Ссылки по теме выпускной работы

    Научные работы и статьи

  1. YOLOv4 – самая точная real-time нейронная сеть на датасете Microsoft COCO

    Автор: AlexeyAB

    Описание: Мы покажем некоторые нюансы сравнения и использования нейронных сетей для обнаружения объектов.

  2. STM32 и порт FreeModbus (RTU Slave + Master) на HAL

    Автор: Andrew ADElectronics

    Описание: Порт мастера и слейва FreeModbus на STM32 с использованием HAL без костылей.

  3. Dc motor speed and direction control with stm32f103 microcontroller and l293d motor driver

    Автор: EG Projects

    Описание: В этой статье показано как управлять скоростью вращения двигателя постоянного тока с помощью микроконтроллера stm32 и l293d.

  4. Custom Object Detection using TensorFlow from Scratch

    Автор: Khush Patel

    Описание: В этом учебном пособии показано как тренировать собственный детектор собак (корги), используя предварительно подготовленную модель SSD MobileNet V2.

  5. How to Train A Custom Object Detection Model with YOLO v5

    Автор: Jacob Solawetz

    Описание: Модели обнаружения объектов и их разновидности направленые на выявление наличия соответствующих объектов на изображениях и их классификацию по соответствующим классам.

  6. Инструкция по работе с TensorFlow Object Detection API

    Автор: Vatsal Sodha

    Описание: Инструкция по использованию TensorFlow.

  7. Training Custom Object Detector Classifier Using TensorFlow Object Detection API

    Автор: Khushboo Gupta

    Описание: Этот репозиторий является учебным пособием по использованию TensorFlow Object Detection API для обучения классификатора обнаружения объектов в Windows.

  8. Overview of the YOLO Object Detection Algorithm

    Автор: ODSC – Open Data Science

    Описание: Рассмотриваем алгоритм обнаружения объектов в реальном времени YOLO (You Only Look Once), который является одним из наиболее эффективных алгоритмов обнаружения объектов, который также включает в себя многие из самых инновационных идей, исходящих от сообщества исследователей компьютерного зрения.

  9. YOLO Algorithm and YOLO Object Detection: An Introduction

    Автор: Jedrzej Swiezewski

    Описание: Описание алгоритма YOLO, и как он работает.

  10. Расчет параметров регулятора положения. Исходя из требоаний отработки малых перемещений

    Описание: Задачей позиционного АЭП является перемещение рабочего органа из одного положения в другое. Основной характеристикой этой системы является быстрота и точность отработки задающих сигналов. Т.к. в процессе отработки перемещения требуется контролировать ток и скорость двигателя на определенном уровне, то все современные позиционные системы АЭП являются трехконтурными с подчиненным регулированием параметров.

  11. Инструкция: Создание нейронной сети без навыков программирования

    Автор: Selectel

    Описание: Как за несколько шагов создать простую нейронную сеть и научить её узнавать известных предпринимателей на фотографиях.

  12. Машинное зрение на Python. Обучаем нейросеть распознавать цифры.

    Автор: DmitrySpb79

    Описание: Раньше капча с числами была отличным способом отсеять ботов, а сейчас такая разновидность уже почти не встречается. Думаю, ты и сам догадываешься, в чем дело: нейросети научились распознавать такие капчи лучше нас. В этой статье мы посмотрим, как работает нейронная сеть и как использовать Keras и Tensorflow, чтобы реализовать распознавание цифр.

  13. Погружение в свёрточные нейронные сети. Часть 5 / 1 – 9

    Автор: AndrewShmig

    Описание: Построение свёрточной нейронной сети, которая сможет классифицировать изображения кошек и собак. На пути к реализации свёрточной нейронной сети способной классифицировать изображения кошек и собак, мы так же научимся использовать различные техники для решения одной и самых частых проблем с нейронными сетями – переобучении.

  14. How to train YOLOv3 on Google COLAB to detect custom objects (e.g: Gun detection)

    Автор: Quang Nguyen

    Описание: Пошаговая инструкция по обучению YOLOv3 в среде Goole Colab для обнаружения оружия.

  15. Custom Object Detection using Darknet

    Автор: Tejas Khare

    Описание: Руководство по созданию пользовательского детектора объектов. Распознавание наличия масок.

  16. Custom Object Detection using TensorFlow from Scratch

    Автор: Khush Patel

    Описание: Обучение по обнаружению объектов TensorFlow на пользовательском наборе данных.

  17. Управление бесколлекторным двигателем по сигналам обратной ЭДС – понимание процесса

    Автор: Woofer46

    Описание: Вращение магнитного поля статора осуществляется коммутацией обмоток с помощью электронного блока управления. Конструкция бесколлекторного двигателя схожа с конструкцией синхронного двигателя, если подключить бесколлекторный двигатель в трехфазную сеть переменного тока, удовлетворяющую электрическим параметрам двигателя, он будет работать.

  18. Схема регулятора скорости бесколлекторного двигателя (ESC)

    Описание: Эта схема задумывалась как испытательный стенд. На котором предполагалось создать универсальный настраиваемый регулятор для работы с различными калибрами бесколлекторных двигателей: как с датчиками, так и без датчиков положения. В этой статье я опишу схему и принцип работы прошивки регулятора для управления бесколлекторными двигателями с датчиками Холла и без датчиков.

  19. Схема управления бесколлекторными моторами BLDC, PMSM на микроконтроллере STM32

    Описание: Разработака схемы управления бесколлеторными моторами для STM32

  20. Train YOLOv4-tiny on Custom Data – Lightning Fast Object Detection

    Автор: Jacob Solawetz

    Описание: Вы можете использовать YOLOv4-tiny для гораздо более быстрого обучения и гораздо более быстрого обнаружения. В этой статье мы расскажем, как обучить YOLOv4-tiny на основе ваших собственных данных обнаруживать собственные пользовательские объекты.

  21. Распознавание объектов в режиме реального времени на iOS с помощью YOLOv3

    Автор: M00nL1ght

    Описание: В данной статье мы напишем небольшую программу для решения задачи детектирования и распознавания объектов (object detection) в режиме реального времени.

  22. Классификация объектов в режиме реального времени

    Автор: DataArt

    Описание: В этой статье описывается наш подход к созданию решения для распознавания изображений с помощью TensorFlow.

  23. Вычисление дискретного интеграла

    Автор: Олег Евсегнеев

    Описание: При работе с цифровыми и аналоговыми датчиками порой возникает задача интегрирования их показаний. Так например, операция интегрирования лежит в основе работы фильтра нижних частот. А интегрирование показаний гироскопа служит основой практически любой системы стабилизации балансирующих роботов или мультикоптеров. Поскольку природа цифровых устройств позволяет реализовать на их основе только дискретное интегрирование (ДИ), то речь в данной статье пойдет о реализации именно таких методов.

  24. Дискретное интегрирование

    Описание: Иногда показания различных датчиков подлежат интеграции. Чаще всего это происходит с гироскопами (гиротахометрами, если быть верным), применяемыми для стабилизации таких устройств, как квадрокоптеры. В этой статье разберём дискретное интегрирование и поговорим о методах его реализации на основе цифровых устройств.

  25. STM32 RS-485 Modbus RTU CMSIS

    Автор: Юрий GYUR22

    Описание: Реализация modbus-rtu с помощью CMSIS.

  26. STM32 usart и немного RS485

    Автор: Юрий GYUR22

    Описание: Реализация RS-485 на практике.

  27. RS-485 для чайников

    Автор: Евгений Александрович Бень

    Описание: Как следует из названия, статья эта - попытка объяснить начинающим что к чему и помочь обойти грабли, на которые уже кто-то наступал.

  28. Основные типы сортировочных конвейеров

    Автор: В. Голышев

    Описание: Сортировочные конвейеры позволяют значительно увеличить производительность и рентабельность многих транспортировочных операций с грузами – от подачи багажа на конвейер в аэропортах до комплектации аудио и видеокассет – и являются составной частью многих высокоэкономичных производств и распределительных центров.

  29. Синтез контура скорости, настроенного на мо

    Описание: Если требуется, что система регулирования скорости имела диапазон регулирования скорости до D=50:1 и сравнительно невысокую точность, то целесообразно контур скорости настраивать на МО, так как в этом случае электропривод будет иметь хорошие динамические показатели качества.

    30. Техническая и справочная литература

  30. pySerial

    Этот модуль открывает доступ к последовательному порту. Предоставляет из себя бэкэнды для Python, работающего под Windows, OSX, Linux, BSD (возможно, любая POSIX-совместимая система) и IronPython. Модуль с именем serial автоматически выбирает соответствующий бэкэнд.

  31. MinimalModbus’ documentation

    Простая в использовании Modbus RTU и Modbus ASCII реализация для Python.

  32. Reference manual STM32F405/415, STM32F407/417, STM32F427/437 and STM32F429/439 advanced Arm®-based 32-bit MCUs

    Справочное руководство по использованию микроконтроллеров stm32 серии f4.

  33. Datasheet STM32F405xx STM32F407xx ARM Cortex-M4 32b MCU+FPU, 210DMIPS, up to 1MB Flash/192+4KB RAM, USB OTG HS/FS, Ethernet, 17 TIMs, 3 ADCs, 15 comm. interfaces & camera

    Техническая спецификация для микроконтроллеров stm32 серии f4.

  34. FreeModbus datasheet

    Техническая спецификация по использованию библиотеки FreeModbus.

  35. YOLO: Real-Time Object Detection

    Техническая спецификация по использованию библиотеки YOLO.

  36. LabelImg (Git-repository)

    LabelImg – это графический инструмент аннотации изображений. Он написан на Python и использует Qt для своего графического интерфейса.

  37. Инструкции хоста FreeModbus v1.6 (Git-repository)

    Лучший стек протоколов Modbus с открытым исходным кодом, поэтому был разработан этот стек протоколов FreeModbus, поддерживающий режим хоста.

  38. Datasheet darknet & YOLO

    Техническая спецификация по использованию библиотеки darknet & YOLO.

  39. Электронный архив ДонНТУ

    Электронный архив научных исследований и учебно-методических материалов профессорско-преподавательского состава, сотрудников, аспирантов и магистров ДонНТУ.

    40. Специализированные сайты и порталы

  40. CyberForum

    Форум программистов, системных администраторов, администраторов баз данных, компьютерный форум, форум по электронике и бытовой технике, обсуждение софта.

  41. Радиодетали

    Интернет-магазин радиодеталей и электронных компонентов Радиодетали , г. Донецк

  42. Cyberleninka

    Научная электронная библиотека, построенная на парадигме открытой науки (Open Science), основными задачами которой является популяризация науки и научной деятельности, общественный контроль качества научных публикаций, развитие междисциплинарных исследований, современного института научной рецензии, повышение цитируемости российской науки и построение инфраструктуры знаний.

  43. Elibrary

    Крупнейший российский информационно-аналитический портал в области науки, технологии, медицины и образования, содержащий рефераты и полные тексты более 34 млн научных публикаций и патентов, в том числе электронные версии более 5600 российских научно-технических журналов, из которых более 4800 журналов в открытом доступе.

  44. Sci-Hub

    Первый в мире пиратский ресурс, который открыл публичный и массовый доступ к десяткам миллионов научных статей

  45. Pysource

    Как дать глаза и мозг вашим электронным устройствам.

  46. Habr

    Портал посвященный технике а так же технологиям программирования.

    47. Облачные ресурсы

  47. Colaboratory

    Colaboratory, или просто Colab, позволяет писать и выполнять код Python в браузере.

  48. Google Disc

    Сервис хранения, редактирования и синхронизации файлов, разработанный компанией Google.

  49. Unofficial Windows Binaries for Python Extension Packages

    На этой странице представлены 32 и 64-битные двоичные файлы Windows многих научных пакетов расширений с открытым исходным кодом для официального дистрибутива CPython языка программирования Python.

  50. Open Images Dataset V6 + Extensions

    Open Images – набор данных ~9M изображений, аннотированных метками на уровне изображений, рамками для ограничения объектов, масками сегментации объектов, визуальными связями и локализованными повествованиями. Всего он содержит 16М-ограничительные поля для 600 классов объектов на 1.9М изображениях, что делает его самым большим существующим набором данных с аннотациями к местоположению объектов.