فروش فایل کنترل وسایل منزل با استفاده از فرامین صوتی
ما اولین نیستیم ولی بی شک برترین هستیمبه صفحه دانلود فایل(کنترل وسایل منزل با استفاده از فرامین صوتی )خوش آمدید برای دانلود به توضیحات بیشتر بروید.شما پس از پرداخت هزینه ای ناچیز فایل{آرماتوربندی و اصول حاکم برآن در سازه ها }را دانلود خواهید کرد
کنترل وسایل منزل با استفاده از فرامین صوتی
کاربرد میکروکنترلرها در وسایل الکترونیکی و کامپیوترها
| دسته بندی | کامپیوتر و IT |
| بازدید ها | 0 |
| فرمت فایل | doc |
| حجم فایل | 469 کیلو بایت |
| تعداد صفحات فایل | 76 |
توجیهی
-1- مقدمه
گر چه کامپیوترها تنها چند دهه ای است که با ما همراهند، با این حال تأثیر عمیق آنها بر زندگی ما با تأثیر تلفن ، اتومبیل و تلویزیون رقابت می کند. همگی ما حضور آنها را احساس می کنیم، چه برنامه نویسان کامپیوتر و چه دریافت کنندگان صورت حساب های ماهیانه که توسط سیستم های کامپیوتری بزرگ چاپ شده و توسط پست تحویل داده می شود. تصور ما از کامپیوتر معمولا داده پردازی است که محاسبات عددی را بطور خستگی ناپذیری انجام می دهد.
ما با انواع گوناگونی از کامپیوترها برخورد می کنیم که وظایفشان را زیرکانه و بطرزی آرام، کارا و حتی فروتنانه انجام می دهند و حتی حضور آنها اغلب احساس نمی شود. ما کامپیوترها را به عنوان جزء مرکزی بسیاری از فرآورده های صنعتی و مصرفی از جمله،در سوپرمارکت ها داخل صندوق های پول و ترازوها؛ در خانه، در اجاق ها، ماشین های لباسشویی، ساعت های دارای سیستم خبردهنده و ترموستات ها؛ در وسایل سرگرمی همچون اسباب بازی ها، VCR ها، تجهیزات استریو و وسایل صوتی؛ در محل کار در ماشین های تایپ و فتوکپی؛ و در تجهیزات صنعتی مثل مته های فشاری و دستگاههای حروفچینی نوری می یابیم. در این مجموعه ها کامپیوترها وظیفه «کنترل» را در ارتباط با “دنیای واقعی” ، برای روشن و خاموش کردن وسایل و نظارت بر وضعیت آنها انجام می هند. میکروکنترلرها (برخلاف میکروکامپیوترها و ریزپردازنده ها ) اغلب در چنین کاربردهایی یافت می شوند.
با وجود این که بیش از بیست سال از تولد ریزپردازنده نمی گذرد، تصور وسایل الکترونیکی و اسباب بازیهای امروزی بدون آن کار مشکلی است. در 1971 شرکت اینتل 8080 را به عنوان اولین ریزپردازنده موفق عرضه کرد. مدت کوتاهی پس از آن، موتورولا، RCA و سپس MOS Technology و zilog انواع مشابهی را به ترتیب به نامهای 6800 ، 1801 ، 6502 و Z80 عرضه کردند. گر چه این مدارهای مجتمع IC) ها ) به خودی خود فایده چندانی نداشتند اما به عنوان بخشی از یک کامپیوتر تک بورد[1] (SBC) ، به جزء مرکزی فرآورده های مفیدی برای آموزش طراحی با ریزپردازنده ها تبدیل شدند.
از این SBC ها که بسرعت به آزمایشگاههای طراحی در کالج ها،دانشگاهها و شرکت های الکترونیک راه پیدا کردند می توان برای نمونه از D2 موتورولا، KIM-1 ساخت MOS Technology و SDK-85 متعلق به شرکت اینتل نام برد.
میکروکنترلر قطعه ای شبیه به ریزپردازنده است. در 1976 اینتل 8748 را به عنوان اولین قطعه خانواده میکروکنترلرهای MCS-48TM معرفی کرد. 8748 با 17000 ترانزیستور در یک مدار مجتمع ،شامل یک CPU ،1 کیلوبایت EPROM ، 27 پایه I/O و یک تایمر 8 بیتی بود. این IC و دیگر اعضای MCS-48TM که پس از آن آمدند، خیلی زود به یک استاندارد صنعتی در کاربردهای کنترل گرا تبدیل شدند. جایگزین کردن اجزاء الکترومکانیکی در فرآورده هایی مثل ماشین های لباسشویی و چراغ های راهنمایی از ابتدای کار، یک کاربرد مورد توجه برای این میکروکنترلرها بودند و همین طور باقی ماندند. دیگر فرآورده هایی که در آنها می توان میکروکنترلر را یافت عبارتند از اتومبیل ها،تجهیزات صنعتی، وسایل سرگرمی و ابزارهای جانبی کامپیوتر(افرادی که یک IBM PC دارند کافی است به داخل صفحه کلید نگاه کنند تا مثالی از یک میکروکنترلر را در یک طراحی با کمترین اجزاء ممکن ببینند).
توان، ابعاد و پیچیدگی میکروکنترلرها با اعلام ساخت 8051 ، یعنی اولین عضو خانوادة‌میکروکنترلرهای MCS-51TM در 1980 توسط اینتل پیشرفت چشمگیری کرد. در مقایسه با 8048 این قطعه شامل بیش از 60000 ترانزیستور ، K4 بایت ROM، 128 بایت RAM ،32 خط I/O ، یک درگاه سریال و دو تایمر 16 بیتی است. که از لحاظ مدارات داخلی برای یک IC بسیار قابل ملاحظه است، امروزه انواع گوناگونی از این IC وجوددارند که به صورت مجازی این مشخصات را دوبرابر کرده اند. شرکت زیمنس که دومین تولید کنندة‌قطعات MCS-51TM است SAB80515 را به عنوان یک 8051 توسعه یافته در یک بستة 68 پایه با شش درگاه I/O 8 بیتی، 13 منبع وقفه، و یک مبدل آنالوگ به دیجیتال با 8 کانال ورودی عرضه کرده است. خانواده 8051 به عنوان یکی از جامعترین و قدرتمندترین میکروکنترلرهای 8 بیتی شناخته شده و جایگاهش را به عنوان یک میکروکنترلر مهم برای سالهای آینده یافته است.
این کتاب درباره خانواده میکروکنترلرهای MCS-51TM نوشته شده است فصل های بعدی معماری سخت افزار و نرم افزار خانواده MCS-51TM را معرفی می کنند و از طریق مثالهای طراحی متعدد نشان می دهند که چگونه اعضای این خانواده می توانند در طراحی های الکترونیکی با کمترین اجزاء اضافی ممکن شرکت داشته باشند.
در بخش های بعدی از طریق یک آشنایی مختصر با معماری کامپیوتر، یک واژگان کاری از اختصارات و کلمات فنی که در این زمینه متداولند (و اغلب با هم اشتباه می شوند) را ایجاد خواهیم کرد. از آنجا که بسیاری اصطلاحات در نتیجة تعصب شرکت های بزرگ و سلیقه مؤلفان مختلف دچار ابهام شده اند،روش کار ما در این زمینه بیشتر عملی خواهد بود تا آکادمیک. هر اصطلاح در متداولترین حالت با یک توضیح ساده معرفی شده است.
2-1 اصطلاحات فنی
یک کامپیوتر توسط دو ویژگی کلیدی تعریف می شود: (1) داشتن قابلیت برنامه ریزی برای کارکردن روی داده بدون مداخله انسان و (2) توانایی ذخیره و بازیابی داده . عموماً یک سیستم کامپیوتری شامل ابزارهای جانبی[2] برای ارتباط با انسان ها به علاوه برنامه هایی برای پردازش داده نیز می باشد. تجهیزات کامپیوتر و سخت افزار،و برنامه های آن نرم افزار نام دارند. در آغاز اجازه بدهید کار خود را با سخت افزار کامپیوتر آغاز می کنیم.
نبود جزئیات در شکل عمدی است و باعث شده تا شکل نشان دهنده کامپیوترهایی در تمامی اندازه ها باشد. همانطور که نشان داده شده است، یک سیستم کامپیوتری شامل یک واحد پردازش مرکزی[3] (CPU) است که از طریق گذرگاه آدرس[4] ،گذرگاه داده[5] و گذرگاه کنترل[6] به حافظه قابل دستیابی تصادفی[7] (RAM) و حافظه فقط خواندنی[8] (ROM) متصل می باشد. مدارهای واسطه[9] گذرگاههای سیستم را به وسایل جانبی متصل می کنند
جهت دریافت فایل توجیهی لطفا آن را خریداری نمایید
سیستم های تشخیص وسایل نقلیه
| دسته بندی | کامپیوتر و IT |
| بازدید ها | 3 |
| فرمت فایل | doc |
| حجم فایل | 6751 کیلو بایت |
| تعداد صفحات فایل | 104 |
سیستم های تشخیص وسایل نقلیه
مقدمه
هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم. بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم. سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند .
یکی از این سیستم ها، سیستم تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی با نرخ فریمی پایین
می باشد. اجزای پایه ای وسایل نقلیه از تصاویر استخراج می شود و سپس توسط دسته کننده های برداری با نام «اس وی ام» با یکدیگر ترکیب می شوند. این قبیل سیستم ها ، مشکل اصلی تشخیص وسایل نقلیه را در تصاویر ایستا بر طرف نموده اند ، به علاوه از تکنیک های مبتنی بر نمونه های جمع آوری شده استفاده می کنند.
گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شده اند. با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز، این مشکل حل می شوند .
سیستم های ویدئویی نصب شده بر روی سکوهای هوایی بر اساس انعطاف پذیری و تغییر پذیری آنها معرفی می شوند و توانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی و فضایی داده ی نمونه پوشش دهند. الگوریتمی بدین منظور طراحی شده است که از تصاویر سه جزئی استفاده می کند و پس از تشخیص وسیله ی نقلیه در اولین تصویر، آن را در دو تصویر بعدی تطبیق می دهد و دید گسترده ای را فراهم می آورد .
همچنین در راستای عملیات ردیابی و مکان یابی وسایل نقلیه ، نیاز به تشخیص آن ها داریم. هدف این است که یک شی (وسیله ی نقلیه ) با یافتن پارامترهای سه بعدی از موانع مشاهده شده در تصاویر جاده ای تشخیص داده شود. نمونه ای دیگر از این قبیل سیستم ها ، سیستم های مبتنی بر یادگیری با ناظر است که از طریق یک سیستم کمک راننده ویک سیستم وسیله نقلیه خودگردان، توسعه یافته است و در این سیستم تابعی برای تشخیص محیط جاده و وسایل نقلیه وجود دارد و تعداد کمی از تصاویر وسایل نقلیه در حال حرکت را به کار می گیرد.
سیستم های دیگری وجود دارند که از طریق الگوریتم مبتنی بر نمونه های ساختاری که از تکنیک های استخراجی و بدست آمده از مشخصات ویژه ی تصویر وسیله ی نقلیه عمل می کند، استخراج ویژگی می نماید. این ویژگی ها توسط تغییر شکل های فوریه ای، تغییرموج ضربه ای و تغییر شکل منحنی ضربه ای به دست می آید. عملیات روی یک مجموعه داده انجام می شود .
تشخیص وسایل نقلیه از طریق تکنیک هایی که مبتنی بر مدل های ایجاد شده از اشیاء سه بعدی است ، نیز امکان پذیر می باشد و بوسیله ی نقاط ، خطوط و سطوح ویژه ی وسیله نقلیه و مدلسازی آنها با ساختارهای مکان نگر عمل می کند .
آخرین نوع سیستم های بررسی شده ، سیستم هایی هستند که با کمک یک ناظر و تعدادی شرکت کننده ، از طریق یکسری آزمایشات ، در یک محیط شبیه سازی شده از جاده و از طریق سیگنال های ارسالی عملیات تشخیص را انجام می دهند.
فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی
می خواهیم یک سیستم تشخیص وسایل نقلیه را مبتنی بر بینایی دوربین در قالب تکنولوژی سیستم های حمل و نقل هوشمند (آی تی اس[1]) بررسی کنیم . برای رسیدن به این هدف، از یک دوربین واحد به عنوان ورودی استفاده می شود . یک دستگاه تصویربرداری مونوکیولار[2]، یک دوربین دیجیتال بی سیم است که برای اندازه گیری دامنه های غیرمستقیم با استفاده از قوانین بینایی فراهم شده است .
تشخیص یک وسیله ی نقلیه در تصاویر دوربینی ، مشکل تشخیص شی در تصاویر ایستا را حل می کند . همچنین تشخیص خودرو باید بطور قوی در شرایط روشنایی متغیر ، موقعیت های متغیر و در شرایطی که برخی اجزای وسیله نقلیه تغییر کند یا در تصویر دیده نشود، اجرا شود .
تکنیک های تشخیص اشیا (وسایل نقلیه و ...) را می توان در سه دسته طبقه بندی کرد که در ادامه شرح داده می شود . اولین دسته بوسیله سیستم های مبتنی بر مدل نشان داده می شود . این مدل اشیاء موردنظر را مشخص می کند و سپس سیستم برای تطبیق دادن مدل در قسمتهای مختلف تصویر برای پیدا کردن یک حالت مناسب تلاش می کند . متاسفانه ، وسایل نقلیه ی جاده ای به طور کلی در سطحی متغیر مطرح می شود و تعیین یک مدل در مسیر یک راه را غیر ممکن می سازد . در نتیجه سیستم های مبتنی بر این مدل جهت تشخیص وسایل نقلیه کمتر استفاده می شوند. دسته ی دومی روشهای تغییر ناپذیر تصویری هستند که تطبیقی مبتنی بر خصوصیات الگوی یک مجموعه تصویر انجام می دهد و به طور مزمنی شی ای که مورد جستجو قرار گرفته را تعیین می کند . وسایل نقلیه ی جاده ای ، هر الگوی وابسته به تصویر قطعی را (انواع مختلف از مدلهای وسایل نقلیه وابسته به سازنده) به دلیل تغییرپذیری بالای آن نشان نمی دهد . به همین دلیل روشهای تغییرناپذیر تصویری یک انتخاب مناسب جهت رفع مشکل تشخیص وسایل نقلیه نیست .
دسته ی سوم از تکنیکهای تشخیص شئ بوسیله الگوریتم یادگیری مبتنی بر نمونه مشخص شده اند . خصوصیات واضح از یک نوع شی توسط سیستم مبتنی بر مجموعه ای از نمونه ها یادگرفته می شود . این نوع تکنیک می تواند راه حلی را برای رفع مشکل تشخیص و ردیابی وسایل نقلیه به شرط آنکه شرایط معرفی شده پیروی شود ، فراهم کند . تعداد زیادی ازوسایل نقلیه در بانک اطلاعاتی وجود دارد . ا ین نمونه ها نمایشگر انواع وسایل نقلیه در شرایط متغیری از روشنایی وموقعیت وسایز آن در تصویر است .
تکنیک های مبتنی بر نمونه ، در طبیعت ، در محیط های متفاوت برای تشخیص عابر استفاده می شده است. به طور کلی این تکنیک ها جهت تشخیص اشیایی که قسمت های قابل تشخیص متمایزی دارند و در یک موقعیت به خوبی تعریف شده اند ، به کار برده می شود . این حالات برای وسایل نقلیه ی جاده ای ، هنگامی که یک دیدگاه ، یادگیری توزیع شده بر مبتنی بر اجزای اشیا دارد ، برای تشخیص اشیا در محیط های متفاوت و حقیقی کارآمد تر است نسبت به حالاتی که از یک دیدگاه کلی نگر استفاده می کند .
تکنیک های یادگیری توزیع شده با قسمت هایی از تصویر که قابل دسترس نیستند می تواند جهت تشخیص به کار روند و نسبت به چرخش های شی در تصویر کمتر حساس هستند .
برای تشخیص کاراتر در تشخیص اشیا در تصاویر حقیقی ، فضای جستجوی وسایل نقلیه را در یک وضعیت هوشمند بر پایه ی تصاویر جاده ای ، کاهش می دهیم . در نتیجه با خطوط علامت گذاری شده ی جاده ، کار پردازش برای تشخیص وسیله نقلیه آسانتر می شود . نواحی احاطه شده توسط محدودیت هایی از خطوط ، با انتخاب نواحی مورد نظر ، بررسی می شود .این نواحی ، شامل وسایل نقلیه ی مورد نظر هستند که به عنوان مدل تشخیص و ردیابی وسیله نقلیه به کار می رود .
1-1- نواحی کاندید شده مورد نظر
سیستم به دو بخش زیر سیستم تقسیم می شود . اولین زیر سیستم مسئول تشخیص و ردیابی خط هاست ، همچنین خط تقاطع بوسیله اولین زیر سیستم طبق خطوط جاده ای ، مورد نظارت قرار گرفته است .
1-1-1- تشخیص و ردیابی خط
تصاویر به دست آمده از دوربین پردازش شده است و خطوط منحنی که تصویر را پوشش داده اند برای تشخیص خطوط علامت گذاری شده به منظور بدست آوردن تخمینی از خطوط جاده ای که ناحیه ی مورد جستجو را تعیین می کند مناسب هستند .
الگوریتم حدود 50 خط در ناحیه ی مورد جستجورا در فاصله ی 2 متری از دوربین در جهت خط افقی ، بررسی می کند . همچنین با توسعه الگوریتم ، می توان اجزای یک فضای غیر یکنواخت را جستجو کرد .
جهت دریافت فایل سیستم های تشخیص وسایل نقلیه لطفا آن را خریداری نمایید
شامل 51 اسلاید powerpoint ...