STM32F7摄像机之上位机显示jpeg图片cuter电子技术应用AET中国科技核心期刊

经过了前期的若干铺垫,再没有干货有点说不过去。最初定下的网络摄像机也要提上日程了。

2、计划回顾

拿到开发板之后的规划如下(标绿部分已经按计划完成):

---------------------------------------分割线---------------------------------------------

方案设计:

DCMI管脚不多,且确认过并未被占用,可以自己引出来,板子提供的网络接口完全够用了,有了输入和输出,剩下的就是软件工作了。虽然不是非常高大上的方案,但是目标很明确:体验低端开发板所没有的功能。该方案用到了低端芯片里所没有的DCMI接口和Ethernet接口,条件允许的话还可以增加本地显示,图像编解码功能,进一步测评其他高大上功能模块。

图1网络摄像机整体框图

学习过程及发文规划:

1、开发板展示及硬件原理简析(前期准备)

2、开发平台搭建,用最简单的流水灯程序熟悉开发环境(前期准备)

3、为了后续调试的方便,需要搞定虚拟串口(前期准备)

4、利用DCMI控制器驱动0V7725摄像头(基本功能)

5、通过网口将数据上传至Internet(基本功能)

6、编写网页程序显示视频图像(基本功能)

7、添加简单的图像处理算法,将视频处理后上传(扩展功能)

后续:

1、体验DAC模块:设计一个简易波形发生器(正弦波、三角波、方波)

2、体验LCD-TFT控制器:驱动液晶屏

3、评估STM32F767ZI运算能力:做一个简单的图形发生器,利用MCU绘制复杂图形,例如:电子飞行仪表系统(EFIS)显示画面绘制等。

----------------------------------------分割线---------------------------------------------

还有一点是,摄像头先选用0V5640,因为OV7725不具备压缩功能。后期可以尝试使用芯片自带的JPEG编解码功能处理OV7725的图像数据,然后再上传至上位机。

第一步就是要调试上位机显示功能。一方面是调试整个项目的功能之一;另一方面是为摄像头的调试打下基础,如果加入摄像头之后,显示有问题,就可以知道问题出在摄像头控制部分,有助于问题的快速定位。

第二步是利用DCMI实现对摄像头的控制。这块不必多说,主要是对摄像头的配置。

第三步综合调试,问题改进。做到第二步,其实就差不多了,因为为了验证程序能够成功控制摄像头,必须显示成功才行。

首次调试并没有直接选择网口,而是选择常用的串口作为传输设备,降低了调试难度。网络传输也可以参考该方法进行。

首先,设计了一个小程序,把JPEG图片转化为16进制的数组,并保存在.C文件内。关键代码如下:

fprintf(fp_w,"constunsignedchargImage_test_pic[]={");while(!feof(fp_r)){if(i%10==0){fprintf(fp_w,"\n");}i++;ch=fread(buf,sizeof(char),1,fp_r);printf("0x%X,",(unsignedchar)buf[0]);fprintf(fp_w,"0x%x,",(unsignedchar)buf[0]);}fprintf(fp_w,"};\n");这部分代码并不是很完善,还需要手动修改一下.C文件,后续打算做一个JPEG图片转.C文件的GUI的程序,到时候再完善。然后,利用库函数里的发送函数,将图片数据通过串口发送至上位机。5、测试结果串口发送图片显示成功,如下图所示:

接下来,再调通摄像头,整个摄像机计算完成一大半了。最后把通信方式由串口变更为网口就OK了。当然也可以先调网络通信,然后再调摄像头,看串口传输的显示效果吧,如果太卡,就换成网口通信。

THE END
1.图神经网络基础知识——初识图学习其中,每个用户或者商家都有着各自的特征,也具备着某些相同的特征,同时也有着与他人的交互。传统方法通常是直接利用用户和商家的特征来训练一个分类网络,而没有利用节点与节点之间的交互,因此使用图学习,我们可以同时学习图结构以及节点特征,更好的进行分类,从而更好地找到金融诈骗分子。 https://blog.csdn.net/zbp_12138/article/details/110141387
2.图神经网络及其应用.pptx应用》的PPT提纲:图神经网络基本概念图神经网络的发展历程图神经网络的基本模型图神经网络的训练方法图神经网络的应用领域图神经网络在推荐系统中的应用图神经网络在图像处理中的应用图神经网络的挑战与未来发展目录图神经网络基本概念图神经网络及其应用图神经网络基本概念1.图神经网络是一种用于处理图形数据的深度学习模型https://m.renrendoc.com/paper/302479376.html
3.网络学习素材网络学习图片网络学习素材图片下载第3页觅知网为您找到1066个原创网络学习素材图片,包括网络学习图片,网络学习素材,网络学习海报,网络学习背景,网络学习模板源文件下载服务,包含PSD、PNG、JPG、AI、CDR等格式素材,更多关于网络学习素材、图片、海报、背景、插画、配图、矢量、UI、PS、免抠,模板、艺术字、https://www.51miz.com/so-sucai/157549/p_3/
4.深度学习时代的图模型,清华发文综述图网络机器之心深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。 他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网https://www.jiqizhixin.com/articles/122304
5.前沿综述:面向复杂系统建模的多模态图学习澎湃号·湃客图学习(Graph Learning)是一种研究和应用图结构数据的机器学习方法。在图学习中,数据被表征为由节点和边组成的图形,其中节点表示实体或对象,边表示它们之间的关系或连接。因此图学习特别适用于复杂系统的多尺度分析、建模与仿真研究,揭示复杂系统中的模式、规律和动态变化。图学习常用的技术包括图卷积网络、图注意力网络https://www.thepaper.cn/newsDetail_forward_25672785
6.干货图神经网络的十大学习资源分享雷峰网字幕组双语原文:【干货】图神经网络的十大学习资源分享 英语原文:Top 10 Learning Resources for Graph Neural Networks 翻译:雷锋字幕组(听风1996) 图神经网络(GNNs)是深度学习的一个相对较新的领域,从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究,事实证明了GNN优于其他使用图数据https://www.leiphone.com/news/202010/7Xuv0ipza1lmd125.html
7.高清图解:神经网络机器学习数据科学一网打尽附PDF这份备忘单涵盖了上述领域几乎全部的知识点,并使用信息图、脑图等多种可视化方式呈现,设计精美,实用性强。 今天,新智元要为大家推荐一个超实用、颜值超高的神经网络+机器学习+数据科学和Python的完全图解,文末附有高清PDF版链接,支持下载、打印,推荐大家可以做成鼠标垫、桌布,或者印成手册等随手携带,随时翻看。https://news.hexun.com/2019-05-14/197181509.html
8.深度学习中的拓扑美学:GNN基础与应用近些年来使用建模分析图结构的研究越来越受到关注,其中基于深度学习的图建模方法的图神经网络(Graph Neural Network, GNN),因其出色的性能成为学术界的研究热点之一。 导读:在真实世界中,很多数据往往以图的形式出现,例如社交网络、电商购物、蛋白质相互作用关系等,过去几年基于神经网络的图数据分析与挖掘方式因其出色的https://www.51cto.com/article/743377.html
9.MindSpore官网相较于其他框架对常用算子进行定制优化的方案更加灵活,更具扩展性,能够覆盖现有框架中已有的算子和新组合算子的融合优化。以昇思MindSpore全场景AI框架作为后端,昇思MindSpore Graph Learning能使GNN网络训练获得3到4倍的性能加速。 3.3 丰富性:覆盖业界典型图学习网络https://www.mindspore.cn/news/newschildren?id=967
10.图算法图数据库在风控嘲的应用腾讯云开发者社区Mean 函数,如周围的设备平均的交易数。之前风控从业者通过手工去设计这个一阶的 Aggregate,通过图算法能从一阶到两阶。 神经网络的聚合 引入了神经网络以后,把一阶或者二阶的 Velocity 通过神经网络学习。让算法去学坏人的 Pattern 而不是手工地去归纳,增加了绕过成本和模型的鲁棒性。单纯的一阶的阈值很容易被黑产https://cloud.tencent.com/developer/article/2197696
11.基于图卷积网络的图深度学*暖夏未眠丶摘要: 处理图结构数据的佼佼者! 更多深度文章,请关注云计算频道: https://yq.aliyun.com/cloud 基于图卷积网络的图深度学习 先简单回顾一下,深度学习到底干成功了哪些事情!深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是https://www.cnblogs.com/jzy996492849/p/7250542.html