'
 else:
 namesfile = 'data/names'
 class_names = load_class_names(namesfile)
 plot_boxes_cv2(image_src, boxes[0], savename='prediction_onnx.jpg', 
class_names=class_names)
#创建实例
app = Flask(__name__)
# 设置静态文件缓存过期时间
app.send_file_max_age_default = timedelta(seconds=1)
onnx="yolov4_1_3_608_608_static.onnx"
@app.route('/upload', methods=['POST', 'GET']) # 添加路由,访问的网址
def upload():
 #方法的使用模式
 if request.method == 'POST':
 #原先 file 的控件名
 f = request.files['file']
 if not (f and allowed_file(f.filename)):
 return jsonify("error": 1001, "msg": "only png\\PNG\\jpg\\JPG\\Bmp")
 #获取表单数据
 user_input = request.form.get("name")
 basepath = os.path.dirname(__file__) # 当前文件所在路径
 upload_path = os.path.join(basepath, 'static/images', 'test.jpg') #以 test 的名称
存放
 f.save(upload_path)
 #检测
 test(onnx, upload_path)
 image_data = open('prediction_onnx.jpg', "rb").read()
 response = make_response(image_data)
 response.headers['Content-Type'] = 'image/png'
 return response
 return render_template('upload.html')
36
if __name__ == '__main__':
 #host 表示共享访问
app.run(host='0.0.0.0',port=8987, debug=True)

其中，上传的图片我们用test.jpg文件名保存，检测后得到的图片结果用
prediction_onnx.jpg来保存，run该项目，会生成一个网址如下：

点击该网址，会出现如下情况：

我们需要在该网址后添加规定的路由upload，再访问，得到如下网页页面：

选择我们待检测的图片，并点击上传，会显示结果，如下：


此时该project的总文件目录如下：

除flask之外，可视化界面还可以用Gradio编写。Gradio是MIT的开源项目，
使用gradio只需在原有的代码中增加几行，就能自动化生成交互式web页面，
并支持多种输入输出格式。同时还支持生成能外部网络访问的链接，能够迅速让
他人体验你的算法。下面以最简单的图像灰度化为例，展示gradio进行界面编写
的过程。
使用之前，需要进行gradio的安装。
pip install gradio
然后，创建一个简单py文件，代码如下：

import gradio as gr
import cv2

def to_black(image):
output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
return output

interface = gr.Interface(fn=to_black, inputs="image", outputs="image")
interface.launch(share=True)

gr.Interface有三个参数，第一个为处理函数，第二个为函数的输入，第三个
为输出。更多的用法，请参考https://gradio.app/docs/.

5.3 ncnn在嵌入式平台使用

下载并安装protobuf-3.4.0
1 、下载地址：https://pan.baidu.com/s/1fRV1OpJsUXscUNlC4uvUMA 提取
码：bt4q
2 、下载后解压
3 、打开VS2019的X64命令行（注意不是cmd）

4 、在VS2019的X64命令行下执行以下命令

cd <protobuf-root-dir>
mkdir build-vs2019
cd build-vs2019
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release
  • DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF
  • Dprotobuf_MSVC_STATIC_RUNTIME=OFF …/cmake
    nmake
nmake install
注：<protobuf-root-dir> 为你刚刚解压的protobuf-3.4.0文件夹的根目录。


输入nmake后，继续输入nmake install就完成了

5 、成功后会产生build-vs2019文件夹以及该文件夹下的若干文件夹及文件

构建ncnn的library
1 、ncnn下载地址：https://github.com/Tencent/ncnn （官网）
2 、git clone该项目，或者直接下载压缩包
3 、打开VS2019的X64命令行（进入到ncnn根目录下）执行以下语句
注意：cmake -G…这条命令有三个需要换成之前安装
protobuf-3.4.0的根目录

cd
mkdir -p build-vs2019
cd build-vs2019
cmake - G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_I
NSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=/build-v
s2019/install/include -DProtobuf_LIBRARIES=/build-vs2019/insta
ll/lib/libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=/build-vs
2019/install/bin/protoc.exe -DNCNN_VULKAN=OFF …
nmake
nmake install

例 如 我 的 ncnn 安 装 目 录 是 D:\\ncnn-master，opencv 安装目录
是:/opencv/opencv，所以我的第四条命令如下
cmake -G"NMake Makefiles" ^-DCMAKE_BUILD_TYPE=Release -DCMAKE_IN
STALL_PREFIX=%cd%/install ^

  • DProtobuf_INCLUDE_DIR=D:/protobuf-3.4.0/build-vs2019/install/include ^
  • DProtobuf_LIBRARIES=D:/protobuf-3.4.0/build-vs2019/install/lib/libprotobuf.lib ^
  • DProtobuf_PROTOC_EXECUTABLE=D:/protobuf-3.4.0/build-vs2019/install/bin/protoc.exe ^ …
  • DNCNN_VULKAN=OFF … ^-DOpenCV_DIR=D:/opencv/opencv/build …

后 续 过 程 和 protobuf 一 样 ， 在 译 后 ， 在 目 录
ncnn-master/build-vs2019/tools/onnx下，有onnx2ncnn这个可执行文件，这个
文件是将模型onnx转化为ncnn模型。在ncnn-master/build-vs2019/tools/caffe
文件夹下有 caffe2ncnn 这个可执行文件，是将 caffe 模型转为 ncnn，在
nncnn-master/build-vs2019/tools 下有一个 ncnn2mem 这个文件用来将 ncnn
模型进行加密的。onnx转化为ncnn模型时，我们需要使用的是onnx2ncnn这
个可执行文件。

在将onnx转换为ncnn模型前，我们需要简化onnx模型，以免出现不可

编译的情况
首先，安装onnx-smiplifier
pip install onnx-simplifier
然后简化onnx模型
python -m onnxsim yolov4.onnx yolov4-sim.onnx

onnx转换为ncnn，首先将yolov-sim.onnx模型复制粘贴到ncnn-master
/build-vs2019/tools/onnx，在这个界面打开终端输入：
./onnx2ncnn yolov4-sim.onnx yolov4-sim.param yolov4-sim.bin

最后得到的parm和bin文件即是ncnn所需要的模型，其中param存放

的是模型结构，bin存放的是类似卷积这些op的权重文件。

坡道行驶电动小车（c题）--2020年ti杯大学生电子设计竞赛

坡道行驶电动小车（C题）–2020年TI杯大学生电子设计竞赛文章目录坡道行驶电动小车（C题）--2020年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务利用TI的MSP430/MSP432平台，设计制作一个四轮电动小车。... 查看详情

2014年ti杯大学生电子设计竞赛题，怎么看

参考技术A什么叫怎么看 查看详情

d题：手势识别装置--2018年ti杯大学生电子设计竞赛

D题：手势识别装置–2018年TI杯大学生电子设计竞赛文章目录D题：手势识别装置--2018年TI杯大学生电子设计竞赛1．任务2．要求3．说明1．任务基于TI公司传感芯片FDC2214设计制作一个手势识别装置，实现... 查看详情

f题：无线话筒扩音系统（本科）--2018年ti杯大学生电子设计竞赛

F题：无线话筒扩音系统（本科）--2018年TI杯大学生电子设计竞赛文章目录F题：无线话筒扩音系统（本科）--2018年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务设计制作一个短距无线话筒扩音系统&#... 查看详情

2014年湖北省ti杯大学生电子设计竞赛论文格式

    2014年湖北省TI杯大学生电子设计竞赛  B题：金属物体探測定位器（本科）                     &n 查看详情

c题：无线充电电动小车（本科）--2018年ti杯大学生电子设计竞赛

C题：无线充电电动小车（本科）–2018年TI杯大学生电子设计竞赛文章目录C题：无线充电电动小车（本科）--2018年TI杯大学生电子设计竞赛1、任务2、要求3．说明1、任务设计并制作一个无线充电电动车&#... 查看详情

绕障飞行器（d题）--2020年ti杯大学生电子设计竞赛

绕障飞行器（D题）–2020年TI杯大学生电子设计竞赛文章目录绕障飞行器（D题）--2020年TI杯大学生电子设计竞赛1、任务2、要求三、说明3.1、杆塔说明3.2、飞行器要求：3.3、测试场地说明3.4、测试流程说明1、任... 查看详情

b题：灭火飞行器（本科）--2018年ti杯大学生电子设计竞赛

B题：灭火飞行器（本科）--2018年TI杯大学生电子设计竞赛文章目录B题：灭火飞行器（本科）--2018年TI杯大学生电子设计竞赛1、任务2、要求3．说明1、任务基于四旋翼飞行器设计一个灭火飞行器（简... 查看详情

h题：简易功率测量装置（高职高专）--2018年ti杯大学生电子设计竞赛

...：简易功率测量装置（高职高专）--2018年TI杯大学生电子设计竞赛文章目录H题：简易功率测量装置（高职高专）--2018年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务利用TI的MSP430F5529设计并制作一... 查看详情

a题：电流信号检测装置（本科）--2018年ti杯大学生电子设计竞赛

A题：电流信号检测装置（本科）--2018年TI杯大学生电子设计竞赛文章目录A题：电流信号检测装置（本科）--2018年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务如图1所示，由任意波信号发生器... 查看详情

单相在线式不间断电源（b题）--2020年ti杯大学生电子设计竞赛

单相在线式不间断电源（B题）–2020年TI杯大学生电子设计竞赛文章目录单相在线式不间断电源（B题）--2020年TI杯大学生电子设计竞赛1、任务2、要求3、说明4、加油，冲冲冲1、任务设计并制作交流正弦波在线... 查看详情

g题：简易数字信号时序分析装置（高职高专）--2018年ti杯大学生电子设计竞赛

...数字信号时序分析装置（高职高专）–2018年TI杯大学生电子设计竞赛文章目录G题：简易数字信号时序分析装置（高职高专）--2018年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务设计一个数字信号时序... 查看详情

简易无接触温度测量与身份识别装置（f题）--2020年ti杯大学生电子设计竞赛

...接触温度测量与身份识别装置（F题）--2020年TI杯大学生电子设计竞赛文章目录简易无接触温度测量与身份识别装置（F题）--2020年TI杯大学生电子设计竞赛1．任务2、要求3、说明1．任务设计并制作一个简易... 查看详情

放大器非线性失真研究装置(e题)--2020年ti杯大学生电子设计竞赛

放大器非线性失真研究装置(E题)--2020年TI杯大学生电子设计竞赛文章目录放大器非线性失真研究装置(E题)--2020年TI杯大学生电子设计竞赛1．任务2．要求3．说明1．任务设计并制作一个放大器非线性失真研究装置ÿ... 查看详情

e题：变流器负载试验中的能量回馈装置（本科）--2018年ti杯大学生电子设计竞赛

...负载试验中的能量回馈装置（本科）–2018年TI杯大学生电子设计竞赛文章目录E题：变流器负载试验中的能量回馈装置（本科）--2018年TI杯大学生电子设计竞赛1、任务2、要求3、说明1、任务设计并制作一个变流... 查看详情

急！求教“2014年ti杯大学生电子设计竞赛四川省赛题-h自动增益控制放大器（高职高专）”设计资料！谢谢了

1.任务设计一个可以根据输入信号及环境噪声幅度自动调节音量的自动增益控制音响放大器。2.要求（1）放大器可以从mp3或信号源输入音频（100Hz~10kHz）信号，可以带600Ω负载或驱动8Ω喇叭（2~5W）。（20分）（2）当输入信号幅度... 查看详情

msp430项目设计：2020年ti杯大学生电子设计竞赛坡道行驶电动小车（c题）循迹小车(分享项目展示视频与源码)(代码片段)

文章目录题目要求一、硬件设计二、理论分析与计算三、电路与程序设计四、测试方案与测试结果五、项目展示2021年10月27-2022年1月1日可承接毕业设计、课程设计，价格实惠，有意可添加Q2809786963哔哩哔哩项目展示视频&#x... 查看详情

根据2012年“ti杯”大学生电子设计竞赛基本仪器、主要元器件和ti公司提供的元器件清单猜题

1、基本仪器清单50MHz（以上）双通道数字示波器双路可调直流稳压电源函数信号发生器（0.1Hz～20MHz，具有外调制功能）通用双踪示波器秒表10米卷尺1米卷尺4位半(以上)数字多用表2、在竞赛中使用（或选用）的主要元器件清单单... 查看详情