控制理论教学的难点在于，讲师不仅必须提供所有理论概念，还要在时域和频域中可视化控制系统。在控制系统课程中，可视化通常是在白板上提供粗略的草图，因此可能难以理解。本文提出了一种基于深度学习 (DL) 的管道，能够识别白板上的手写反馈控制架构 (HFCA)，并将其转换为 Matlab®，以便交互式地可视化和分析控制系统。所提出的深度学习管道由 5 个主要步骤组成，涵盖深度学习、模式识别和图像处理的框架。构建这样的管道的主要挑战是讲师的笔迹质量和课堂照明条件所产生的不确定性，这可以被视为质量间和内部的不确定性。因此，我们采用并训练深度卷积神经网络（CNN）来高性能地识别 HFCA。在深度 CNN 的训练中，我们将迁移学习方法与深度 CNN ResNet-50 相结合。为了捕获质量间和质量内的不确定性，我们构建了一个 HFCA 图像数据集，该图像数据集是从具有不同经验水平的控制系统讲师在不同照明条件下的小型教室中收集的。我们提供了基于 DL 的管道设计的所有细节，并提供了实验结果，以表明该管道是利用 Matlab® 的优势实时可视化 HFCA 的强大工具。



"点击查看英文标题和摘要"