现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高，而基于密度的分拣方法适用于井下初选，成本较高。针对上述问题，设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台，在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络，建立端到端可训练图像检测模型，并利用智能摄像机获取的图像数据训练模型；通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系，控制机械臂进行矸石追踪和分拣。实验结果表明，该系统矸石识别准确率稳

提出了一种基于机器视觉和深度学习的智能路牌识别系统。采用嵌入式的ARM9作为前端采集系统，在服务器上采用图像处理算法先对前端采集的路牌图像进行文字区域的提取和分割，然后用训练好的卷积神经网络对分割的文字进行识别，最后将识别信息以语音的形式反馈给使用者。使用前端硬件在高速公路上采集路牌图像并在服务器的CAFFE框架上进行测试，结果表明该系统能实时准确地将路牌信息以语音的方式播报给使用者。

提出了一种基于机器视觉和深度学习的智能无人零售系统。采用嵌入式的ARM9和各种传感器模块组成前端采集系统，在服务器上用训练好的卷积神经网络模型分别对物品进行动态和静态检测识别，然后将识别信息反馈给数据库，由数据库整理所有信息，最终确定顾客订单信息。本系统使用前端硬件在无人售货柜上进行图像采集并在服务器的Caffe框架上进行测试，结果表明该系统的实时准确率达到99%。

设计了一种基于深度学习的实时识别硬件系统框架。该系统框架使用Keras完成卷积神经网络模型的训练并提取出网络的参数，利用ZYNQ器件的FPGA+ARM软硬件协同的方式，使用ARM完成对实时图像数据的采集、预处理及显示，通过FPGA实现卷积神经网络的硬化并对图像进行识别，再将识别结果发送至上位机进行实时显示。系统框架采用MNIST和Fashion MNIST数据集作为网络模型硬化试验样本，实验结果表明，在一般场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别，并且具有可移植性高、处理速