- 综合排序
- 最热优先
- 最新优先
- 来自专栏遥感目标检测
【遥感目标检测】利用YOLOv8进行遥感影像大气排污烟囱检测-总体介绍（1）
一、背景介绍山东某客户希望我们能够利用深度学习技术进行遥感影像的大气排污烟囱检测，快速发现生态环境问题，以便给相关主管部门提供决策依据。 二、算法框架介绍我们选择了YOLOv8算法，它是Ultralytics公司继YOLOv5之后推出的新一代目标检测算法。 不仅支持图像分类、物体检测和实例分割任务，还引入了新的功能和改进，以进一步提升性能和灵活性。 最后把所有小区域的预测结果合并起来，得到整个影像的烟囱检测结果。精度评估 为了评估模型的检测精度，我们选取了部分已知烟囱位置的影像进行验证。 四、结语以上就是我们利用YOLOv8进行遥感影像大气排污烟囱检测的总体介绍，希望能够给大家带来一些启发和帮助。如果你有任何问题或建议，欢迎随时在评论区留言交流。
66910编辑于 2024-06-10 - 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
80820编辑于 2021-12-07 - 来自专栏遥感目标检测
【遥感目标检测】利用YOLOv8进行遥感影像大气排污烟囱检测-数据标注需求及规范（2）
一、背景说明山东某客户希望我们利用YOLOv8在遥感影像上进行大气排污烟囱检测。由于烟囱开源样本太少，我们需要自行标注数量可观的烟囱矢量数据用于模型训练。 烟囱类型：仅标注细长型排污烟囱，不标注大口径烟囱（为冷却塔，非排污烟囱）。 仅标注细长型大气排污烟囱，不标注大口径烟囱（非排污烟囱）。排污烟囱通常比较高，若影像拍摄时间在上午或下午，影子也会比较长，可结合影子综合判断。但矩形框不要包含影子，仅包含本体即可。 《山东省2020年大气环境重点排污单位名录》供标注时参考，结合高德/百度地图可快速在GF2影像中定位（搜索相应排污单位）。影像中很可能存在不在名录里的排污单位，故需保证每景影像标注完备，无漏标。 若无法确认是否为排污烟囱，可获取当前点坐标后，在高德/谷歌地图中定位，结合POI、ROI及周边环境信息进一步判断，降低错标几率。如住宅聚集区中间大概率不会有排污烟囱。
44510编辑于 2024-06-10 - 来自专栏燧机科技-视频AI智能分析
河道排污口排污监测系统 AI守护水清岸绿
在城市黑臭水体治理、工业园区水环境监管等场景中，非法或异常排污行为是影响水质达标的关键因素。传统依赖人工巡查或在线水质传感器的方式，存在覆盖有限、成本高昂、响应滞后等问题。 为提升监管广度，部分生态环境部门试点部署了“河道排污口排污监测系统”。 二、系统架构：色彩分析 + 流动检测 + 边缘推理系统采用三层边缘设计，保障弱光与低带宽环境下的本地化处理：前端感知层在重点排口上方部署200万像素黑光摄像机（带红外补光，最低照度 ≤0.001 lux 异常判别层设定基线：晴天无排水时的河面颜色分布；若连续多帧检测到排口区域出现显著色偏（如L* < 30 的深色区域）且伴随流动，则标记为“疑似异常排水”；引入气象联动：降雨期间自动降低告警灵敏度，避免将初期雨水误判为污水 结语AI在水环境监管中的角色，不是“水质检测仪”，而是“视觉哨兵”。它无法告诉你水中是否有毒，但可以提醒你：“这个排口，今天颜色不太对。”
17210编辑于 2026-02-03 - 来自专栏燧机科技-视频AI智能分析
排污口漂浮物监测系统
排污口漂浮物监测系统通过YOLOV5网络模型技术，排污口漂浮物监测系统对河道两岸各处排污口进行7*24小时不间断实时监测，监测到河道两岸的排污口违规乱排乱放时，不需人为干预系统立即抓拍存档告警。 我们选择当下YOLO卷积神经网络YOLOv5来进行排污口识别检测。6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。 在我们还对YOLOv4的各种高端操作、丰富的实验对比惊叹不已时，YOLOv5又带来了更强实时目标检测技术。 Head输出端-Head用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。 YOLOv4利用GIOU_Loss来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。图片
62000编辑于 2023-04-14 排污管道检测污水排放管道检测数据集VOC+YOLO格式10000张1类别
重要说明：这个只是标注了排污管道，其他均未标注，数据集大小约1.8GB，压缩包大小1.77GB 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的
22900编辑于 2025-07-16- 来自专栏用户2442861的专栏
openCV—Python(11)—— 图像边缘检测
box-sizing: border-box; padding: 0px 5px;">10
- 11 box-sizing: border-box; padding: 0px 5px;">10
- 11 laplacian边缘检测结果： ? X方向边缘检测结果： ? Y方向边缘检测结果： ? XY方向结合边缘检测结果： ? Canny边缘检测结果： ?
2K11发布于 2018-09-19 - 来自专栏贾志刚-OpenCV学堂
YOLO11+OpenVINO 实现药片检测
数据集下载地址： https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip、 数据标签文件配置： YOLO11 模型训练 训练命令行 yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640 PR曲线 部署与量化推理演示 PTQ的量化代码如下： 运行结果如下： 基于OpenVINO2025 C++ SDK部署INT8量化后模型，推理效果如下： OpenVINO + YOLO11药片检测的推理代码如下： std::string > detector(new YOLO11Detector()); detector->initConfig(xmlpath, labelpath, 0.2, 640, 640); cv::Mat image = cv::imread("D:/pills.jpg"); detector->detect(image); cv::imshow("YOLO11药片检测+OpenVINO2025", image);
12810编辑于 2026-04-02 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model bus.jpg 它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹） 训练结果： 可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的 你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？ 从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？
75010编辑于 2025-12-24- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.6K10编辑于 2024-10-10 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing 检测的效果还不错，比上次150张图片训练的准确率要高出不少，天空和树林背景的检测准确率已经很高，不过白色的楼做背景的话，白色的无人机要就检测出来确实比较难。看后面会不会有什么别的好办法。 IOU来看的话还是能看出来一个趋势的，IOU最后基本会稳定在0.8--1的一个水平，从视频上来看，检测框的准确性确实比较一般，不知道还有么有比较好的方法去进一步提高这个精确度，这都再说了，现在就是希望感冒赶紧好起来
2.4K30发布于 2018-12-19 - 来自专栏网络安全观
生态环境大数据一体化平台技术实施方案（落地文件）
建设业务协同应用中心 建设业务协同应用中心，实现业务系统（行政管理审批、环境风险防控与应急、机动尾气检测、排污费征收、移动执法等）的集成，通过动态授权技术，实现有权限限制的业务数据共享。 3、业务协同应用中心 集成办公自动化（OA）、建设项目审批管理、排污费征收、排污许可证管理、放射源管理、环境信访、移动执法、机动车尾气检测等系统，并开发建设项目审批看板、机动车尾气检测看板、排污费征收统计看板 2)便捷办公 本看板将集成的各系统以图标块列出，具体包括：建设项目审批管理、排污费征收、排污许可证管理、固体废物管理、放射源管理、环境信访、移动执法、机动车尾气检测等。 Ø 机动车尾气检测看板 通过设定的年、月、周或者日期时间段、车辆类型、检测方法等条件统计各个城市检测车辆的总数。 通过设定的年、月、周或者日期时间段、检测场站、检测方法等条件统计各个车辆类型检测车辆的总数。 通过按年、月、周或日期时间段，结合检测场站、检测设备、检测方法等条件统计各车辆类型的检测合格率。
1.7K20发布于 2021-02-25 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
12.6K21编辑于 2025-01-13 - 来自专栏悦思悦读
大数据在环境保护中的应用
在排污权市场上，排污者从自身利益出发，自主决定其污染治理的程度，买入或者卖出排污权。 企业可以通过平台来查询谁家有排污权要卖掉，或者来进行线上的排污权交易。 该平台涉及政府用户和排污权买卖的用户，具备排污权信息管理，交易的管理许可证管理等功能。 据我了解，土壤监测采样点，一般每年会定期的去采一些样回来，检测成分、污染物的含量等。 但如果有一些紧急的情况，比如说某处通报区片污染什么的，也会做专题检测。 Q8：政府对于环保的长期规划？ Q11：环保数据一般在什么样的量级？是MB？GB？还是更大？ A11：这个要分情况了。 标准化的检测站点，比如标准空气监测站点，用微众的天平或者贝塔射线的，一小时记录一个数值（每小时的pm2.5浓度，或者其他的污染物浓度等），这种数据一天24小时就24个数，不算大。
11.5K31发布于 2018-10-08 - 来自专栏物联网智慧生活
5G环保数采仪下的造纸厂污水处理监测
造纸厂污水处理系统组成 感知层：对摄像头、各类水质监测传感器、排污设备状态等进行目标数据采集，排污口实时监测污水排放流速、流量等。 管理层：远程在线排污设备工况监测、排放水监测因子数据监测，数据分析处理，设备远程控制。 7、三级看门狗检测机制，采用PPP层心跳、ICMP探测、TCP心跳链路检测机制，设备稳定不掉线。
66320发布于 2021-03-19 - 来自专栏腾讯数据中心
积水成渊——数据中心用水效率分析
2.冷却水排污 由于腾讯某数据中心采用开式冷却塔，而且水温较高，所以必须对冷却水系统进行加药，防止冷却水系统结垢、细菌滋生、管壁淤泥附着。加药的同时必须要配合冷却水的排污来控制冷却水浓缩倍数。 由此可见，季节不同，数据中心各项用水比例会发生明显变化，但主要用水项为：冷却水蒸发、冷却水排污、设施维护及加湿用水。数据中心电力使用效率有PUE作为衡量指标，那用水效率用什么来衡量呢？ 3.提高冷却水浓缩倍数 冷却水做水处理加药，必定要配合着排污，来控制冷却水的浓缩倍数，从而控制冷却水中钙镁离子的含量，延缓管道及设备结垢。那么浓缩倍数控制在多少合适呢？ 一般情况做水处理的厂商会建议4倍浓缩倍数，跟进每周检测补充水的电导率调整冷却水排污电导率设定值。由于冷却水排污量比较大，我们一致在尝试逐步提升排污电导率设定，目前我们控制冷却水浓缩倍数在5倍左右。 6.废水污水处理二次利用 对数据中心排放的废水（冷却水排污、冷凝水、生活用水等）回收再利用。 对于雨水充足地区可做雨水收集利用。
4K40发布于 2018-03-16 - 来自专栏云深之无迹
工信部2016379号-11 微弱信号的检测方法
1718篇原创内容 公众号 这是一份来自工信部的文件，《工信部2016379号-11 微弱信号的检测方法》，发布单位：国家无线电监测中心、国家无线电频谱管理中心。 核心术语 术语 定义 信号检测 在噪声干扰中识别目标信号存在性的技术过程 微弱信号 信噪比低于0 dB、埋藏于噪声中的信号 微弱信号检测 通过特定处理方法提升信噪比，以识别有用信号的技术 微弱信号检测的三种主要方法 方法 原理 优点 适用场景 自相关检测 利用信号自身相关性 不需参考信号 自发信号监测 互相关检测 利用参考信号与目标信号相关性 抑制干扰能力强 卫星信号提取 锁定放大法 频谱搬移+低通滤波 抗窄带噪声能力强 微弱调制信号 取样积分法 采样+积分平均 实现简单，适合周期信号 工频干扰抑制场景 相关检测法 自相关检测 利用信号本身的时间相关性与噪声的非相关性进行积分识别。 低通滤波器可显著抑制非同步噪声，提高信号可识别度 https://www.srrc.org.cn/srrc/pdf/%E5%B7%A5%E4%BF%A1%E9%83%A8%E6%97%A02016379%E5%8F%B7-11%
56600编辑于 2025-07-13 使用纯opencv部署yolov11旋转框目标检测
【官方框架地址】 GitHub - ultralytics/ultralytics: Ultralytics YOLO11 【算法介绍】 YOLOv11是一种先进的对象检测算法，它通过单个神经网络实现了快速的物体检测 其中，旋转框检测是YOLOv11的一项重要特性，它可以有效地检测出不同方向和角度的物体。 旋转框检测的原理是通过预测物体的边界框和旋转角度来实现的。 在YOLOv11中，神经网络不仅预测了物体的边界框位置，还预测了物体的旋转角度。这意味着YOLOv11可以检测出不同方向和角度的物体，而不仅仅是正面的物体。 通过旋转框检测，YOLOv11在处理具有挑战性的物体检测任务时具有更大的灵活性。例如，在处理包含不同方向和角度的物体的图像时，旋转框检测可以提供更准确的检测结果。 此外，由于旋转框检测涉及到多个参数的预测，因此需要更强大的神经网络架构来处理这些参数。 总的来说，YOLOv11的旋转框检测是一种强大的技术，它可以提高物体检测的准确性和灵活性。
29910编辑于 2025-07-22- 来自专栏深度学习和计算机视觉
基于yolov11的手语检测 | 附数据集+代码
重磅干货，第一时间送达 YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代，它重新定义了尖端精度、速度和效率的可能性。 主要特点 增强特征提取：YOLO11采用了改进的骨干和颈部架构，增强了特征提取能力，实现了更精确的目标检测和复杂任务的性能。 支持任务范围广泛：无论是目标检测、实例分割、图像分类、姿态估计还是定向目标检测（OBB），YOLO11都旨在应对多样化的计算机视觉挑战。 训练过程 YOLO11模型在此ASL数据集上进行了微调，专门用于手语目标检测。这个训练过程包括： 数据集增强：使用Roboflow通过转换来增强数据集。 结果显示了在实时检测不同ASL标志方面的有希望的结果，证明了YOLO11架构在处理复杂、基于手势的任务方面的有效性。 设置和初始化 访问GPU 我们可以使用nvidia-smi命令来做到这一点。
2K11编辑于 2024-12-09 使用纯opencv部署yolov11目标检测onnx模型
yolov11官方框架：https://github.com/ultralytics/ultralytics 【算法介绍】 在C++中使用纯OpenCV部署YOLOv11进行目标检测是一项具有挑战性的任务 将预处理后的图像输入到模型中，并获取检测结果。 对检测结果进行后处理，包括解析输出、应用非极大值抑制（NMS）和绘制边界框。 编译和运行： 使用C++编译器（如g++）编译你的代码。 运行编译后的程序，输入图像或视频，并观察目标检测结果。 /yolo11n.onnx"; Yolov11 detector; video_demo(detector, detect_model_path); } 【视频演示】 C++使用纯opencv部署yolov11 winform最快检测速度，将yolov5-6.2封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，使用C#的winform部署yolov8的onnx
1.5K11编辑于 2025-07-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号