- 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）。 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。
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
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 告警与数据管理事件摘要（含时间、排口编号、截图、10秒片段）通过4G上传至生态环境监管平台；原始视频在边缘端完成分析后立即丢弃，仅保留脱敏元数据，符合《个人信息保护法》及《生态环境监测条例》；不自动生成处罚通知 三、部署优势与现实约束可利旧部分水利或安防摄像头，降低初期投入；支持太阳能+4G，适用于无市电的偏远排口；局限性：无法识别无色无味的有毒废水（如稀释后的化工废水）；夜间或浑浊水体下识别能力大幅下降；不适用于地下暗管或隐蔽排口 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。 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：图片输入端-输入端表示输入的图片。 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 4、GIS 专题 根据用户查询条件配置生成环境质量专题图、生态环境专题图、污染源专题图。 4)辐射环境质量展示看板 通过选择城市、时间，查看具体监测数值（包括：检测地点、时间等）。 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。
1.7K20发布于 2021-02-25 - 来自专栏机器学习AI算法工程
火灾火焰检测数据集和yolov4检测模型
开源1个火灾检测数据集(含标注)和预训练模型。 火灾检测数据集图像2059张：包含大火-小火，建筑起火、草原起火、森林起火、车辆(汽车、卡车、摩托车、电动车)起火、白天-黑夜起火等场景； 代码及运行教程，数据集 获取： 关注微信公众号 datayx
3.1K31发布于 2020-11-03 - 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。 造纸厂污水处理用5G环保数采仪功能优势 1、具备4路图像抓拍，具备存储、显示、采集、报警、传输、控制功能。 图片2.png 4、通信方式多样，支持GPRS/4G无线蜂窝网络、短信、RS232/RS485，可选NB-IOT、北斗等。 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 - 来自专栏简书专栏
目标检测第4步-模型测试
《目标检测第2步-数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 《目标检测第3步-模型训练》，链接：https://www.jianshu.com/p 下载测试数据 下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 压缩文件n01440764.tar下载完成后，复制到桌面的文件夹目标检测中 进行到此步，桌面的文件夹目标检测如下图所示： ? image.png 4.下载并运行测试代码 链接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取码: i3wn 代码文件fish_detection.ipynb 下载完成后，复制到桌面的文件夹目标检测中。
1.4K31发布于 2018-12-28 - 来自专栏技术杂记
反作弊如何检测系统仿真（4）
4.png 我们还确认了它正在检查的位是中的系统调用启用位（SCE）IA32_EFER。由于使用了Daax和ajkhoury的博客上发布的EFER的syscall挂钩方法的发布，它会检查此位。 ( NtDeviceIoControlFile ) { OutputBufferLength = 6; InputBufferLength = 4; 结论 在本文中，我们介绍了可用于管理程序的许多不同检测方法。一些有效，其他却不太有效。我们还详细介绍了一些规避记录在案的检测向量的方法，但是实际的实现方式将取决于读者。 在以后的文章中，我们将讨论这两种特殊的防欺诈功能，我们计划更深入地研究它们的硬件指纹识别，报告和检测程序。 我们希望您喜欢阅读有关如何利用虚拟化平台中的各种错误来检测自省引擎的信息，以及通过这些检查的方法。
2K140发布于 2021-01-05 - 来自专栏AI算法札记
目标检测4: Detection基础之mAP
4. mAP计算示例 下面通过示例来解释插值AP。 下图有7张图像，其中15个GT目标用绿色框表示，24个检测到的物体由红色框表示。每个检测到的物体由字母（A，B，... 在一些图像中，存在多于一个与同一个ground truth重叠的检测结果（图像2,3,4,5,6和7）。对于这些情况，选择具有最高IOU的检测框，丢弃其他框。 （A1，A2，A3和A4）： 计算总面积，即可得到AP： 两种不同插值方法之间的结果略有不同：分别通过每点插值和11点插值分别为24.56％和26.84％。 # 按置信度取不同数量检测结果时的累计fp和tp # np.cumsum([1, 2, 3, 4]) -> [1, 3, 6, 10] # 参考资料 [1] 目标检测中的mAP是什么含义 [2] Object-Detection-Metrics [3] 目标检测mAP计算方式 [4] 目标检测评价标准-AP mAP [5] 目标检测模型的评估指标
1.4K30编辑于 2022-08-02 - 来自专栏前端Q
4种Javascript类型检测的方式
今天这篇文章，主要介绍了JavaScript中检测数据类型的4种方式。如果已经会了的可以当成复习，如果还不了解的话，可以认真看看，并加以运用。 1、typeof 主要用于判断基本数据类型 。 'string' ：字符串类型的变量或值 4. 'number'：数字类型的变量或值 5. 所有函数 instanceof Function 都会返回 true 总结： instanceof不仅能检测构造对象的构造器，还检测原型链。 Array.isArray(new Array); // --> true //4. 4、Object.prototype.toString.call() 判断某个对象值属于哪种内置类型, 最靠谱的做法就是通过Object.prototype.toString方法。
1.1K10编辑于 2022-04-08 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
作者：Edison_G 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。 一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 目前目标检测任务主要针对不同的应用场景选择合适的检测算法：单阶段算法检测速度最快，但准确率较低；两阶段和多阶段检测算法可以获得更高的检测精度，但以牺牲检测速度为代价。 二、概要 今天分享的框架，新的方法基于YOLOv4。 高层特征的语义信息首先通过FPN采样传播到低层网络，然后与底层特征的高分辨率信息融合，以提高小目标检测对象的检测效果。 输入特征图经过一个卷积层后，经过5×5、9×9、13×13三个核进行最大池化， 然后concat得到的特征图进行通道拼接，输出通道数变成原来通道数的4倍，特征图大小保持不变。
1.4K20编辑于 2022-01-26 - 来自专栏全栈程序员必看
基于yolov4的目标检测_yolov3目标检测
├── detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。 ├── train.py：训练自己的数据集的函数。 ├── test.py：测试训练的结果的函数。 通过如下的图可以获得权重的名字和大小信息，可以预料的到，预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。 3训练自己的模型 3.1修改数据配置文件 预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。 ，我这里是识别安全帽和人，所以这里填写2；最后箭头4中填写需要识别的类别的名字（必须是英文，否则会乱码识别不出来）。 tensorboard --logdir=runs 4 推理测试 等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件
56620编辑于 2022-11-03 - 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。 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。在高压微雾前端有两道水过滤装作，一个树脂过罐，对市政水做第一次过滤，一个是反渗透装作，做第二次过滤。 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。 4.提高反渗透进水水质及温度 适当增加反渗透膜的数量或提升进水水质，会提高产水量，减少废水排放。 进水水温每提升1℃，产水量会提升2.5%-3.0%（以25℃为标准）。 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 - 来自专栏智能算法
目标检测算法YOLOv4详解
YOLOv4是精度速度最优平衡, 各种调优手段是真香，本文主要从以下几个方面进行阐述： YOLOv4介绍 YOLOv4框架原理 BackBone训练策略 BackBone推理策略 检测头训练策略 检测头推理策略 框架原理 我们主要从通用框架，CSPDarknet53，SPP结构，PAN结构和检测头YOLOv3出发，来一起学习了解下YOLOv4框架原理。 2.5 检测头YOLOv3 对于检测头部分，YOLOv4继续采用YOLOv3算法的检测头，不再赘述。 区别在于Mosaic是一种将4张训练图像合并成一张进行训练的数据增强方法(而不是CutMix中的2张)。这增强了对正常背景(context)之外的对象的检测，丰富检测物体的背景。 本文从YOLOv4介绍，YOLOv4框架原理，BackBone训练策略，BackBone推理策略，检测头训练策略，检测头推理策略这几个大方面进行详细的阐述了YOLOv4中所用到的各种策略，希望对大家有所帮助
16.9K34发布于 2020-11-17 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】边缘检测原理
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 , result3); //整幅图像的边缘 result6 = result2 + result3; //检测由左上到右下方向边缘 filter2D(img, result4, CV_ 16S, kernelXY); convertScaleAbs(result4, result4); //检测由右上到左下方向边缘 filter2D(img, result5, CV_16S ("result2", result2); imshow("result3", result3); imshow("result4", result4); imshow("result5",
89940发布于 2020-02-10 - 来自专栏GiantPandaCV
INT4量化用于目标检测
Int 4量化用于目标检测 【GiantPandaCV】文章2019 CVPR，讲的是Int 4量化用于目标检测，主要是工程化的一些trick。 感受：这篇文章主要是做了实践工作，可以看作是低bit量化(Int 4)用于目标检测的一些trick。 Quantization and training of neural networks for efficient integer-arithmetic-only inference》简称IAO 量化用于目标检测有以下困难 并且让activation在[，] (0 < < 1) 内，文章设置n=20，=0.999. 4、折叠bn。 Int4量化与全精度对比 ? 消融实验 ? FreezeBN与不同bit的对比 ? 截断激活函数阈值的百分比 ? 与其他量化方法的对比图
1.3K20发布于 2021-03-24 - 来自专栏全栈程序员必看
睿智的目标检测29——Keras搭建YoloV4目标检测平台
睿智的目标检测29——Keras搭建YoloV4目标检测平台 学习前言 什么是YOLOV4 代码下载 YOLOV4改进的部分（不完全） YOLOV4结构解析 1、主干特征提取网络Backbone 2、特征金字塔 什么是YOLOV4 YOLOV4是YOLOV3的改进版，在YOLOV3的基础上结合了非常多的小Tricks。 尽管没有目标检测上革命性的改变，但是YOLOV4依然很好的结合了速度与精度。 YOLOV4整体上的检测思路和YOLOV3相比相差并不大，都是使用三个特征层进行分类与回归预测。 请注意！ _output]) 3、YoloHead利用获得到的特征进行预测 当输入是416×416时，特征结构如下： 当输入是608×608时，特征结构如下： 1、在特征利用部分，YoloV4提取多特征层进行目标检测 classes_path指向检测类别所对应的txt。 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
85830编辑于 2022-09-12 - 来自专栏python开发者
【CCD图像检测】4：图像的简单校正
CCD图像检测<四> 作者：一点一滴的Beer 指导教师：Chen Zheng 单位：WHU 五、 图像的校正。 5.1.纵向校正 5.1.1纵向理论校正。
1.2K30编辑于 2022-05-10
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