- 综合排序
- 最热优先
- 最新优先
- 来自专栏IT杂谈学习
Python实现动态烟雾效果：逼真的烟雾动画
引言 动态烟雾效果常用于游戏和动画中，为场景增添逼真的视觉效果。在这篇博客中，我们将使用Python和Pygame库来创建一个逼真的烟雾动画效果。 通过模拟烟雾粒子的运动和透明度变化，我们可以实现一个栩栩如生的烟雾效果。 准备工作 前置条件 在开始之前，你需要确保你的系统已经安装了Pygame库。 并设置屏幕的基本参数： pygame.init() screen = pygame.display.set_mode((800, 600)) pygame.display.set_caption("动态烟雾效果 ") clock = pygame.time.Clock() 定义烟雾粒子类 我们创建一个SmokeParticle类来定义烟雾粒子的属性和行为： class SmokeParticle: def ") clock = pygame.time.Clock() # 烟雾粒子类定义 class SmokeParticle: def __init__(self, x, y):
49710编辑于 2024-09-20 - 来自专栏物联网知识
鸿蒙之检测烟雾
MQ-2烟雾传感器 MQ-2常用于家庭和工厂的气体泄漏监测装置，适宜于液化气、苯、烷、酒精、氢气、烟雾等的探测。故因此，MQ-2可以准确来说是一个多种气体探测器。 MQ-2的探测范围极其的广泛。 应答信号：接收数据的IC在接收到8bit数据后，向发送数据的IC发出特定的低电平脉冲表示已收到数据。
46530编辑于 2022-03-29 - 来自专栏OpenCV与AI深度学习
YOLOv8自定义数据集训练实现火焰和烟雾检测
YOLOv8一个令人惊叹的物体检测人工智能模型。与 YOLOv5 及之前的版本不同，您不需要克隆存储库、设置需求或手动配置模型。 使用 YOLOv8，您只需安装 Ultralytics，我将向您展示如何使用一个简单的命令。YOLOv8 通过引入新的功能和改进，增强了早期 YOLO 版本的成功，从而提高了性能和多功能性。 这意味着模型正在接受训练以检测图像中的烟雾或火灾。 names: ['smoke', 'fire']：此行提供数据集中类的名称。列表中的每个元素对应一个类标签。 model=yolov8s.pt：所使用的模型名为“yolov8s.pt”。YOLOv8 可能是 YOLO 算法的一个版本，“.pt”扩展名可能表明它是一个 PyTorch 模型文件。 总之，此命令可能使用“dfire.yaml”中定义的数据集执行对象检测模型 (YOLOv8s) 的训练。
2.8K11编辑于 2024-05-22 - 来自专栏嵌入式项目开发
STM32读取MQ2烟雾浓度数据判断烟雾是否超标
MQ2传感器的输出电压与烟雾浓度之间的关系是线性的，需要进行一定的转换才能得出准确的烟雾浓度。 (HAL库) 以下是一个基于STM32F103C8T6和MQ2传感器的示例代码，它可以采集MQ2的烟雾浓度并通过串口打印出来。 50]; sprintf(msg, "Smoke density: %.2f%%\n", SmokeDensity); HAL_UART_Transmit(&huart1, (uint8_ huart1.Instance = USART1; huart1.Init.BaudRate = 115200; huart1.Init.WordLength = UART_WORDLENGTH_8B GPIO_InitStruct); } void Error_Handler(void) { while(1); } #ifdef USE_FULL_ASSERT void assert_failed(uint8_
1.4K20编辑于 2023-07-08 - 来自专栏嵌入式项目开发
【CC2530开发基础篇】读取MQ2烟雾的烟雾浓度值【ADC采集】
1.4 项目实现的功能 功能编号 功能描述 (1) 烟雾浓度检测：使用MQ-2气体传感器检测空气中的烟雾浓度，并输出模拟信号。 它基于8051内核，具有丰富的片上资源，包括128 KB的闪存、8 KB的RAM、多个UART和SPI接口、ADC模块等。 对于资源受限的CC2530（如闪存128 KB和RAM 8 KB），IAR可以显著减小二进制文件大小，让更多复杂功能得以实现。 外设功能） P2DIR &= ~0XC0; //P0优先作为UART0 U0CSR |= 0x80; //设置为UART方式 U0GCR |= 8; 如1010^1111=0101（二进制） /* Read the result */ reading = ADCL; reading |= (int16) (ADCH << 8);
57510编辑于 2025-05-29 - 来自专栏Coco的专栏
CSS 也能实现烟雾效果？
本文继续此系列，本文主要想探讨一下，使用 CSS 能否比较好的实现一些烟雾效果。 纯 CSS 实现烟雾动画 我们首先来看这样一个效果： 假设，我们有这样一个字符： C 我们仅仅是通过 text-shadow + opacity 的变化，就能模拟烟雾的效果： 在此基础之上，我们只需要将多个字放在一起，利用 animation-delay 顺序控制每个字触发动画效果，即可得到上述的完整烟雾效果。 ： 上述效果并非我原创，最早见于这位作者 -- CodePen Demo -- Smoky Text By Bennett Feely 借助 SVG feturbulence 滤镜实现烟雾效果 上述的烟雾动画的烟雾还是比较粗糙的 缺少了一些烟雾的质感。 想要实现更为精致的烟雾效果，我们还得借助 SVG 的 <feturbulence> 滤镜，对这个滤镜还不太了解的，可以看看我的这几篇文章： 有意思！强大的 SVG 滤镜 震惊！
1.4K40编辑于 2022-03-10 - 来自专栏燧机科技-视频AI智能分析
充电桩消防烟雾着火检测系统
据应急管理部《2023年电动汽车充电设施火灾事故分析报告》显示，充电桩火灾中因初期火焰/烟雾未及时识别导致的火势扩大占比达68%，传统消防依赖人工巡检（响应延迟＞5分钟）、单一烟感报警（误报率＞40%） 本文提出一种基于YOLOv12目标检测与RNN时序分析的智能检测及自动响应系统，通过“多光谱感知-动态火势研判-分级联动处置”机制，实现对充电桩火焰、烟雾的毫秒级识别、火势发展阶段判断与自动灭火断电。 ； 模型轻量化：采用通道剪枝（剪枝率30%）+ TensorRT量化（INT8精度），模型体积从105MB压缩至35MB，适配边缘设备（如华为Atlas 300I Pro推理卡）； 注意力机制增强：在Backbone 层加入ECA（高效通道注意力）模块+ BiFPN（加权双向特征金字塔），提升小目标（初期火焰）与动态烟雾的检测精度。 充电桩消防火焰检测系统的核心在于其强大的识别能力，充电桩消防火焰检测系统一旦检测到火焰或烟雾，系统会立即启动一系列自动响应机制。
26710编辑于 2025-12-28 - 来自专栏孟永辉
产业互联网是个烟雾弹产业互联网是个烟雾弹
产业互联网用自己的诞生、发展和沉沦为我们生动地诠释了一个事实，即所谓的产业互联网，并不是什么神乎其神的存在，而更像是一个烟雾弹，一个陷阱。
36520编辑于 2021-12-06 - 来自专栏燧机科技-视频AI智能分析
秸秆焚烧烟雾监测报警系统
秸秆焚烧烟雾监测报警系统在监测区全自动对秸秆焚烧行为实时监测，不用人工控制。一旦发现烟雾和火苗，秸秆焚烧烟雾监测报警系统会自动报警并通知监控后台工作人员，并提醒负责人妥善处置。 秸秆焚烧烟雾监测报警系统对监测区域内的秸秆焚烧信息进行7×24h无间断识别分析，减少人力巡视成本，提高人力监测效率。 收割完的秸秆如果马上焚烧，除开环境污染外烟雾还会继续严重影响附近路上汽车乃至飞机驾驶员的视野，导致安全隐患。秸秆焚烧也入地三分，腐殖和土壤肥力被碱化。 秸秆焚烧烟雾监测报警系统在田地即时监测范围之内，当发现田地里秸秆燃烧时，监控摄像头马上搜集监控画面视频、处理数据，并同步最新消息给负责人，负责人在第一次接到报警后能马上阻止秸秆燃烧。 秸秆焚烧烟雾监测报警系统可根据时间段对告警记录和告警截图、视频进行查询点播，方便进行事后轨迹回溯，快速查找责任人。
41720编辑于 2022-09-28 基于yolov8的火灾火焰烟雾检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的火焰烟雾检测系统是一款高效、实时的智能安全监控解决方案。 该系统利用YOLOv8这一先进的深度学习模型，以其卓越的速度和准确性，能够在复杂环境中快速定位并分类火焰与烟雾，即使是微小的火源或稀薄的烟雾也能被精准识别。 综上所述，基于YOLOv8的火焰烟雾检测系统不仅是一个实用的检测工具，更是一个面向未来的智能安全平台。 ，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8n.onnx 模型（不提供pytorch模型） 训练的map,P,R曲线图(在weights\results.png) 测试图片（在test_img文件夹下面） 【视频演示】 基于yolov8的火焰烟雾检测系统
69610编辑于 2025-07-21- 来自专栏大数据钻研
canvas图形绘制之星空、噪点与烟雾效果
四、canvas图形效果之烟雾缭绕效果 ? 那为何看上去更酷呢，主要在于感觉烟雾很难去模拟。 没错，烟雾确实很难用代码直接绘制出来，实际上，这里的烟雾，是一个png图片，是使用画笔在PS里绘制导出来的。 旋转星空的例子，我们是使用canvas的fillRect方法绘制了星星，而本例子，则是使用上面提到的drawImage()方法把烟雾图片绘制进来了。 其他的位移啊，透明度变化什么的，原理都是类似。 本例子的难点主要在于模拟是否足够真实： 高处不胜寒 越往上，烟雾越淡，实际上就是越靠近上方，透明度越低； // 越靠近边缘，透明度越低 // 纵向透明度变化要比横向的明显 this.alpha = ( 要知道，凡事有轨迹有套路的运动都是有规律性地，你说这烟雾上上下下，左左右右运动太过于规律，效果就会打折扣，但是，真的没有规律又不好通过代码控制运动轨迹。
2.3K40发布于 2018-04-18 - 来自专栏软件测试小助手
自动化测试是不是烟雾弹？
需要从团队管理层和个人两个角度来区分，这次我就从团队管理层来讲：自动化测试是不是烟雾弹？ 作为测试leader，别人都在做，而我们没有，是不是说明我们测试团队很low，该被淘汰了？ 这是很多测试leader的一个缩影，自动化测试各种类型搞得很多，但没有成果，最后认为自动化测试就是烟雾弹了。
60830编辑于 2022-01-25 - 来自专栏燧机科技-视频AI智能分析
停车场烟雾火焰自动检测系统
0.005Lux超低照度），按“充电桩区（正上方45°俯视）、车位通道（双向覆盖）、电梯口（侧视）、设备间入口（广角）”布防，单相机覆盖15-20个车位（检测距离5-10米），集成红外补光灯（夜间可视距离8米 车灯眩光增强（提升抗干扰能力）； 模型轻量化：采用通道剪枝（剪枝率27%）+ TensorRT量化（INT8精度），模型体积从135MB压缩至42MB，适配边缘设备（如华为Atlas 200 AI加速模块 实验室数据（NVIDIA V100 GPU训练，PyTorch 2.2框架）显示，优化后模型在停车场数据集上mAP@0.5达97.6%，单帧检测耗时11ms（90FPS），较YOLOv8基线模型提升39% （三）低延迟联动响应逻辑 系统采用“边缘优先”策略，所有分析指令本地执行：YOLOv11检测到烟雾/火焰目标（置信度＞0.85）→ 提取ROI区域并缓存连续8帧； CNN模型判定风险等级（概率＞0.9） → 边缘节点0.5秒内触发本地声光告警； 同步将告警记录（含8秒短视频+传感器数据）通过MQTT上传云端，实测平均端到端延迟0.9秒。
35010编辑于 2025-12-31 - 来自专栏燧机科技-视频AI智能分析
秸秆禁烧识别系统 烟雾智能识别检测系统
秸秆禁烧识别系统 烟雾智能识别检测系统具备全天、及时发现问题、管控高效率、有益于证据收集的优势，利用现场已经存在的监控摄像头和神经网络算法烟雾识别系统，在通信基站塔顶端监控摄像头的帮助下，对图象预置开展实时分析查验 秸秆点燃造成的烟雾含有氮氧化合物、光化学反应金属氧化物和悬浮颗粒等化合物。 在秸秆点燃区，的时间相对性集中化，很多烟雾对成年人和患上呼吸系统疾病的少年儿童造成了巨大的损害。 秸秆禁烧识别系统烟雾智能识别检测系统是运用近郊区多层建筑和强有力的AI技术性优化计算方法综合服务平台紧密联系，在塔上装上70几台超高清监控器，可遮盖该地域80%的关键农作物。
81760编辑于 2022-09-20 - 来自专栏燧机科技-视频AI智能分析
电动车棚烟雾火焰自动识别系统
~60℃宽温运行、30FPS帧率、0.005Lux超低照度），按“充电区（正上方45°俯视）、换电柜旁（侧视）、通道转角（双向覆盖）、出入口（广角）”布防，单摄像头覆盖20-25个充电位（检测距离3-8米 ），集成红外补光灯（夜间可视距离8米）、防眩光滤镜（抑制车灯反射）； 环境补偿模块：搭载光照传感器（量程0-100000lux）、温湿度传感器（精度±0.5℃/±2%RH）、烟雾浓度传感器（量程0-1000ppm 8]（8帧×8维特征） out, _ = self.lstm(x) return self.fc(out[:, -1, :]) # 取最后时刻输出实测数据（某社区车棚试点 （三）低延迟联动响应逻辑 系统采用“边缘优先”策略，所有分析指令本地执行：YOLOv5检测到烟雾/火焰目标（置信度＞0.85）→ 提取ROI区域并缓存连续8帧； LSTM模型判定风险等级（高危概率＞0.9 ）→ 边缘节点0.5秒内触发本地声光告警； 同步将告警记录（含8秒短视频+传感器数据）通过MQTT上传云端，实测平均端到端延迟0.8秒。
27600编辑于 2026-01-03 - 来自专栏AI科技评论
干货 | 2 分钟论文：如何使用数据合成烟雾流 ?
来源 / Two Minute Papers 翻译 / 张丽敏 校对 / 凡江 整理 / 雷锋字幕组 本期论文：基于CNN特征描述符的数据驱动合成烟雾流体 Data-Driven Synthesis of 本篇论文主要探讨的是利用人工智能来精细化地模拟烟雾。一般来讲，创建一个比较简单的模拟不会花费太长时间，然而，当我们为了增加分辨率时，执行的时间和内存的消耗便会突飞猛进。 如果我们可以在人工智能技术的基础上，可以理解模仿烟雾的关键，提取出粗略的数据，并添加一些非常精细的细节进去，那么我们可以在更短的时间内完成整个计算过程，以此获得获得更高分辨率的模拟烟雾，而非等待数日，乃至一周甚至更长 这项技术对一大片流体或烟雾的气旋的大小比例和分配进行探索。我们可以应用这些信息，创造一个模拟程度非常相似的效果。大体上，它让我们对模拟烟雾有了一定的了解。 另一项操作和把一束模拟烟雾展示给一个人工智能观看，然后让它独自完成这次模仿。 我们建立一个模拟数据库，把它们分成小块，在低分辨率和高分辨率下观看同样的视频，看看这些视频互相之间的联系。
1.1K50发布于 2018-03-14 - 来自专栏张国平_玩转树莓派
树莓派基础实验21：烟雾报警传感器实验
烟雾传感器 ? 烟雾传感器 ? 有源蜂鸣器模块 ? 当与烟雾接触时，如果晶界阻挡层被烟雾调制并发生变化，则可能导致表面电导率发生变化。因此，你可以获得烟雾存在的信息，烟雾浓度越高，材料的导电性越高，因此输出电阻越低。 DOUT-LED是数字输出指示灯，当没有检测到烟雾时熄灭，DO输出高电平；当检测到烟雾时，DO输出低电平，DOUT-LED指示灯亮。 而判定是否有烟雾的临界值可以通过旋转蓝色元件上的十字螺丝调节，调节到没有烟雾时DOUT-LED灯刚好熄灭时即可。 四、实验步骤 第1步：连接电路。 烟雾报警传感器实验电路图 ?
3.8K30发布于 2020-09-27 - 来自专栏嵌入式项目开发
【CC2530开发基础篇】MQ2烟雾传感器
一、前言 1.1 开发背景 烟雾浓度检测是许多环境监测与安全预警系统中的重要环节，能够有效帮助识别火灾隐患、工业泄漏或其他烟雾污染情况。 在本项目中，CC2530作为主控芯片，与MQ2烟雾传感器配合，实现对环境烟雾浓度的数字化监测。 MQ2是一种常见的气体与烟雾传感器，支持对多种可燃气体及烟雾的检测。 这是当前实验使用的CC2530板子的实物图： 1.2 MQ2烟雾传感器 MQ2烟雾传感器是一种广泛应用于烟雾、气体泄漏检测领域的电子传感器，具有灵敏度高、响应快、易于使用等特点。 它基于8051内核，具有丰富的片上资源，包括128 KB的闪存、8 KB的RAM、多个UART和SPI接口、ADC模块等。 对于资源受限的CC2530（如闪存128 KB和RAM 8 KB），IAR可以显著减小二进制文件大小，让更多复杂功能得以实现。
1.5K10编辑于 2025-05-29 - 来自专栏PaddlePaddle
智慧城市产业应用实践，高精度火灾烟雾检测方案详解
为了保障民众的生命财产安全，应用AI技术及时、自动检测监控区域内的烟雾和火灾至关重要。 针对如上问题，飞桨产业实践范例库开源了《火灾烟雾检测》方案，提供了从数据准备、技术方案、模型训练优化到模型部署的全流程可复用方案，提供误检率低至1.1%的模型优化方案，有效解决了复杂环境下烟火检测问题， https://github.com/PaddlePaddle/PaddleX/tree/develop/examples 所有源码及教程均已开源，欢迎大家star鼓励~ 方案难点 1.推理速度要求高: 在烟雾和火灾检测场景 目前，飞桨已在普宙的 8 大行业、17 个场景落地应用，并走出国门、落地东南亚155个森林公安分局。
56510编辑于 2022-04-19 - 来自专栏燧机科技-视频AI智能分析
工厂明火烟雾视频监控识别系统 烟火自动识别预警
工厂明火烟雾视频监控识别系统 烟火自动识别预警通过python+yolo网络深度学习模型自动识别监控区域内的烟火，工厂明火烟雾视频监控识别系统 烟火自动识别预警发现火焰及烟雾系统可以实时发出预警信息并同步传给后台监控相关人员
79020编辑于 2022-12-30
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