- 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。
66710编辑于 2024-06-10 - 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）。 标注区域：经对山东省生态环境厅2020年3月27日发布的《山东省2020年大气环境重点排污单位名录》进行计数统计，分析大气排污烟囱在以下区域比较集中，建议优先标注如下区域，以尽可能降低影像数量。 2天将完成标注及质检后的标注成果同影像批量打包发给算法同事，压缩包建议以【smokestack_{打包提交日期yymmdd}_{影像数}_{烟囱数}】命名，如【smokestack_20240530_3_ 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。
44410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 同时点击进入后，可显示不同区域空气环境质量形势预报及具体城市未来2-3 天内空气质量详报。 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。 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 - 来自专栏机器视觉那些事儿
无纺布折痕检测（3）· 基于灰度投影的折痕检测
- 算法思路 - （1）构造滤波器与原图卷积增强图像 （2）灰度投影，构建垂直灰度投影函数，并与平滑后的函数进行 差分运算，超过一定阈值即为缺陷所在位置的列坐标 （3）计算缺陷区域并显示 使用第一篇构造的滤波器与图像卷积运算 完整代码： dev_update_off () read_image (Image1030179715f15e264af3b, 'C:/Users/SWD-AR02/Desktop/10_3017_9715f15e264af3b.png 5,1,5,1,-1,-5,1,5,1,-1,-5,1,5,1,-1,-5,1,5,1,-1,-5,1,5,1] *图像卷积 convol_image (Image1030179715f15e264af3b sub:=(VertProjection-YValues) *使用符号函数，计算得到缺陷Y坐标 flawYValues:=find(sgn(sub-ThresholdValue),1) *------（3） ,RegionIntersection) *结果显示 dev_set_draw ('margin') dev_display (Image1030179715f15e264af3b) dev_display
1.8K10发布于 2019-07-15 - 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。 3、治污设备工况监控，保证污水处理正常运行，通过短息、管理平台、微信、邮件等多渠道发送提示信息，保证故障处理的时效性。 4、支持历史数据查询，生成污水处理统计分析的各种报表。 3、各种污染治理设备工作状态监测、可对阀门、闸门、报警器等设备进行控制。 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CSDN社区搬运
【DETR3D】3D目标检测
概述 DETR3D介绍了一种多摄像头的三维目标检测的框架。与现有的直接从单目图像中估计3D边界框或者使用深度预测网络从2D信息中生成3D目标检测的输入相比，DETR3D直接在3D空间中进行预测。 DETR3D将3D信息合并到中间计算中，而不是在图像平面上执行纯粹的2D计算 DETR3D不估计密集的三维场景几何，避免相关的重建误差 DETR3D避免了NMS等后处理步骤 如上图所示，DETR3D 这些特征可以选择性的由特征金字塔网络增强 一个检测头，以集合感知的方式将计算出的2D特征连接到一组3D边界框预测中。检测头的每一层都是从一组稀疏的对象查询开始，这些查询是从数据中学习的。 检测头 在相机输入中检测物体的现有方法通常采用自下而上的方法，该方法预测每张图像的密集边界框，过滤图像之间的冗余框，并在后处理步骤中汇总相机之间的预测。 DETR3D采用下面描述的自顶向下的目标检测头来解决这些问题。
54810编辑于 2024-12-13 - 来自专栏python3
python3 通过 pycurl 检测
由于python3 对StringIO 集成到io 模块中了，所有python3 import StringIO 改成了 import io，pycurl.Curl() 初始化对象C ，其 属性WRITEFUNCTION /bin/env pyhon3 import pycurl import io def check(urls): dict_data={} #if url not in errorurl: url = pycurl.TIMEOUT,5) c.setopt(pycurl.NOPROGRESS,1) c.setopt(pycurl.FORBID_REUSE,1) c.setopt(pycurl.MAXREDIRS,3) error occurred: ', errstr for var in dict_data.keys(): print(var,':',dict_data[var]) website=input('请输入检测站点域名
66820发布于 2020-01-03 - 来自专栏python3
基于Snort的***检测系统 3
Snort的检测系统是基于规则的，而规则是基于***特征的。Snort规则可以用来检测数据包的不同部分。Snort 1.x可以分析第3层和第4层的信息，但是不能分析应用层协议。 在本章的最后，你可以找到一些用来检测***活动的规则的例子。读完本章以及后面两章后，你所获得的信息就可以使你建立一个基本的Snort***检测系统了。 ，如果协议类型是其他任何一种，Snort检测IP头部来确定协议类型。 这就是说选项部分可以检测属于其它协议的一些参数。常用协议的头部和相关分析见附录C。 3.5.3地址 在Snort规则中，有两个地址部分，用来检测包的来源和目的地。 ，也就是感叹号，来排除某些地址，这个符号用来限制Snort 不对某些源或目的地址的包做检测。例如，西面的规则将检测除了来自C类网络192.168.2.0之外所有的包： alert icmp !
1.7K10发布于 2020-01-08 - 来自专栏AI算法与图像处理
YOLOV3实现车牌检测
来自Pexels的mali maeder的照片应用于定制的YOLO车牌检测模型 传统计算机视觉方法使用vision方法进行检测。但由于阈值和轮廓检测的局限性，其算法在部分图像上有效，但无法推广。 ln -s /content/gdrive/My\ Drive/ /mydrive 步骤3 —下载并配置Darknet Darknet是一个开源神经网络框架，具有YOLO对象检测系统。 cp cfg / yolov3.cfg cfg / yolov3-train.cfg 并在cfg/yolov3-train.cfg中进行以下更改： 第3行-从batch=1到batch=64 第4行-从 / darknet检测器火车数据/obj.datacfg / yolov3-train.cfg darknet53.conv.74 -dont_show ? 我们也是花了几天的时间才能了解YOLO的工作原理以及如何制作自定义对象检测器。使用相同的方法，小伙伴们可以构建任何类型的对象检测器。
1.7K11发布于 2021-03-14 - 来自专栏全栈程序员必看
人脸关键点检测3——DCNN
F1输入尺寸为3939，输出5个关键点的坐标；EN1输入尺寸为3139，输出是3个关键点的坐标；NM1输入尺寸为3139，输出是3个关键点。 Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每两个组成一对。Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键点定位。 Level-1之所以比Level-2和Level-3的输入要大，是因为作者认为，由于人脸检测器的原因，边界框的相对位置可能会在大范围内变化，再加上面部姿态的变化，最终导致输入图像的多样性，因此在Level 第一级的网络输出为接下来的检测提供了一个强大的先验知识。真实的脸部点伪装分布在第一级预测的一个小领域内。所以第二级的检测可以在一个小范围内完成。但没有上下文信息，局部区域的表现是不可靠的。 速度方面，采用3.3GHz的CPU，每0.12秒检测一张图片的5个关键点。 ---- 注：博众家之所长，集群英之荟萃。
1.2K20编辑于 2022-09-01 - 来自专栏不止于python
python3安装与检测
1前言 这篇就来讲讲如何安装神奇且万能的python mac系统自带python2环境, 但现在一般使用的都是python3, 而且python2在2020.1.1以后不会再进行维护了, 所以安装个python3 #当前系统下的python3的信息： brew info python3 显示如下图, 及安装成功 4 修改系统默认python版本 此时可以打开terminal 输入python3, 如果进入的还是 python2 则执行以下步骤 #查找python3安装路径 brew info python3 #修改 Mac 系统配置文件 vi ~/.bash_profile #添加配置信息 alias python ="/usr/local/bin/python3" #编译系统配置文件 source ~/.bash_profile #系统当前的python版本。 python -V 此时输入python3, 会显示如下图 python3 就安装上了 windows可以使用win+r键, 输入python, 回车检测
45920编辑于 2022-05-31 - 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。 3.IT房间加湿用水 该数据中心所在地区冬季湿度较低，机房内湿度无法保证，必须依赖加湿设备维持机房内湿度。 4.加湿软化水设备用水 该数据中心采用高压微雾的加湿方式，所以对加湿水质有很高要求。 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 - 来自专栏贾志刚-OpenCV学堂
有福利送书 | 3D对象检测检测概述
然而，由于没有可用的深度信息，故大多数方法首先使用神经网络，几何约束或3D模型匹配，在对象3D边界框预测之前，先检测2D候选对象。 然而，由于没有可用的深度信息，故大多数方法首先使用神经网络，几何约束或3D模型匹配，在对象3D边界框预测之前，先检测2D候选对象。 该文作者通过最小化投影到图像平面的3D边界框和2D检测之间的重投影误差，来实现3D检测，但其性能，仍取决于区域提议网（RPN， Region Proposal network）的性能。 虽然激光雷达方法可以有效地用于360度检测，[18] 提出了第一种根据360度全景图像的3D对象检测方法。作者估计全景图像的密集深度图，并使标准对象检测方法适用于等矩形表示。 基于点云的检测方法 当前，基于点云的3D对象检测方法，划分为三个子类别： （1）基于投影的。 （2）体积表示。 （3）点网。每个类别的解释和分析如下。 3.
96010编辑于 2022-08-29 - 来自专栏Hank’s Blog
例3 检测2的幂次
结果如下: 输入: 16 输出: True 输入: 17 输出: False
49630发布于 2020-09-17 - 来自专栏数据分析与挖掘
paddlepaddle目标检测之水果检测（yolov3_mobilenet_v1）
其实是类似pascal voc目标检测数据集的格式 （1） Annotations ? 行人检测和车辆检测？暂时不用管 （3）dataset： 各文件夹下有py文件，用于下载数据集的 ? （4）demo：用于检测结果的示例图片。 （5）docs： ? （7） ppdet：paddlepaddle检测相关文件 ? 检测出来的是orange，准确率：94%。 知道了检测训练的整个流程，那么去手动标注poscal voc格式的数据，那么就可以实现检测自己想要的东西了。 然后也可以去看下相关目标检测的论文，明白其中的原理，看看源码之类的。
1K30发布于 2020-08-26 - 来自专栏机器学习、深度学习
重温目标检测--YOLO v3
https://blog.csdn.net/zhangjunhit/article/details/82786058 YOLOv3: An Incremental Improvement 先上和其他检测算法的 COCO 对比结果 ? 2.1. Predictions Across Scales 多尺度特征图上进行检测，这里我们借鉴 FPN 在 3个不同尺寸特征图进行检测 我们仍然使用 k-means 聚类来选择 bounding box 总结一下主要改进的地方： 1）v3替换了v2的softmax loss 变成logistic loss，而且每个ground truth只匹配一个先验框。 2）v2作者用了5个anchor，v3用了9个anchor，提高了IOU 3）使用 多尺度特征图检测，这一步对小目标检测的提升最大 4）设计了 Darknet-53 虽然 Darknet-53 的计算量是
72820发布于 2019-05-27 - 来自专栏播放刘德华的歌
通用目标检测YOLO V3
Yolov3演示地址 演示视频：https://youtu.be/MPU2HistivI 演示视频： 视频内容 YOLOv3非常快速和准确。 YOLOv3使用一些技巧来改进训练并提高性能，包括：多尺度预测，更好的主干分类器等等。 完整的细节在我们的 版本3有什么新功能？ 这些中的最后一个预测3D张量编码边界框，客观性和类预测。 在我们用COCO [10]进行的实验中，我们预测每个尺度上有3个盒子，因此对于4个边界框偏移，1个客观性预测和80个类预测，张量为N×N×[3 *（4 + 1 + 80）]。 我们的网络使用了连续的3×3和1×1卷积层，但现在也具有一些快捷连接，并且明显更大。 它有53个卷积层，所以我们称它为....等待它... Darknet-53！
89183发布于 2020-07-18
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