- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
工厂人员行为识别检测基于YOLOv7
工厂人员行为识别检测 基于YOLOv7技术来实现的图像识别。人员行为识别图像识别算法是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 而对于目标检测算法来说，它的输出值更像是这样：目标检测算法的输出其中:pc 为1时代表有物体被检测到，反之，没有物体被检测到，因此其他的输出值可以被忽略图片至于目标检测的用处，现在最大的场景就是无人驾驶 而目标检测相当于无人驾驶系统的眼睛。 在目标检测技术领域，有包含region proposals提取阶段的两阶段(two-stage)检测框架如R-CNN/Fast-RCNN/R-FCN等，再就是端到端的但阶段目标检测框架如YOLO系列和SSD
1.2K00编辑于 2022-12-06 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
blog.csdn.net/BockSong/article/details/81037059 深度学习人体姿态估计算法综述 https://www.infoq.cn/article/6Btg0-1crfmb7svRGa6H 一个是不仅要知道一个动作在视频中是否发生，还需要知道动作发生在视频的哪段时间（包括开始和结束时间）（行为检测 Temporal Action Localization）。 也可以说是对视频进行指定行为的检测 Action Recegniton和Temporal Action Localization之间的关系，同image classification和object detection 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务 优点：速度快，300fps 缺点：精度低，在UCF-101上为0.85准确率 参考文献 三种方法的对比引自于： https://www.jianshu.com/p/2c2c7e96b9b7 按照时间顺序整理了部分视频行为检测
3.5K20编辑于 2022-06-24 - 来自专栏燧机科技-视频AI智能分析
考场学生作弊行为检测系统
现有视频监控系统易受遮挡干扰（如文具遮挡）、复杂光照（反光桌面）影响，导致作弊行为漏检率高达39%。 本文提出基于YOLOv11目标检测与时空特征融合的智能监测系统，通过多光谱感知网络-动态行为建模-分级预警联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.6秒。 系统已在某省属高考考点（覆盖280间考场）部署，日均生成风险评估报告1200+份，作弊行为识别准确率提升至88%。 防护与PoE++供电（80W），适应高粉尘环境 边缘计算节点 采用NVIDIA Jetson AGX Orin，算力275TOPS，部署TensorRT加速引擎 （二）算法层核心设计 YOLOv11作弊行为检测优化 67%提升至94%） 行为关联分析：设计时空图卷积网络（ST-GCN），建模作弊行为扩散路径 （二）误报率控制 时序行为过滤：通过时空特征网络分析连续帧状态，排除“考生短暂调整姿势”干扰 环境自适应：根据气象站数据动态调整检测阈值
31610编辑于 2026-01-08 - 来自专栏FreeBuf
QQ蠕虫的行为检测方法
这种蠕虫诞生于QQ体系之上，其影响和传播主要集中在国内地区，因此国外品牌的杀软对这类蠕虫识别和支持非常有限，国内的杀软品牌对该蠕虫检测也不是特别理想，从而导致了该QQ蠕虫的传播更加快速，影响范围更广。
1.1K80发布于 2018-02-02 - 来自专栏燧机科技-视频AI智能分析
校园打架行为识别检测系统
校园打架行为识别检测系统基于python基于yolov7深度学习框架+边缘分析技术，校园打架行为识别检测系统自动对校园、广场等区域进行实时监测，当监测到有人打架斗殴时，系统立即抓拍存档语音提醒，并将打架行为回传给学校后台 YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器。并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。 YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。 图片目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal过程，类似于一种海选过程,网络会根据候选区域生成位置和类别， 图片相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS
93440编辑于 2022-12-28 - 来自专栏燧机科技-视频AI智能分析
工厂人员行为识别检测系统
工厂人员行为识别检测系统通过yolo计算机AI智能视频分析技术采用FPN+PAN的结构，实时分析个人的违规行为和物体不安全状态，工厂人员行为识别检测系统利用现场已有的监控摄像头，改变原先的传统安防监控作业方式 图片YOLO最新的卷积神经网络YOLOv5来进行火焰识别检测。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。图片
1.1K00编辑于 2022-12-22 - 来自专栏燧机科技-视频AI智能分析
人员抽烟行为识别检测系统
人员抽烟行为识别检测系统依opencv+python深度学习架构模型，对现场画面开展7×24h无间断分析，减少了人力成本。人员抽烟行为识别检测系统识别管控区域人员的抽烟状况。 opencv+python深度学习架构模型优化算法识别率高，识别精密度97%，对人员抽烟行为精准识别。 图片传统背景差分法，结合OpenCV中的图像高斯平滑预处理以及腐蚀、膨胀图像形态学处理方法，实现一个更符合实际场景需要的运动目标检测方法。 实验效果比较分析表明，该目标检测算法较传统目标检测算法能够提取更加准确和完整的运动目标轮廓。 图片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。
77740编辑于 2022-12-26 - 来自专栏燧机科技-视频AI智能分析
监控脱岗离岗行为检测系统
监控脱岗离岗行为检测系统根据AI机器视觉分析全天候不间断对监控视频图像开展识别和剖析，对企业的某些固定工位离岗、脱岗情况进行识别检测报警提醒。 监控脱岗离岗行为检测系统使用场景包含:酒店迎宾离岗检测、宾馆前台离岗检测、保安离岗检测、工厂生产线工作人员离岗检测、监控指挥中心工作人员离岗检测等，避免因离岗导致财产损失或安全事故，减少人力资源管理节省成本 监控脱岗离岗行为检测系统主要运用于施工工地、工厂等需要加强监督的场所。依据计算机视觉分析的技术和现场监控摄像头相互配合，监控脱岗离岗行为检测系统对在工作期间离岗的情况进行监管。 离岗检测鉴别预警信息系统、值班室人员睡岗预警系统、工作人员未在座位检测识别摄像头、企业办公室人员离岗检测拍摄预警信息系统、，监控室人员未在岗位检测识别摄像头、走廊消防通道堵塞预警信息系统、安全消防监控室离岗检测预警提醒监控监控摄像头
1K10编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
ai课堂行为分析检测评估
ai课堂行为分析检测评估系统通过yolo网络模型算法，ai课堂行为分析检测评估算法利用摄像头采集学生的图像，视线跟踪技术的智能教学系统由情感模型、教师模型、学生模型和课程模型四个模型组成。 ai课堂行为分析检测评估算法模型选择Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层。 ai课堂行为分析检测评估算法模型对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0.1x)max(x,0.1x)。但是最后一层却采用线性激活函数。 在ai课堂行为分析检测评估YOLO系列算法模型中，针对不同的数据集，都需要设定特定长宽的锚点框。 ai课堂行为分析检测评估算法模型中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument
98330编辑于 2023-09-14 学生课堂行为检测数据集VOC+YOLO格式5622张7类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：5622 标注数量(xml文件个数)：5622 标注数量(txt文件个数)：5622 标注类别数：7 类别名称 框数 1 dk(低头看书) 37112 2 dx(低头写字) 46419 3 js(举手) 2646 4 tt(抬头听课) 74796 5 xt(小组讨论) 2884 6 zl(站立) 2471 7 zt(转头) 3335 总计 7 169663 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
33510编辑于 2025-07-16- 来自专栏域名技术与下一代互联网
基于DNS解析行为分析的网络恶意行为检测方法研究
本文系统梳理了传统网络行为检测技术的局限性，提出以DNS解析流量为切入点，构建基于域名特征提取、时序行为建模与异常模式识别的多层次检测框架。 关键词：DNS解析；网络行为分析；恶意行为检测；域名生成算法；异常检测；网络安全1. 本文旨在系统探讨基于DNS解析行为的网络恶意行为检测方法，重点解决传统检测技术在效率与适应性方面的瓶颈。 基于DNS解析行为的恶意行为检测模型设计为克服传统检测方法的局限，本文提出一种面向真实网络环境的DNS解析行为分析框架，旨在实现高效、准确、可扩展的恶意行为识别。 本文聚焦DNS解析行为这一高信息密度、低资源消耗的分析维度，提出一种融合多维特征工程与机器学习分类的恶意行为检测框架。
81310编辑于 2025-10-21 - 来自专栏FreeBuf
ossec入侵检测日志行为分析
上次说写的ossec连载，不幸因为工作太忙夭折了，最近缓过神来决定补上第2篇，言归正传,ossec的功能主要是为了防御及抓坏人，但因为攻防之间本来就信息不对称所以防守方需要能早知道攻击者的行为，这点有很多案例来证明 ，我们能不能不安装ossec客户端的情况下来对攻击者攻击的入侵行为捕获呢，这也有利于我们对攻击者的行为有进一步的了解，我比较擅长linux，于是这里还以linux安全为主，对于网络边界来说ssh绝对是保护的重点 ，要收集日志，当然要知道收集这些能做哪些咯，下边来看日志收集的作用，最重要的是如何根据日志进行入侵行为分析。 登录异常需要3次来触发，首先配置ossec的规则为： <alerts> <log_alert_level>10</log_alert_level> <email_alert_level>7< 总结： 这里就实现了syslog传输日志的需求，其实难点不在这里传输而是在分析，对于中小企业来说，自己写入侵检测规则过于麻烦，这时候能有ossec rules来帮助我们完成这部分繁杂的工作，何乐而不为？
3.6K100发布于 2018-02-01 - 来自专栏燧机科技-视频AI智能分析
监狱人员防自杀行为检测系统
本文提出基于YOLOv7目标检测与时空特征融合的智能监测系统，通过多光谱感知网络-动态行为建模-分级预警联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.7秒。 IP67防护与PoE++供电（80W），适应高湿度环境 边缘计算节点 采用NVIDIA Jetson AGX Orin，算力275TOPS，部署TensorRT加速引擎 （二）算法层核心设计 YOLOv7行为检测优化 # YOLOv7模型配置（针对监舍场景优化） from ultralytics import YOLO model = YOLO('yolov7.yaml') model.model.nc （置信度）、声纹分析（异常音频）、生命体征传感器 动态阈值调整：雨季提升悬挂物检测灵敏度至0.88 （三）软件平台功能 边缘预警终端 集成定向声波模块（声压级≥95dB，支持20米内定向提醒） LED 65%提升至93%） 行为关联分析：设计时空图卷积网络（ST-GCN），建模危险行为扩散路径 （二）误报率控制 时序行为过滤：通过时空特征网络分析连续帧状态，排除“囚犯短暂休息”干扰 环境自适应：根据气象站数据动态调整检测阈值
32410编辑于 2026-01-08 - 来自专栏YOLO大作战
基于YOLOv7的学生课堂行为检测，引入BRA注意力和多种IoU改进提升检测能力
本文摘要：介绍了学生课堂行为检测，并使用YOLOv7进行训练模型，以及引入BRA注意力和多种IoU改进来提升检测能力 1.SCB介绍 摘要：利用深度学习方法自动检测学生的课堂行为是分析学生课堂表现和提高教学效果的一种很有前途的方法 我们使用YOLOv5、YOLOv7和YOLOv8算法对数据集进行评估，平均精度(map)高达80.3%。我们相信我们的数据集可以作为未来学生行为检测研究的坚实基础，并有助于该领域的进步。 最初，我们只关注学生举手的行为，但现在我们已经扩展到六种行为:举手，阅读，写作，使用电话，低头，靠在桌子上。通过这项工作，我们进一步解决了课堂教学场景中学生行为检测的研究空白。 结果表明，该方法显著提高了行为检测的准确率。 4. 我们提出了一种新的度量标准——行为相似指数(BSI)，用来衡量网络模型下不同行为之间在形式上的相似性。 学生课堂行为不同数据集如下： 不同YOLO模型性能如下： 2.2 如何优化提升课堂行为检测能力 通过加入Biformer中的注意力机制和多种IoU优化方法 2.2.1 Biformer介绍 本文方法
2.3K10编辑于 2024-01-16 - 来自专栏博客迁移同步
详解事务的7种传播行为
一、什么是Spring事务的传播行为？ 事务传播行为是指多个拥有事务的方法在嵌套调用时的事务控制方式 比如XML中配置：XML:<tx:method name="..." propagation="REQUIRED"/> 注解配置：@Transactional (propagation=Propagation.REQUIRED) 二、事务传播行为的七种类型 三、Propagation.REQUIRED（默认） 如果当前没有事务，就新建一个事务，如果已经存在一个事务中
2.4K10编辑于 2023-05-06 - 来自专栏燧机科技-视频AI智能分析
特种作业考场实操行为考核检测系统
本文提出基于YOLOv12目标检测与时空行为建模的智能考核检测系统，通过多模态感知-动态操作建模-分级考核联动技术架构，实现实操环节识别精度97.8%（实验室数据），实测响应延迟＜0.6秒。 （二）算法层核心设计 YOLOv12实操行为检测优化 针对特种作业“小目标工具（如保险丝、焊条）、动态操作（如接线缠绕）、复杂背景（油污/金属反光）”问题，优化模型结构与训练策略： # YOLOv12 ； 7寸触摸屏显示“当前环节：接线-合规率95%”“风险提示：端子未旋紧（置信度90%）”。 特种作业考场实操行为考核检测系统基于YOLOv12+RNN深度学习算法，特种作业考场实操行为考核检测系统通过集成AI大模型，可以监测考生考试操作过程中的关键环节，如装配、检测等环节，及时发现问题并记录， 从而提升考生考试作业实操行为的准确性；特种作业考场实操行为考核检测系统可以根据检测结果及时对考生的考试实操过程进行识别反馈，并对考生进行培训和调整，提升考生的技能水平。
31910编辑于 2026-01-12 - 来自专栏燧机科技-视频AI智能分析
智慧课堂学生行为检测评估算法
智慧课堂学生行为检测评估算法通过yolov5系列图像识别和行为分析，智慧课堂学生行为检测评估算法评估学生的表情、是否交头接耳行为、课堂参与度以及互动质量，并提供相应的反馈和建议。 智慧课堂学生行为检测评估算法能够实时监测学生的上课行为，及时掌握学生的表情和参与度，为教师提供及时的反馈。 智慧课堂学生行为检测评估算法中Yolo模型采用一个单独的CNN模型实现end-to-end的目标检测。 智慧课堂学生行为检测评估算法设置和超参数在模型的性能、速度和准确性中起着至关重要的作用。这些设置和超参数可以在模型开发过程的各个阶段影响模型的行为，包括训练、验证和预测。 同样，设置正确的置信度阈值和非最大抑制(NMS)阈值也会影响模型在检测任务上的性能。在YOLO系列框架模型中，智慧课堂学生行为检测评估算法针对不同的数据集，都需要设定特定长宽的锚点框。
94330编辑于 2023-09-15 - 来自专栏相约机器人
使用AI来检测违反社交距离的行为
但是如果有很多违规行为，则关闭它可能会更安全。这正是迈阿密海滩公园发生的事情。该公园于4月底开放，但在一周之内关闭，因为太多的人无视与戴着口罩和社交疏远相关的规定。 该市通过人员监视公园并发出警告来检测到此情况。但是人工监视可能不是实际的解决方案。 如何使用AI和机器学习来检测人们是否遵循社会疏离规则？大多数城市已经在公共场所安装了可用于此目的的摄像头。 多对象跟踪的最新技术精度为62.0 为什么需要跟踪人以实现社会疏离检测的目的？这样做的原因是，希望找到违反社会隔离规则的唯一人数。 使用深度排序模型进行人员跟踪 检测违反社会距离的行为 为了检测到社会疏远违规行为，采用框架中的每个轨道并测量其与框架中其他每个轨道的距离。每个轨道基本上都是带有ID的边界框。 一种这样的应用是检测社会疏远违规行为。这可以帮助城市评估公共健康风险并安全地重新开放。 希望尝试一下该代码，并尝试一下更改邻近条件时发生的情况。
1.2K30发布于 2020-05-08 - 来自专栏燧机科技-视频AI智能分析
乱扔垃圾行为检测系统 基于YOLOX与RNN
本文提出一种基于YOLOX目标检测与RNN时序分析的智能检测系统，通过“行为识别-状态监测-分级处置”机制，同步实现对乱扔垃圾行为（非指定区域丢弃）与垃圾桶溢满（填充高度超限）的毫秒级识别、证据留存与主动告警 （二）算法层：YOLOX+RNN双模型协同分析 核心采用“YOLOX目标检测+RNN时序行为研判”两级算法：YOLOX目标检测：定位画面中“人员”“垃圾（塑料袋/纸屑/瓶罐）”“垃圾桶”“溢满状态（垃圾高度 四、系统工作流程与核心优势 （一）全流程闭环管理机制 实时监测：相机每33ms采集一帧图像，边缘节点并行执行YOLOX检测与LSTM分析； 分级告警： 一级告警（乱扔垃圾行为）：声光报警+平台弹窗+短信通知环卫工 （二）技术创新优势 多事件融合识别：单次检测同时输出“行为+状态”事件，解决传统系统“单事件独立检测”的冗余问题（实验室数据显示算力消耗降低35%）； 动态阈值调整：根据时段（节假日放宽溢满判定阈值至90% 乱扔垃圾行为检测系统基于YOLOX+RNN的深度学习算法，乱扔垃圾行为检测系统通过前端摄像头一旦检测到乱扔垃圾行为，系统会立即发出警报，通知相关人员及时处理，从而起到保障社会卫生的作用。
23010编辑于 2025-12-27 - 来自专栏燧机科技-视频AI智能分析
工厂人员作业行为动作识别检测算法
工厂人员作业行为动作识别检测算法通过SVM+R-CNN深度学习算法框架模型，工厂人员作业行为动作识别检测算法实时识别并分析现场人员操作动作行为是否符合SOP安全规范流程作业标准，如果不符合则立即抓拍告警提醒 人员作业行为动作识别检测算法首先基于R-CNN进行人体检测，之后并对其进行追踪，并以相同的帧率生成MHI。 在人员作业行为动作识别检测算法识别中，有很大一部分研究是针对于人体行为识别的，主要进行识别的也是一些家庭内的危险行为，如小孩、老人摔倒检测，外来人员闯入等，这些都可归为人体行为识别的范畴之内。 人员作业行为动作识别检测算法（action recognition），即根据视频图像完成对于人体动作的区分，这其中包括但不限于摔倒等危险动作。 图片人员作业行为动作识别检测算法通过OpenPose进行人体动作关键点的提取，之后利用CNN及SVM来判断是否摔倒。
1.8K31编辑于 2023-09-22
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