- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法专栏
Lnton羚通智能分析算法镜头脏污识别检测算法
镜头赃物模糊识别检测算法可以利用图像处理和计算机视觉技术来实现。以下是一些常见的算法和方法：1.边缘检测算法：通过对图像进行边缘检测，可以获取图像中物体和污垢的边界信息。 常用的边缘检测算法包括Canny边缘检测、Sobel算子等。2.人工神经网络（ANN）算法：使用训练好的神经网络模型，将图像输入网络进行识别和分类。 常用的模糊度评估算法有平均梯度（MAD）、结构相似性指数（SSIM）等。4.颜色／纹理特征分析算法：基于颜色和纹理特征的分析方法，可以检测和识别图像中的赃物。 5.目标检测和分割算法：利用目标检测和分割技术，可以将图像中的赃物区域与其他区域进行分离。 rank_region(RegionUnion, RegionCount, 15, 15, 70)dev_display(Image)dev_display(RegionCount) 羚通Lnton视频智能分析算法镜头脏污识别检测算法是基于
1.7K50编辑于 2023-08-11 - 来自专栏机器学习AI算法工程
机器视觉工业缺陷检测(光源，相机，镜头，算法)
一般机器视觉系统：相机、镜头、光源、运动系统。 视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。 常用于：LCD缺陷的检测、包装文字检测、包装膜破损检测、纸张质量检测、常规印刷质量检测、制造物裂纹的检测、电子部件的形状识别和大小的测量、各种线阵检测等。 二、算法（预处理算法、检测算法） 常用的图像处理算法： 1、图像变换：（空域与频域、几何变换、色度变换、尺度变换） 几何变换：图像平移、旋转、镜像、转置； 尺度变换：图像缩放、插值算法（最近邻插值、双线性插值 （5）颜色特征（颜色直方图、颜色矩） （6）局部二值模式( LBP)特征：LBP对诸如光照变化等造成的图像灰度变化具有较强的鲁棒性，在表面缺陷检测、指纹识别、光学字符识别、人脸识别及车牌识别等领域有所应用 9、表面缺陷目标识别算法： 传统方法：贝叶斯分类、K最近邻（KNN）、人工神经网络（ANN）、支持向量机（SVM）、K-means等； 10、图像分类（识别） 图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理
21.1K611发布于 2021-10-14 - 来自专栏燧机科技-视频AI智能分析
河道水面垃圾识别检测算法 yolov5
河道水面垃圾识别检测系统采用yolov5忘了模型计算机视觉技术，水面垃圾识别检测算法通过在河道的摄像头，对水面垃圾进行实时监测自动识别。近几年来，目标检测算法取得了很大的突破。 在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。 整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图5所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。 对于一个目标检测算法而言，我们通常可以将其划分为4个通用的模块，具体包括：输入端、基准网络、Neck网络与Head输出端，YOLOv5算法具有4个版本，具体包括：YOLOv5s、YOLOv5m、YOLOv5l 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。
84510编辑于 2023-09-05 - 来自专栏燧机科技-视频AI智能分析
监控抽烟检测识别算法
监控抽烟检测识别算法采用yolov7系列网络模型深度学习图像识别技术，监控抽烟检测识别算法能够准确识别人员抽烟的动作和烟雾，监控抽烟检测识别算法一旦发现有人员在禁烟区域内抽烟，将立即触发预警。 YOLOv7 的发展方向与当前主流的实时目标检测器不同，监控抽烟检测识别算法希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。 监控抽烟检测识别算法使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。 监控抽烟检测识别算法 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。 监控抽烟检测识别算法并在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。
72220编辑于 2023-09-18 - 来自专栏用户10566770的专栏
工人着装检测识别算法
工人未按要求穿戴安全衣物识别算法基于Trinity算法引擎，通过深度学习技术对人员是否按规定穿戴安全衣物进行识别。 主要算法类别：①反光衣识别：支持对反光衣进行识别，能够识别到橙、绿色马甲、工服套装等，在摄像头检测区域内对工人是否穿戴反光衣进行检测，并生成告警信息；②安全帽识别：对各种颜色的安全帽进行识别检测，在区域内检测到人员后对其是否佩戴安全帽进行识别 ，监管的难度会比较大，口罩识别算法可以及时对现场人员佩戴口罩情况进行检测分析，及时产生预警；④工作服识别：对于一些特定的工厂来说，工人必须严格按照规定穿戴工作服。 口罩识别算法能够自动检测现场人员是否戴口罩，生成告警信息并推送至安全管理人员，对现场信息及时了解。④食品厂：食品厂对于工人的穿戴有严格的标准。工人不仅要按照要求穿戴衣物，而且要严格佩戴口罩。 工人着装检测识别算法系统通过接入智能监控摄像头对区域内的情况进行监控，将区域内画面推送至AI智能分析平台，经过对画面的分析后将信息推送至上层平台产生告警信息，后台管理人员可以随时查看告警信息，及时掌握异常情况
94500编辑于 2023-12-09 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，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。 图片mmpose不同于yolo，SSD等目标检测模型，在视频中进行关节点检测的速度要小于目标检测，即使在边缘计算的盒子上进行部署，也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景 ，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么，就要自行通过这些坐标进行算法设计，比如引体向上计数，可以通过判断头部节点与肘部节点的坐标进行判断计数 ，对于摔倒，可以通过判断视频前后帧的头部，腰部等关节点进行检测，判断是否摔倒。
1.5K00编辑于 2022-12-05 - 来自专栏燧机科技-视频AI智能分析
老人跌倒检测识别算法 基于图像识别
选用背景差分法和形态学算法提取目标骨架，骨架提取经历九步：图像灰度化，背景差分法提取目标轮廓，使用CLAHE算法增强对比度，高斯滤波，Solel算子进行边缘检测，小波去噪，最大类间误差法二值化，形态学运算和中值滤波 算法总体效果可以，误检较少。 为了有效减少跌倒事件带来的影响，本文研究跌倒检测步骤一般包含为：1）人体特征检测：此阶段需要把人从背景中提取出来，并处理得到需要的人体特征，一般包括骨骼坐标点和人体姿态等；2）跌倒检测：对人体的特征进行分析和处理 本文选用背景差分法和形态学算法提取目标骨架，骨架提取经历九步：图像灰度化，背景差分法提取目标轮廓，使用CLAHE算法增强对比度，高斯滤波，Solel算子进行边缘检测，小波去噪，最大类间误差法二值化，形态学运算和中值滤波 算法总体效果可以，误检较少。
85900编辑于 2023-09-02 - 来自专栏YOLO大作战
基于YOLOv5的工业缺陷检测之小目标摄像头镜头缺陷检测
，绝大多数还是基于有监督学习（比如Yolov5、Yolov7、Faster RCNN等），半监督无监督急需突破，近几年在AI在工业界的应用接近理性发展；2.摄像头镜头缺陷检测介绍摄像头镜头一共有四种缺陷 ，分别是白点、脏污、划伤、起翘等；["bai_dian","zang_wu","hua_shang","qi_pao"] 可以看出，绝大多数缺陷为白点 3.基于yolov5的摄像头镜头缺陷检测算法3.1 BackBone：结合了很多先进的图像识别领域的内容和算法，包括：CSPNet、Leaky ReLU和Sigmoid 激活函数。 YOLOv5在兼顾mAP的同时，有着更短的检测时间，同时YOLOv5s的权重文件大小只有27MB，能够更好的适应嵌入式设备和移动设备，如下：3.1配置lens_defect.yamltrain: . (P3, P4, P5) ]4.训练结果分析和优化4.1优化方向：1）持续收集缺陷品；2）缺陷多为小目标，设计适合小目标检测的网络；3）数据增强；5.模型部署在工业缺陷检测项目中，最终部署往往不是python
2.3K20编辑于 2023-12-14 - 来自专栏燧机科技-视频AI智能分析
捕鱼船识别检测算法
捕鱼船识别检测预警系统通过yolov5+python网络模型图像识别分析技术，捕鱼船识别检测预警算法利用河道两岸的摄像头实时监测水域中的捕鱼船活动，一旦系统识别到违规捕捞行为，立即发出预警信号，立即发出预警信号 捕鱼船识别检测算法取得了很大的突破。 YOLOv5是一种单阶段目标检测算法，捕鱼船识别检测算法在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。 YOLOv5中在捕鱼船识别检测算法训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 捕鱼船识别检测算法这种增强方法可以将几张图片组合成一张，这样不仅可以丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。
48720编辑于 2023-09-13 - 来自专栏燧机科技-视频AI智能分析
护目镜佩戴检测识别算法
护目镜佩戴检测识别算法通过opencv+python网络深度学习模型，护目镜佩戴检测识别算法实时监测工人的护目镜佩戴情况，发现未佩戴或错误佩戴的情况，及时提醒调整。 也就是说，Python可以使用C / C++轻松扩展，这使护目镜佩戴检测识别算法可以在C / C++中编写计算密集型代码，并创建可用作Python模块的Python包装器。 OpenCV可用于护目镜佩戴检测识别算法开发实时的图像处理、计算机视觉以及模式识别程序，该程序库也可以使用英特尔公司的IPP进行加速处理。 护目镜佩戴检测识别算法中OpenCV基于C++实现，同时提供python, Ruby, Matlab等语言的接口。 护目镜佩戴检测识别算法基于CUDA和OpenCL的高速GPU操作接口也在积极开发中。OpenCV-Python使用Numpy，这是一个高度优化的数据库操作库，具有MATLAB风格的语法。
47940编辑于 2023-09-14 - 来自专栏燧机科技-视频AI智能分析
老人摔倒智能识别检测算法
老人摔倒智能识别检测算法通过yolov8深度学习算法模型架构，老人摔倒智能识别检测算法能够实时监测老人的活动状态及时发现摔倒事件，系统会立即触发告警，向相关人员发送求助信号，减少延误救援的时间。 老人摔倒智能识别检测算法训练模型选择YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 老人摔倒智能识别检测算法 Head部分较yolov5而言有两大改进：1）换成了目前主流的解耦头结构(Decoupled-Head)，将分类和检测头分离 2）同时也从 Anchor-Based 换成了 Anchor-Free1 从上面可以看出，老人摔倒智能识别检测算法YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计，本身的创新点不多，偏向工程实践，主推的还是 老人摔倒智能识别检测算法YOLOv8 的训练策略和 YOLOv5 没有啥区别，最大区别就是模型的训练总 epoch 数从 300 提升到了 500，这也导致老人摔倒智能识别检测算法训练时间急剧增加。
73940编辑于 2023-09-15 - 来自专栏往期博文
【目标检测】YOLOv5分离检测和识别
正好，YOLOv5-6.2版本提供了一个图像分类的网络，那么就可以借此将YOLOv5进行改造，分离检测和识别的过程。 Tag6.2版本，该版本在图像分类识别中仅支持单文件识别，而最新版本已经支持文件夹的批量识别。 然后运行classify/predict.py进行识别，识别完成的结果如下： 这里每一张图片会对应一个label，label中包含了最大5个类别的概率和名称。 格式转换与可视化 下面就需要把识别出来的结果转回到YOLO检测格式。 使用python export.py --weight yolov5s.pt --include onnx将其转换成onnx格式后，可以用Netron打开查看其结构： 可以看到，yolov5s6在模型最后的输出部分新增了一个检测头
1.8K21编辑于 2022-11-14 - 来自专栏燧机科技-视频AI智能分析
工服穿戴检测算法 工装穿戴识别算法
工服穿戴检测算法 工装穿戴识别算法利用yolo网络模型图像识别技术，工服穿戴检测算法 工装穿戴识别算法可以准确地识别现场人员是否穿戴了正确的工装，包括工作服、安全帽等。 工服穿戴检测算法 工装穿戴识别算法模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框 这就意味着 工服穿戴检测算法 工装穿戴识别算法可以以小于 25 毫秒延迟，实时地处理视频。对于欠实时系统，在准确率保证的情况下，速度快于其他方法。 图片工服穿戴检测算法 工装穿戴识别算法先使用ImageNet数据集对前20层卷积网络进行预训练，然后使用完整的网络，在PASCAL VOC数据集上进行对象识别和定位的训练。 工服穿戴检测算法 工装穿戴识别算法在采用NMS（Non-maximal suppression，非极大值抑制）算法选出最有可能是目标的结果。
87720编辑于 2023-09-21 - 来自专栏燧机科技-视频AI智能分析
工人规范操作识别检测 yolov5
工人规范操作识别检测通过yolov5+python网络模型技术，工人规范操作识别检测对工人的操作进行实时监测，当工人规范操作识别系统检测到工人操作不符合规范时，将自动发出警报提示相关人员采取措施。 行为检测合规算法中应用到的YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 在YOLO系列算法中，工人规范操作识别检测算法模型针对不同的数据集，都需要设定特定长宽的锚点框。 在YOLOv3和YOLOv4检测算法中，训练不同的数据集时，都是通过单独的程序运行来获得初始锚点框。 工人规范操作识别检测应用到的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。
63620编辑于 2023-09-08 - 来自专栏燧机科技-视频AI智能分析
液体泄露识别检测算法 识别管道液体泄漏
液体泄露识别检测算法通过 yolov8+python网络模型技术，液体泄露识别检测算法对管道的液体泄露情况进行全天候不间断实时监测，检测到画面中管道设备液体泄露现象时，将自动发出警报提示。 算法中涉及到的YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。 和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求。 识别管道泄露算法模型中Head： Head部分较yolov5而言有两大改进：1）换成了目前主流的解耦头结构(Decoupled-Head)，将分类和检测头分离 2）同时也从 Anchor-Based 换成了 液体泄露识别检测算法yolov8部分而Backbone和Neck的具体变化 a) 第一个卷积层的 kernel 从 6x6 变成了 3x3。
82410编辑于 2023-09-07 - 来自专栏燧机科技-视频AI智能分析
养老院人员跌倒检测识别算法
养老院人员跌倒检测识别算法通过yolov5+python网络模型技术，养老院人员跌倒检测识别预警算法对跌倒事件进行识别和分析，当检测到有人员跌倒时，将自动发出警报提示。 算法中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。 养老院人员跌倒检测识别算法模型中网络的输入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。 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。 YOLOv5中在养老院人员跌倒检测识别算法训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。
53430编辑于 2023-09-07 - 来自专栏燧机科技-视频AI智能分析
渣土车未苫盖识别检测算法
渣土车未苫盖识别检测算法通过yolov8+python，未苫盖识别检测算法对经过的渣土车进行实时监测，当检测到有渣土车未能及时苫盖时，将自动发出告警。 未苫盖识别检测算法中用到的YOLOv8 的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型 yolov8是一种基于深度学习的目标检测算法，它在图像中检测出关键点的位置。关键点检测是指识别出图像中的特定关键点，例如人脸识别中的眼睛、鼻子、嘴巴等特征点。 这使得Yolov8在目标检测任务中能够快速、准确地识别关键点。YOLOv8 是一种基于深度学习的目标检测算法，它可以用于关键点检测如渣土车目标检测。 关键点检测是指在图像中定位和识别特定对象的关键点，比如人脸、姿态等。YOLOv8 是基于YOLO（You Only Look Once）系列算法的最新版本，它结合了高精度和实时性能。
79410编辑于 2023-09-06 - 来自专栏燧机科技-视频AI智能分析
AI识别工人安全绳佩戴检测算法
AI识别工人安全绳佩戴检测算法基于CNN的目标检测是通过CNN 作为特征提取器对现场图像进行处理和分析，AI识别工人安全绳佩戴检测算法识别出工人是否佩戴安全绳，一旦发现工人未佩戴安全绳，AI识别工人安全绳佩戴检测算法将立即进行告警 AI识别工人安全绳佩戴检测算法和low-level任务不同，目标检测需要预测物体类别及其覆盖的范围，因此需关注高阶语义信息。 AI识别工人安全绳佩戴检测算法利用非极大值抑制(Non-Maximun Suppresion) 方法，对最终得到的bbox 进行筛选。5. 这里有一个注意点，即AI识别工人安全绳佩戴检测算法正负样本如何确定（CNN 和SVM 都需要有监督的样本）。 最后一步，AI识别工人安全绳佩戴检测算法利用特征预测边框的位置，即bbox 回归。该过程的输入是CNN 的特征，这里用的是pool5 的特征，需要回归的目标值并不是实际的x,y,w,h。
93900编辑于 2023-09-20 - 来自专栏燧机科技-视频AI智能分析
工地临边防护缺失识别检测算法
工地临边防护缺失识别检测算法通过opencv+python网络模型技术，临边防护缺失识别检测算法检测到没有按照要求放置临边防护设备时，将自动发出提示。 而临边防护缺失识别检测算法中用到OpenCV是基于C++实现，同时提供python, Ruby, Matlab等语言的接口。 的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉处理开源软件库，是由Intel公司俄罗斯团队发起并参与和维护，支持与计算机视觉和机器学习相关的众多算法 OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序，该程序库也可以使用英特尔公司的IPP进行加速处理。 临边防护缺失检测中之所以使用Python这种编程语言，是因为python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。
60510编辑于 2023-09-06 - 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。 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。 该方案的特色在于可通过OpenPose的方法取得人体姿态的关节点位置，从这一方面考虑进行后续识别，人员作业行为动作识别检测算法具有很好的鲁棒性，而后续的工作也可以结合采用CNN等深度学习的方式来进行动作的高识别率检测
1.9K31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