- 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。
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- 来自专栏大数据那些事
keepalived（8）——http、tcp检测
再在192.168.19.137上开启httpd服务，发现keepalived检测到后将主机192.168。19.137重新加回lvs集群： ? ? 再去访问成功轮训： ? 实践完毕，最重要的就是对HTTP_GET配置段的合理规划 同样我们也可以设置tcp的检测方式（TCP_CHECK段）
1.1K40发布于 2020-11-11 - 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 8、数据集成与管理 数据采集对新疆自治区环境保护厅现有的各应用系统、各部门共享数据接口、文件系统等数据源头，采用多种信息采集方式，实现环境信息数据的自动化动态采集，保障环境信息数据的动态更新和时效性。 8、环境信息资源目录 根据《环境信息分类与代码》（HJ/T417-2007)中的环境信息分类，以国家环保部发布的《环境信息分类与代码》为依据，建设环境信息资源目录。 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 - 来自专栏相约机器人
8行代码中的人脸检测，识别和情感检测！
人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ https://github.com/priya-dwivedi/face_and_emotion_detection 本博客分为3部分： 面部检测 - 能够检测任何输入图像或帧中的面部位置。 这是通过比较面嵌入向量来完成的 情绪检测 - 将脸上的情绪分类为快乐，愤怒，悲伤，中立，惊讶，厌恶或恐惧 面部检测 面部检测是管道的第一部分。 此库扫描输入图像并返回所有检测到的面的边界框坐标，如下所示： 人脸检测 下面的代码段显示了如何使用face_recognition库来检测面部。 情绪检测 人类习惯于从面部情绪中获取非语言暗示。现在计算机也越来越好地阅读情感。那么如何检测图像中的情绪呢？
1.5K20发布于 2019-06-21 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 1.小目标检测介绍 1.1 小目标定义 1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）； 2）在实际应用场景中 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 我们推测这使得小目标检测的在验证时的通用性变得很难； 3）anchor难匹配问题。 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
6.7K20编辑于 2023-11-11 - 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 ；实时更新中，模型轻量化创新结果如下：layersparametersGFLOPskbmAP50mAP50-95yolov8-pose18733794969.668420.9210.697yolov8- -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8
2.5K30编辑于 2023-11-08 - 来自专栏深度学习和计算机视觉
使用YOLOv8检测棋盘棋子
重磅干货，第一时间送达 本文作为yolov8的手把手教程呈现~ 在本文的基础上，可以为任何目标检测任务训练模型。训练定制YOLO模型可能相当复杂，尤其是对于初学者。 检测棋盘棋子 训练模型 训练一个模型可能耗时，甚至可能需要超过一周的时间。影响训练时间的三个主要因素是：数据大小、GPU能力和训练参数。 更多的数据需要更多的训练时间，但是模型的训练效果也会更好。 简单来讲，训练主要有7个步骤： 创建数据 为项目创建文件夹 创建YAML文件 选择一个预训练的YOLOv8模型 创建一个用于训练的Python文件并训练模型 观察模型指标 测试模型 1. 本文使用Roboflow的棋盘棋子检测数据集（见文末） 2. 选择一个预训练的YOLOv8模型 有许多预训练的YOLOv8模型，选择预训练模型完全取决于你的目的。
55611编辑于 2024-12-05 - 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。 8、管理方便：平台管理、本地配置、串口配置、液晶/键盘配置、app手机配置可选，参数远程配置、远程添加传感器、控制器等物联网终端。 9、数据加密传输，安全可靠。
66320发布于 2021-03-19 - 来自专栏AI智韵
YoloV8实战：使用YoloV8实现OBB框检测
定向边框（OBB）数据集概述 使用定向边界框（OBB）训练精确的物体检测模型需要一个全面的数据集。 这样可以更准确地检测到物体，因为边界框可以旋转以更好地适应物体。 DOTA数据集 DOTA是一个专门的数据集，侧重于航空图像中的物体检测。该数据集源于 DOTA 系列数据集，提供了用定向边框（OBB）捕捉的各种航空场景的注释图像。 包含多尺度物体检测。 专家使用任意（8 d.o.f.）四边形对实例进行标注，捕捉不同比例、方向和形状的物体。 数据集版本 DOTA-v1.0 包含 15 个常见类别。 为 "2019 年航空图像中的物体检测 DOAI 挑战赛 "发布。 DOTA-v2.0 收集自Google 地球、GF-2 卫星和其他航空图像。 包含 18 个常见类别。
3.3K10编辑于 2024-10-22 - 来自专栏全栈程序员必看
OpenCV-Python教程（8、Canny边缘检测）
其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。 函数返回一副二值图，其中包含检测出的边缘。 使用 Canny函数的使用很简单，只需指定最大和最小阈值即可。 如下： #coding=utf-8 import cv2 import numpy as np img = cv2.imread("D:/lion.jpg", 0) img = cv2.GaussianBlur
1.4K10编辑于 2022-09-02 - 来自专栏悦思悦读
大数据在环境保护中的应用
本文是作者在2018年8月18日众智汇社群分享的记录。由@L 记录整理。 作者：王情 环境保护领域科研人员 中科院地理资源所地图学与地理信息系统博士，清华大学环境科学博士后。 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。 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？ A8：从2013年开始，陆陆续续出台了好多办法和政策，例如：环保的十三五规划，还有之前的大气十条，水十条，土壤十条等。 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 - 来自专栏往期博文
【目标检测】YOLOv8：快速上手指南
YOLOv8概述 YOLOv8是YOLOv5团队在今年新推出的一代YOLO版本，与前几代版本相比，其性能和速度差距如下图所示： 和其它版本不同的是，该仓库并非起名为YOLOv8，而是公司名ultralytics 模型推理 YOLOv8目前支持的推理有：目标检测、目标检测+分割、目标检测+姿态检测、目标跟踪。 注：所有的任务都以检测为基础，官方并未单独提出其他任务的训练方式。 目标检测 # Load a model model = YOLO('yolov8n.pt') # load a pretrained model # Run inference on 'bus.jpg 示例效果： 目标检测+分割 # Load a pretrained YOLOv8n-seg Segment model model = YOLO('yolov8n-seg.pt') # Run 效果： 目标检测+姿态检测 # Load a pretrained YOLOv8n-pose Pose model model = YOLO('yolov8n-pose.pt') # Run inference
5.4K42编辑于 2023-09-13 YOLO v8 目标检测识别翻栏
三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入 使用yolov8算法得到的是人物检测框的四个点信息[x，y，w，h]，即目标框的左上角点的x，y坐标和宽w、高h，因此需要通过代码，转换成人体下方的点，即[左上角点x+1/2*宽w，左上角点y+高h]。
23810编辑于 2025-12-16使用onnxruntime部署yolov8-onnx印章检测
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8是目标检测领域中的一种先进算法，它是YOLO（You Only YOLO算法以其高效和实时的性能而著名，而YOLOv8则进一步提升了这些特点。 YOLOv8的核心思想是将目标检测任务视为回归问题，通过单次前向传播直接在图像上预测出目标的边界框和类别概率。 这种结构的设计使得模型能够更好地捕捉目标的细节和上下文信息，从而提高了检测的准确性。 在训练策略方面，YOLOv8采用了多种技巧来提升模型的泛化能力和鲁棒性。 总的来说，YOLOv8是一种高效且实时的目标检测算法，它在保持YOLO系列算法简洁性的同时，通过改进模型结构和训练策略，提升了检测准确性和鲁棒性。 这使得YOLOv8在实际应用中具有更广泛的适用性，可以应用于各种场景下的目标检测任务。
31210编辑于 2025-07-17- 来自专栏YOLO大作战
基于Yolov8的道路破损检测系统
道路破损检测系统设计4.1 PySide6介绍4.2 安装PySide6 4.3 道路破损检测系统设计1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的 YOLO目标检测和图像分割模型的最新版本。 是的，YOLOv8走向了Decoupled-Head； Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想； 损失函数：YOLOv8使用VFL 上图是道路破损检测训练，有图可以看出 ，分别是破损和background FP。该图在每列上进行归一化处理。则可以看出破损检测预测正确的概率为67%。 道路破损检测系统设计4.1 PySide6介绍 受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。
41810编辑于 2025-09-01
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