- 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
Ai检测人员穿衣规范系统
Ai检测人员穿衣规范系统通过opencv+yolo深度学习技术对现场画面中人员穿衣自动检测，Ai检测人员穿衣规范系统发现现场人员未正确按要求穿衣进行抓拍留档。 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。 主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；Mosaic数据增强：Mosaic数据增强的作者也是来自YOLOv5团队的成员，通过随机缩放、随机裁剪、随机排布的方式进行拼接，对小目标的检测效果很不错 在目标检测领域，为了更好的提取融合特征，通常在Backbone和输出层，会插入一些层，这个部分称为Neck。Yolov5中添加了FPN+PAN结构，相当于目标检测网络的颈部，也是非常关键的。图片
61030编辑于 2023-01-16 - 来自专栏ATYUN订阅号
AI与农业：苹果缺陷检测
它也被标注为目标检测训练，这是我们用来训练我们的人工智能模型来检测和识别苹果的过程。您可以通过下面的链接下载下面的数据集。 ImageAI是一个python库，允许您使用和训练AI模型，只需要几行代码来检测图像和视频中的对象。 因为训练过程是计算密集型的，所以可以使用谷歌Colab执行此训练。参见下面的链接。 我们的样本数据集是为检测和识别缺陷而准备的。我们可以通过收集更多的图像样本使我们的模型完成其他任务。此任务可以是： 检测成熟和未成熟的苹果 检测不同大小的苹果 检测不同类型的苹果。 Train object detection Ai with 6 lines of code ImageAI : Custom Detection Model Training ImageAI : Custom Video Object Detection, Tracking and Analysis 原文链接： https://medium.com/deepquestai/ai-in-agriculture-detecting-defects-in-apples-b246799b329c
2.4K51发布于 2019-09-23 - 来自专栏TSINGSEE青犀视频
高空抛物AI智能检测详解
AI智能分析算法，能自动识别高空抛物情况，精确定位坠物运动轨迹。 二、AI智能检测亮点1）实时视频监控与高空抛物监测全方位24小时不间断、高清流畅的视频监控，能实时监测出高空抛物行为，自动抓拍及保存视频录像，并及时向管理人员发出告警信息。 通过TSINGSEE青犀人工智能技术的加持，用于保护和检测敏感区域，一旦设定的监控区域发生变化，立刻告警。 每个监控的图像画面，均可划分为若干的矩形小区域，并选定其中的任何一个或多个视频区域进行移动检测分析。 AI识别平台基于视频AI技术自动检测违规行为，采取技防+人防模式，有效辅助预警、监管、取证，支持同时检测睡岗和离岗行为，实现全场景多功能预警，保障作业安全，减少安全事故的发生概率。
83830编辑于 2023-08-23 - 来自专栏燧机科技-视频AI智能分析
ai安全帽识别检测
ai安全帽识别检测通过python+yolov5网络模型深度学习AI视频分析技术，ai安全帽识别检测对现场人员是否佩戴安全帽进行识别检测，ai安全帽识别检测一旦发现现场工人员没有按要求佩戴安全帽，自动进行预警并保存图像到本地同步提示后台人员及时处理 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 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。 3.基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；4.Neck网络：在目标检测领域，为了更好的提取融合特征，通常在Backbone和输出层，会插入一些层，这个部分称为Neck Yolov5中添加了FPN+PAN结构，相当于目标检测网络的颈部，也是非常关键的。 图片
79330编辑于 2023-03-20 AI图像识别检测系统
在数字化转型浪潮中，图像识别检测系统正成为连接物理世界与数字空间的核心纽带。 该系统基于深度学习框架构建，可对静态图片及动态视频流进行实时分析，支持目标定位、特征提取、异常检测等多元功能模块组合应用，为各行业智能化升级提供强大技术支撑。 一、核心技术优势解析相较于传统方案，AI图像识别检测系统在多个维度实现突破性提升：在识别精度上，传统方案受光照、角度影响大，而智能系统通过自适应环境增强模型鲁棒性，大幅降低环境干扰带来的误差；处理速度方面 （二）医疗影像辅助诊断放射科医生面对海量CT/MRI片子时，AI助手能优先标出可疑病灶区域，并标注置信度分数。在肺结节筛查场景中，系统对微小钙化点的敏感度达到96%，有效弥补人为阅片的视野盲区。 当检测到疲劳驾驶特征（如频繁眨眼、打哈欠）时，即时触发语音警示；遇见违规变道车辆则自动生成事件记录。该方案使重点路段事故率环比下降18%，执法取证效率提升3倍，助力交通管理智能化转型。
59810编辑于 2025-10-16- 来自专栏DeepHub IMBA
使用纹理对比度检测检测AI生成的图像
在本篇文章中我们将介绍如何开发一个深度学习模型来检测人工智能生成的图像 大多数用于检测人工智能生成图像的深度学习方法取决于生成图像的方法，或者取决于图像的性质/语义，其中模型只能检测人工智能生成的人、脸 但是这篇论文“Rich and Poor Texture Contrast: A Simple yet Effective Approach for AI-generated Image Detection 我们将解释这篇论文，以及它是如何解决许多其他检测人工智能生成图像的方法所面临的问题的。 泛化性问题 当我们训练一个模型(如ResNet-50)来检测人工智能生成的图像时，模型会从图像的语义中学习。 如果训练一个通过使用真实图像和人工智能生成的不同汽车图像来检测人工智能生成的汽车图像的模型，那么目前的模型只能从该数据中获得有关汽车的信息，而对于其他的物体就无法进行判别 虽然可以在各种对象的数据上进行训练 我还找到了训练的代码，有兴趣的可以深入研究： 论文： https://arxiv.org/abs/2311.12397 代码： https://github.com/hridayK/Detection-of-AI-generated-images
80810编辑于 2024-03-11 - 来自专栏TSINGSEE青犀视频
AI车辆检测人脸检测智能分析网关新增烟火检测识别与烟火告警
智能分析网关V2版现已经可支持烟火识别，当检测到疑似烟火的场景时，将通过主动预警推送的方式，对现场进行抓拍、保存、上传至平台，并将预警消息通过短信、电话、邮件、微信等方式推送给相关管理人员。 图片如图所示，开启AI算法烟火检测，当通过视频画面检测出明火或烟雾时，将发出告警。同理，开启AI算法车辆检测时，可检测出经过车辆的型号、车牌、颜色，并能触发车辆违停告警。 参考代码：图片图片后台管理页面展示：图片烟火检测技术可应用在工地、煤矿、石油化工、水利水电、森林防火、仓储物流、秸秆焚烧等场景中，能弥补传统视频监控的不足，减少人工监控的工作强度。 智能分析网关基于深度学习与AI图像识别处理技术，可对前端设备采集的图像、视频等数据进行实时风险监测与烟火识别分析，一方面确保预警识别的准确性，另一方面做到及时预警，做到火情早发现、早处置，降低火灾危害程度 图片利用EasyCVR视频融合平台与边缘智能硬件智能分析网关，融合AI、云计算、大数据等技术，可通过对监控场景中的人、物、行为等进行识别，对异常情况进行告警，感兴趣的用户可以联系我们或前往演示平台测试使用
98920编辑于 2022-10-21 - 来自专栏数据猿
AI技术让病理检测更“聪明”
据行业专家预测，AI病理技术将填补中国4-9万的病理医生缺口，进而极大地解放更多医疗资源。同时也将大幅提升检测效率和精准度，化身“医生的医生”，成为病理医生们的“最强大脑”。 在临床应用上，宫颈癌筛查等AI产品已率先得到了开发。 从“数字视觉挑战赛”看病理AI的“聪明”秘诀 在病理检测也要进入AI时代时，人们不禁会发问，病理AI到底从哪些方面进行了提升和修改？ 选择宫颈癌早期筛查作为切入点，是因为考虑到其细胞学检测的可操作性更适合当前的数字病理检测水准。 此外，宫颈癌作为妇科最常见的恶性肿瘤,居我国女性死亡率排名第二，因此宫颈癌的防治非常重要。 AI技术助力数字化病理检测走完“最后一公里” 在我国病理检测领域，人才缺失依然是最大的问题。 人才培养和诊断周期过长加剧了医院病理检测的压力，技术应用场景还是病理AI的“最后一公里”，目前属于薄弱环节。而AI技术的出现将有效辅佐我国病理检测行业走好这“一公里”。
72031发布于 2020-07-02 - 来自专栏AI 算法笔记
deeplearning.ai课程笔记--目标检测
这篇是看完吴恩达老师的 deeplearning.ai 课程里目标检测课程的学习笔记，文章的图片主要来自课程。 非极大值抑制 目前的检测算法还会存在一个问题，就是对同一个对象作出多次的检测，而非极大值抑制就可以确保算法只对每个对象检测一次。 Anchor Boxes 上述说的检测都是限制于一个格子检测出一个对象，但如果需要一个格子可以检测多个对象，那么就需要用到 anchor box。 后续也有很多改进的算法 Fast-RCNN：同样的方法进行候选区域的筛选，但通过卷积实现滑动窗口，对候选区域进行分类； Faster-RCNN：采用 CNN 来生成候选区域 ---- 参考 deeplearning.ai 04 课程第三周--目标检测
74300发布于 2020-11-29 - 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
99930编辑于 2023-09-14 - 来自专栏气象杂货铺
利用可解释AI检测气候信号
我们想利用这些方法检测在完全耦合的气候模式中模拟复合极端事件、内部变异和强迫趋势的偏差/差异。可解释AI方法可作为理解气候系统物理机制的又一个工具。 为了找到这些气候指标，本研究使用了一种叫做层间相关传播的可解释AI方法，这使我们能够"看到"ANN用于预测的重要区域。最后，利用大集合模拟训练模型后，我们将真实的观测作为输入测试ANN模型。 本研究表明，可解释AI方法如何能够成为识别区域气候变化信号出现时间的宝贵工具。 Detecting climate signals using explainable AI with single-forcing large ensembles.
1.1K30编辑于 2022-09-23 论文检测，论文降AI率，降AI率的工具
论文怕因 AI 痕迹过重被质疑学术不端，自媒体文章担心 AI 味太浓，读者不买账。别慌，文字滚筒鸭带着 “全能神器” 闪亮登场，一站式解决你的 AI 率难题！ 一、精准检测，让 AI 痕迹无所遁形文字滚筒鸭拥有自研的前沿检测算法，对论文、自媒体文章等各类文本展开深度扫描。它就像一位经验老到的侦探，不放过任何一处 AI 生成的蛛丝马迹。 从遣词造句的风格，到逻辑结构的搭建，一旦发现与 AI 模式相似之处，立刻精准定位。比如论文中那些过于规整、缺乏灵活变化的句式，或是自媒体文章里频繁出现的热门 AI 词汇组合，都逃不过它的 “法眼”。 经它检测出的 AI 率数据精准可靠，为后续降重提供坚实依据，让你对内容的原创度了如指掌。二、强力降重，一键抹去 AI 痕迹检测出问题后，重头戏来了 —— 降 AI 率。 如果你正为 AI 率焦头烂额，别再犹豫，赶紧试试文字滚筒鸭！它功能全面、准确高效，定能成为你内容创作路上的得力助手，帮你轻松攻克 AI 率难题，产出原创佳作。
85521编辑于 2025-04-23- 来自专栏大数据智能实战
AI展示框架(7)：基于dlib实现人脸检测及关键点检测
(2) 5个关键点的检测结果 ? (3) 81个关键点的检测结果。 ? 不过从图上可以看出，dlib用于人脸检测，并不能检测出太多的人脸，特别是远处的小人脸，均无法检测。 附：上图只是百度上搜索获得检测的图片，只用于实验。
1.5K10发布于 2019-05-26 - 来自专栏燧机科技-视频AI智能分析
加油站ai视觉分析检测预警
加油站ai视觉分析预警算法通过yolov8图像识别和行为分析，加油站ai视觉分析预警算法识别出打电话抽烟、烟火行为、静电释放时间是否合规、灭火器摆放以及人员工服等不符合规定的行为，并发出预警信号以提醒相关人员 在介绍加油站ai视觉分析预警算法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。 但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。 加油站ai视觉分析预警算法YOLOv8分割模型使用-seg后缀，即yolov8n- seg .pt，并在COCO上进行预训练。 其他的使用方法和检测与分割类似，不再赘述。
53630编辑于 2023-09-15 【AI 进阶笔记】Bird vs Drone【目标检测】
前面我们使用图像分类的方式来进行 drone 与 bird 的判断，这里我打算使用目标检测的方式来进行判断，这里用 YOLOv7。 使用 YOLOv7 进行目标检测1. 6、多尺度训练YOLOv7 提供了多尺度训练的选项，可以让模型在不同的输入尺寸下进行训练，从而提高模型在不同尺寸目标上的检测能力。 我们可以使用 detect.py 进行推理，并将结果进行可视化，生成包含检测框和类别标签的图像。 /datasets/test/images这个命令会加载训练好的模型，并对测试集图像进行推理，生成包含检测框的结果图像。可以通过调整 --conf 参数来设置置信度阈值，控制检测结果的精度和召回率。 通过这些工具，可以将训练好的 YOLOv7 模型部署到边缘设备或云平台上，提供实时的目标检测服务。
63920编辑于 2025-04-08- 来自专栏量子位
AI检测贫血不看血，竟是看眼睛
丰色 发自 凹非寺 量子位 报道 | 公众号 QbitAI 不用扎针、不用让本就贫血的人“雪上加霜”—— 用手机拍照就可以检测一个人是否贫血，不知道你听说过没？ 今天要介绍的这个研究就是，通过拍摄人的下眼睑照片，AI就可以有72.6%的准确率预测你是否贫血！ 哇，晕针晕血的朋友有救了？ 等等，AI验贫血居然是看眼睛？ 是的，没错。 而当时的方法都是根据人的手掌、指甲或其他身体部位来检测。 问题就来了： 这些区域很容易受到温度变化的影响，诊断结果经常飘忽不定（且不太能推广应用到紫绀型、低血压或轻度低温患者身上）。 研究人员表示： 基于目前的实验数据，该模型可以先用作贫血的筛查工具，一旦检测出任何异常结果再进行确认检测。 再进行确认检测，意思还得抽血吗…… 最后，总而言之，全球有25%的人都受到贫血的影响，还是希望这项技术可以早日落地真正走进大众。
44340编辑于 2023-03-10 - 来自专栏磐创AI技术团队的专栏
使用NLP检测和对抗AI假新闻
磐创AI分享 作者 | MOHD SANAD ZAKI RIZVI 编译 | VK 来源 | Analytics Vidhya 概述 由AI生成的假新闻(神经假新闻)对于我们的社会可能是一个巨大的问题 如何检测神经假新闻？ GPT-2探测器 Grover 模型 事实核查 使用GLTR（HarvardNLP）进行统计分析 利用模型检测神经假新闻 当前检测技术的局限性及未来研究方向 什么是神经假新闻？ 这就是为什么我们会使用在线检测器和生成器工具。 使用Grover进行生成和检测 你可以通过以下链接访问该工具： https://grover.allenai.org/ ? ❝简而言之，检测神经假新闻的最佳方法是综合运用所有这些工具并得出比较结论。 ❞ 当前虚假新闻检测技术的局限性及未来研究方向 很明显，目前的检测技术还不完善，还有发展的空间。 现有神经假新闻检测技术的局限性 研究的主要结论是，GLTR、Grover等方法用于神经假新闻检测的现有方法是不完全的。
1.9K20发布于 2020-08-11 AI与Elastic Security革新金融欺诈检测
AI驱动的欺诈检测：为金融服务提供保护欺诈在金融服务领域变得越来越复杂，每年给行业造成数十亿美元的损失，并侵蚀客户信任。 随着威胁的增长，银行可以投资AI和其他技术来帮助检测欺诈并防止损失。” AI在金融欺诈检测中的作用AI通过实时分析海量数据集，在欺诈检测中带来了前所未有的精确性和可扩展性。 某机构：统一的欺诈检测方法某机构通过分布式数据网格架构和AI驱动的分析来增强欺诈检测。通过集成机器学习，平台自动识别未知异常，同时减少误报。 AI驱动欺诈检测的未来随着金融欺诈手段不断演变，机构需要主动解决方案以保持领先。Search AI平台展示了AI和机器学习如何革新欺诈检测——确保合规性、降低运营成本并恢复客户信心。
17610编辑于 2026-04-17- 来自专栏我和bug只能活一个
识别AI造假，效果超越OpenAI，AI生成检测器来了！
不过现在，针对 AI 生成语料的检测方法已经被研究出来。 随着大型语言模型的日益进步，我们越来越难以区分人类与 AI 生成的内容。 那么，如何检测和识别 AI 生成的语料？ 北大和华为的研究团队提出了一种可靠的文本检测器，该检测器基于 PU 学习的多尺度 AI 生成文本检测方法，具有显著提升短文本识别精度的效果，解决了目前检测器对于短文本识别精度低的痛点。 在学术界，社交平台等领域，我们都迫切需要一款可靠的 AI 生成文本检测器。然而，不同的场合，我们对检测内容的需求也各不相同。 由上表可见 MPU 效果更胜一筹，能更好地适配 AI 多尺度文本检测的任务。 总结： 在这个日益依赖 AI 的时代，我们需要保持警惕，发展出针对 AI 造假的防御措施。
60330编辑于 2023-07-15 - 来自专栏数据派THU
与时代共振，AI助力工业缺陷检测
[ 摘要 ]由于深度学习强大的特征提取能力，代替了人工目检和传统的机器视觉，成为了工业缺陷检测的新利器。然而，基于深度学习的语义分割技术在工业缺陷检测领域的应用仍具有挑战性。 本文先对比自然场景下的语义分割，概述了工业缺陷检测背景下语义分割技术的特点；接着，对于工业缺陷检测的常见难点，对常见的解决方案进行介绍。最后，作者提出了关于工业缺陷检测实际应用中一些问题的思考。 工业缺陷检测相比于自然场景，类别更少，而且工件表面一般背景干扰小，变化更少，而且可以通过硬件（如打光）等方式去改良光照等条件以获取更好的数据集。那么是否意味着工业缺陷检测中的语义分割更为简单呢？ 一些思考 工业缺陷检测的指标需要具体情况具体分析。有些场景下的工业缺陷检测并不需要逐像素分类准确，需要知道缺陷种类和大致位置即可，更倾向于“目标分类”这样的任务。 很多工业缺陷检测的评价以计算机视觉领域常用的指标来判别模型的优劣，如mAP（Mean Average Precision，均像素精度）等等，把其看成“目标检测”或者“目标分割”问题，脱离了实际的工业应用
1.3K31发布于 2021-10-19
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