用于QEMU 4.2的树莓派2虚拟机的文件。包括了内核、设备树和SD卡的镜像。《在Ubuntu 16.04安装QEMU 4.2虚拟树莓派2教程》的链接为https://blog.csdn.net/jumpingpig/article/details/104149634

实现驾驶员的人脸识别与行驶过程中的疲劳检测

本小车图像处理部分在树莓派中实现，小车控制部分在stm32中实现，stm32与树莓派之间采用标准串口通信，通信协议见资料通信说明文件，资料中包含stm32端全部代码，整体设计原理图（ad工程+pdf），同时包含stm32开发环境（内含2032最新注册）

树莓派，一个新手小白，这是我从烧录ubutu系统到使用树莓派串口收发数据的经验。里面含有我用到的资料，以及我遇到的一些问题及解决方法。 网上树莓派实现串口通信的教程很多，但有很多干扰的信息，比如修改iniitab，安装一些乱七八糟的软件的什么的。（minicom是linux内核下的类似串口调试助手的东西，可以安装进行调试。）

本文采用百度云语音识别API接口，实现低于60s音频的语音识别，也可以用于合成文本长度小于1024字节的音频，此外采用snowboy离线语音唤醒引擎可实现离线语音唤醒，实现语音交互。基于本内容可实现语音控制小车，语音控制音箱、语音交互。。。

树莓派安装串口调试助手xgom-附件资源

为了实现无线环境数据传输，设计了基于树莓派的组网方式，包括无线 Mesh 自组织骨干网和应用服务。采用开源的树莓派作为基础硬件平台，利用 Openwrt 开源路由系统实现无线 Mesh。通过 asterisk，Droidcam，ownCloud，MediaWiki分别实现了 VoIP、视频、云存储、信息等服务。提供有线接口及 AP 热点，手机、PC 等终端接入网络并获取应用服务，可扩展性强，具有实际应用价值。

tensorflow-2.4.0-cp37-none-linux_armv7l.whl 和 h5py-2.10.0-cp37-cp37m-linux_armv7l.whl，已经编译好的，在树莓派4B上验证通过，先更换阿里源，再安装h5py，最后安装TensorFlow

比赛需要故只开源了粗劣的第一个版本demo实现,第二版本改进使用yoloV3模型进行垃圾分类检测,机器臂分拣垃圾,垃圾分类数据集重新收集,并有微信小程序的用户查询垃圾分类及反馈机制 注意看ReadMe文件,注意看ReadMe文件,注意看ReadMe文件 B站视频介绍地址：https://www.bilibili.com/video/av80830870 交流群:1074171553 题主双非师范院校2021考研狗,如果你觉得这个小项目有帮助到你,请为项目点一个star,不管是考试型选手毕设项目被迫营业还是直接拿去二开参加比赛,这些都没问题,开源项目就是人人为我我为人人,但请尊重他人劳动成果,大家都是同龄人.心上无垢,林间有风. 材料清单 树莓派 1个 pca9685 16路舵机驱动板 1个 7寸可触摸显示屏一个 MG996R 舵机4个 垃圾桶4个 usb免驱动摄像头1个 树莓派GPIO扩展板转接线柱1个 硅胶航模导线若干 环境需求 1.开发环境 神经网络搭建—python 依赖 tensorflow,keras 训练图片来源华为云2019垃圾分类大赛提供 训练图片地址：https://developer.huaweicloud.com/hero/forum.php?mod=viewthread&tid=24106 下载图片文件后将文件解压覆盖为 garbage_classify 放入 垃圾分类-本地训练/根目录 神经网络开源模型--- resnet50 models 目录需要手动下载resnet50 的模型文件放入 resnet50模型文件名：resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 百度就可以找到下载放入即可：https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 2.运行开发环境 进入 "垃圾分类-本地训练"目录 环境初始化 python3 安装框架flaskpip3 install flask 安装tensorflow，keras等依赖 pip3 install tensorflow==1.13.1 pip3 install keras==2.3.1 运行 1.命令python3 train.py开启训练 2.命令python3 predict_local.py开启输入图片测试 3. 训练服务模型部署 进入 "垃圾分类-服务部署"目录 output_model 目录存放的是本地训练完成导出的h5模型文件 models 目录需要手动下载resnet50 的模型文件放入 resnet50模型文件名：resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 百度就可以找到下载放入即可：https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 环境初始化 安装框架flaskpip3 install flask 安装tensorflow，keras等依赖 pip3 install tensorflow==1.13.1 pip3 install keras==2.3.1 运行 1.命令python3 run.py开启窗口本地调试 2.命令python3 flask_sever.py开启服务部署 3.命令sh ./start.sh开启后台运行服务部署 4.树莓派界面搭建 基于nodejs electron-vue 强烈建议使用cnpm来安装nodejs库 进入 "树莓派端/garbage_desktop"目录 安装依赖 cnpm install 开发模式 cnpm run dev 打包发布 cnpm run build 5.树莓派端flask-api接口操作硬件 进入"进入 "树莓派端/garbage_app_sever"目录" 注意树莓派应该开启I2C，确保pca9685 I2C方式接入后可显示地址 命令：i2cdetect -y 1 查看 地址项 0x40是否已经接入树莓派 运行 python3 app_sever.py 或者 sh start.sh 启动 若提示缺少依赖： pip3 install adafruit-pca9685 pip3 install flask

树莓派Python编程入门与实战，文字清晰，有详细目录，适合大众