JenNet-IP WPAN网络创建与通讯指南

2星 需积分: 10 10 下载量 160 浏览量 更新于2024-07-22 1 收藏 357KB PDF 举报
"该资源是一份关于JenNet-IP WPAN网络创建的应用笔记,主要针对JN516x系列无线微控制器,由广州周立功单片机科技有限公司编写,介绍了JenNet-IP协议的特点、网络配置、设备启动、网络创建、加入网络验证及数据传输的流程。" 在物联网领域,JenNet-IP是一种专门设计用于住宅、商业和工业环境的无线个人区域网络(WPAN)协议栈,它提供了端到端的IP连接能力,支持设备的自组网和通过IP地址进行操作和访问。以下是JenNet-IP的主要特点和关键技术: 1. **节点类型**:JenNet-IP网络中的节点可以是协调器、路由器或终端设备,它们各自承担不同的网络管理和服务功能。 2. **无线频率**:通常JenNet-IP工作在IEEE 802.15.4规定的2.4GHz频段,提供低功耗、高效率的通信。 3. **网络拓扑结构**:JenNet-IP支持多种网络拓扑,包括星型、树型和网状网络,其中网状网络能提供更高的网络覆盖和可靠性。 4. **JenNet-IP协议栈构成**:包括物理层、媒体访问控制层(MAC)、网络层、传输层以及应用层,提供完整的网络协议支持。 5. **路由技术**:JenNet-IP支持两种路由模式——RouteOver和MeshUnder,前者适用于点对点或点对多点通信,后者则更适应复杂的多跳网络环境。 6. **加密安全**:协议栈内集成了安全机制,如AES-128加密,确保数据在传输过程中的安全性。 7. **微控制器**:JN516x系列是专为JenNet-IP设计的无线微控制器,具有低功耗特性,适合嵌入式应用。 在实际应用中,创建JenNet-IP网络需要以下步骤: 1. **初始化**:设置JenNet-IP协议栈,配置基本参数,初始化网络环境。 2. **编写回调函数**:实现网络事件处理,如网络配置、数据接收和发送的响应。 3. **定义MIB类型和变量**:MIB(Management Information Base)用于存储网络状态和配置信息。 4. **回调函数处理**:定义MIB变量的更新和读取函数,以应对网络变化。 5. **通信实现**:设置数据发送参数,编写发送和接收数据的代码。 这份应用笔记还包含了详细的例程说明,涵盖了目的、硬件需求、软件开发环境、操作步骤、预期结果以及代码解析,为开发者提供了实际操作的指导。通过遵循这些步骤,开发者能够成功地创建和管理基于JenNet-IP的WPAN网络,实现设备间的有效通信。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R