- 综合排序
- 最热优先
- 最新优先
- 来自专栏轨道交通检测
EIDS 车下走行部图像检测系统——智能诊断车辆异常与预警
随着铁路运量的增加，车辆的检测需求量也越来越大，铁路机务段及车辆段承担车辆检测任务，需要着对入库或通过的列车进行快速、自动化的车底检查，以提升检修效率和行车安全。 志强视觉EIDS 车下走行部设备图像检测系统在火车维修检测车中的成功应用，正以硬核科技破解行业痛点，推动车辆检修迈入智能化新阶段。 EIDS 电务车载车下走行部设备图像检测系统的亮点该系统的核心优势在于高度定制集成化、强大的可视化能力、实时性与预警机制。 志强视觉科技推出的专门用于检测火车/机车底部走行部设备状态的智能图像识别系统，通过在轨边安装高速工业相机，代替人眼对高速运行的列车底部进行拍摄和检查。 志强视觉科技的EIDS车下走行部图像检测系统为铁路行车安全的最关键部位之一——走行部，建立了一道自动化、智能化的“电子防线”。
13110编辑于 2026-03-03 - 来自专栏燧机科技-视频AI智能分析
渣土车识别检测系统
渣土车识别检测系统通过yolo网络架构对现场渣土车进行实时分析检测，一旦渣土车识别检测系统发现渣土车立即抓拍预警，提醒后台人员及时处理。我们使用YOLO(你只看一次)算法进行对象检测。 YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。
1.1K30编辑于 2022-12-27 - 来自专栏燧机科技-视频AI智能分析
工地渣土车清洗识别检测系统
工地渣土车清洗识别检测系统集成边缘+Ai视频分析技术、机器视觉、深度学习等技术，利用工地现场的监控摄像头对将要驶离施工工地的渣土车进行实时监管清洗识别，如果渣土车没有清洗，系统就警报。 工地渣土车清洗识别检测系统由前端摄像头与后管理系统构成。前端摄像头对现场进出口的车辆冲洗情况，抓拍识别未冲洗车辆并把违规车辆信发送给系统后台，同步发给相关人员的手机上。 为保证人员恰当掌握立即清洗的清洗要求，并且在违规后立即证据调查，工地渣土车清洗识别检测系统可以智能抓拍车牌号，识别未清洗情况，清洗时长不够等违规情况，并保存视频数据及时将违规数据上传至管理平台。 依据智能视频分析，工地渣土车清洗识别检测系统识别现场监控视频图像数息，不用手动操作，自动识别检测车辆未清洗，合理协助管理工作，并最大限度地降低误报和漏报现象，减少人力资源管理监督成本。
37300编辑于 2022-10-01 - 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。 通过使用 YOLOv8 进行关键点检测，可以在图像中快速、准确地定位和识别渣土车的关键点，从而在许多应用领域中发挥重要作用，如车辆识别、状态分析、动作捕捉等。
78110编辑于 2023-09-06 - 来自专栏燧机科技-视频AI智能分析
骑电瓶车超载识别检测系统
本文提出基于YOLOv12目标检测与RNN-LSTM时空行为分析的智能识别系统，通过多光谱感知-动态违章建模-分级执法联动技术架构，实现超载及违章行为检测精度96.3%（实验室数据），实测响应延迟＜0.5 ）：异常聚集检测（＞3人/车预警，识别超载）。 （二）算法层核心设计 YOLOv12违章行为检测优化 针对电瓶车“小目标（远距乘员）、动态遮挡（行人/其他车辆）、复杂背景（绿化带反光）”问题，优化模型结构与训练策略： # YOLOv12模型配置（电瓶车违章场景定制 骑电瓶车超载识别检测系统基于YOLOv12+RNN深度学习算法，骑电瓶车超载识别检测系统通过集成AI大模型，对监控画面中的电动车摩托车三轮车进行分析，一旦发现驾驶员未佩戴头盔、车辆逆行或违规载人等违章行为 骑电动车违规载人检测系统的广泛应用，为交警部门带来了前所未有的便利。
21310编辑于 2026-01-12 - 来自专栏燧机科技-视频AI智能分析
骑电动车违规载人检测系统
本文提出基于YOLOv8目标检测与RNN时序分析的智能监测系统，通过多光谱感知-动态轨迹建模-分级执法联动技术架构，实现0.3-25m/s全场景检测精度（实验室数据），实测响应延迟＜0.4秒。 （ST-GCN），建模车辆-人员交互关系 （二）误报率控制 时序行为过滤：通过RNN分析连续帧状态，排除“短暂未戴盔”行为（如停车检查） 环境自适应：根据气象站数据动态调整检测阈值（如暴雨模式下提升逆行检测权重 ） （三）系统集成创新 轻量化部署：模型量化至INT8精度，体积压缩至55MB 联邦学习机制：跨区域共享脱敏数据，提升模型对改装电动车的泛化能力 四、实测数据与效果 指标实验室数据（NVIDIA A100 （置信度0.92），联动广播系统发出警告 超速闯红灯：融合GPS定位与信号灯状态，精准判定闯红灯行为（时间误差＜200ms）骑电动车违规载人检测系统核心在于其先进的深度学习算法，骑电动车违规载人检测系统对电动车在连续帧图像中的运动轨迹进行分析 骑电动车违规载人检测系统的广泛应用，为交警部门带来了前所未有的便利。更为重要的是，这一检测系统的存在，如同一盏明亮的警示灯，时刻提醒着市民遵守交通规则。
25410编辑于 2026-01-07 - 来自专栏燧机科技-视频AI智能分析
机动车违停闯红灯识别检测系统
一、引言 我国机动车保有量达4.3亿辆（《2026年中国城市交通运行分析报告》），城市主干道高峰时段违停率达12.7%，闯红灯行为年均引发交通事故超3.2万起。 本文提出基于YOLOv11目标检测与时空行为建模的智能识别系统，通过多光谱感知-动态行为分析-分级预警联动技术架构，实现0.1-30m/s全场景检测精度（实验室数据），实测响应延迟＜0.4秒。 集成多光谱传感器阵列： 可见光（450-650nm）：车辆轮廓与信号灯状态识别； 近红外（850nm）：夜间车牌字符解析（支持污损车牌增强）； 热成像（8-14μm）：异常聚集检测（＞3车滞留触发预警） ultralytics import YOLO model = YOLO('yolov11n.yaml') # 轻量化 backbone 适配边缘设备 model.model.nc = 7 # 7类：机动车违停 1.7%极端环境可用性-暴雨天＞78%典型案例：夜间闯红灯轨迹追踪：通过近红外+热成像融合，识别无牌车闯红灯轨迹（置信度0.92），联动电子警察抓拍完整违法过程； 公交站台违停识别：结合地磁传感器（检测占道时长
36300编辑于 2026-01-11 - 来自专栏全栈程序员必看
c语言智能车跑道检测程序,基于金属检测的智能循迹小车设计
杜青 乔延华 韩淼 苗艳华 蔡乙男 摘 要： 为解决当前循迹小车存在性能稳定性差的问题，提出一种基于金属检测的智能循迹小车设计方法。 因其成本低，电路结构简单，可靠性高，抗干扰，可应用于无人驾驶机动车、无人工厂、仓库、服务机器人等领域[1?2]。 ；报警模块可在小车检测到硬币时发出声音提示；电源模块为整个系统提供电源。 3 软件系统的设计 3.1 检测与控制算法 上电后，先检测传感器返回的数值并保存，不同环境下传感器返回的数值会不同。 5 结 语 本文设计利用LDC1000电感数字转换器，使其工作在高频反射式电涡流传感器状态，对金属进行检测，运用STM32和STC51两种芯片，触发外围模块，实现小车的循迹和硬币检测。
1.3K20编辑于 2022-09-06 - 来自专栏资讯动态
腾讯车路协同平台通过中国信通院车联网平台专项检测
12月21日，由中国信通院组织举办的ICT+2024深度观察报告会在北京顺利召开，在车联网产业创新发展分论坛上，中国信通院向首批通过车联网平台能力检测的企业颁发了“腾讯车路协同平台检测证书”。 这一车联网平台能力检测是在国家《车联网产业标准体系建设指南》指导下，由中国信通院发起，并联合相关企业制定完善的车联网相关产品标准，结合系列标准及相关细则对行业关键产品开展的检测。 腾讯作为首批两家企业之一，获得该项检测认证。 此次检测内容包括平台功能检测和平台性能检测两大类。其中，平台功能检测包括设备接入与管理、数据分析与管理、事件处理与管理以及支撑能力等4个子项24个小项。 平台性能检测包括存储性能和稳定性2个小项。腾讯车路协同平台顺利完成了26个检测项的检测并获得认证。 腾讯车路协同平台是腾讯面向智慧交通等领域打造的智慧化平台产品，也是腾讯数字孪生在交通领域的重要布局。 、高速周车预警等百余个车路协同应用场景。
61110编辑于 2023-12-26 - 来自专栏燧机科技-视频AI智能分析
工地车辆未冲洗识别系统 渣土车清洗检测系统
渣土车清洗检测系统识别即将离开施工工地的剩下车辆开展清理监管、清理识别和未清洗警报。 伴随着在我国空气系数愈来愈变成环保监测的重要指标，近些年建筑行业发展迅速，常常出入建筑工地的泥车变成伤害空气系数的凶犯。因而，对新项目车辆的监管越来越非常重要。
81330编辑于 2022-09-20 - 来自专栏燧机科技-视频AI智能分析
骑三轮车违规载人不戴头盔检测系统
在城乡结合部及中小城市，电动/燃油三轮车因其载货载客灵活性被广泛使用，但也衍生出违规载人、驾驶员未佩戴安全头盔、加装遮阳伞等安全隐患。 本文介绍一种兼容现有交通监控资源的边缘智能系统，通过“目标检测 + 多目标跟踪 + 规则化校验”技术路径，在保障隐私前提下，实现对典型违规行为的结构化取证，并探讨其在真实道路环境中的可行性与边界。 二、系统架构：边缘推理 + 规则引擎 + 隐私保护系统采用三层设计：感知层输入：路口现有200万像素以上高清球机（支持RTSP/ONVIF）；采用YOLOv10检测三轮车、骑行者、头盔、遮阳伞等目标；结合 规则校验层对每辆三轮车，统计关联人体目标数量：若>1且车型为货运类，则标记“疑似违规载人”；头盔识别基于头部区域分类（戴/未戴）；加装伞具通过车顶区域异常凸起检测（结合HOG特征辅助）。 结语AI在非机动车治理中的角色，不是替代执法，而是将有限警力从“大海捞针”解放到“精准核查”。三轮车违规识别系统通过结构化规则与多模态感知，在提升管理效率的同时，坚守隐私与合规底线。
17610编辑于 2026-01-21 - 来自专栏PaddlePaddle
手把手教学电瓶车进电梯检测、多类别车辆追踪、异常行为检测产业级应用
近日，媒体接连报道电动车起火爆炸造成严重人员伤亡的新闻，针对该问题，社区物业明令禁止电瓶车入户，但是依然有人忽视这个问题严重性。 本次飞桨产业实践范例库开源电瓶车进电梯检测、异常行为检测、多类别车辆跟踪三个典型安防场景，提供了从数据准备、模型训练优化，到模型部署的全流程可复用方案，降低产业落地门槛。 ⭐项目链接⭐ https://github.com/PaddlePaddle/awesome-DeepLearning 所有源码及教程均已开源，欢迎大家使用 电瓶车进电梯检测 电瓶车进楼入户发生的火灾事故屡见不鲜 ，针对该现象飞桨联合天覆科技推出了相应的电瓶车进电梯检测方案，及时进行报警与干预，从源头减少这一情况的发生。 ，整体方案如下： 主体检测分别选用了单阶段检测模型 YOLOv3、PP-YOLOv2、PicoDet进行实验，最终准确率高达98%，同时用户可以不断自优化模型，模型准确率不断提升。
62820编辑于 2022-03-31 - 来自专栏轨道交通检测
列车360°动态图像检测系统 赋能列车高效安全检测
可覆盖区域包括车顶中心线偏移、碳滑板、车体左右侧、走行部、车底等关键部位。 应用案例 山东某中车制造厂(如中车青岛四方)在CR400BF 型动车组生产中，需解决传统人工巡检效率低(日均检测≤10列)、漏检率高(约30%)的问题，尤其对车顶碳滑板裂纹、车底异物附着等隐蔽故障识别不足 : 1.系统部署 定制方案:采用列车360 系统(2D+3D混合组合)，部署于动车组入库检修线，覆盖车顶、车侧、车底12个关键检测区域。 技术配置: 成像单元:12组视觉组件+激光补光光源 算法引擎:40 种故障模型库(含碳滑板裂纹、走行部磨损等) 报警系统:分级报警(紧急/一般)，信息同步 2.应用成效 故障检出率跃升: 碳滑板裂纹检出率达 其模块化设计与高精度检测能力，为山东车辆制造厂提供了可复制的智能检修样板，推动动车组运维向“数据驱动、人机协同”模式升级，成为中车制造体系的标杆案例。
19400编辑于 2026-04-02 基于Ultra-Fast-Lane-Detection-v2车道线实时检测onnx部署
github.com/cfzd/Ultra-Fast-Lane-Detection-v2 【框架介绍】 Ultra-Fast-Lane-Detection-v2（UFL-D-v2）算法是一种高效的车道线检测算法 UFL-D-v2算法具有以下几个优点： 高效性：算法采用了卷积神经网络进行特征提取，大大减少了计算量，提高了检测速度。 准确性：通过训练神经网络模型，算法能够准确识别车道线，降低了误检率。 总的来说，UFL-D-v2算法是一种高效、准确的车道线检测算法，它可以为自动驾驶和智能交通领域提供重要的技术支持。
61900编辑于 2025-07-20- 来自专栏燧机科技-视频AI智能分析
骑电瓶车不戴头盔识别检测系统 基于YOLOv11与RNN
一、引言 骑电瓶车不戴头盔是城市交通安全的突出隐患。 本文提出一种基于YOLOv11目标检测与RNN时序分析的智能识别检测系统，通过“多目标检测-行为时序研判-分级联动干预”机制，实现对骑电瓶车不戴头盔行为的毫秒级识别、证据留存与主动提醒。 （二）算法层：YOLOv11+RNN双模型协同分析 核心采用“YOLOv11目标检测+RNN时序行为研判”两级算法：YOLOv11目标检测：定位画面中“骑行者”“电瓶车”“头盔（佩戴/未佩戴）”等目标， 输出 bounding box 坐标、置信度及属性（如“头盔佩戴位置（头部覆盖/未覆盖）”“电瓶车类型（踏板式/跨骑式）”）； RNN时序分析模型：基于YOLOv11连续8帧检测结果（骑行者头部状态、电瓶车行驶轨迹 骑电瓶车不戴头盔识别检测系统的核心是 YOLOv11+RNN 深度学习算法，骑电瓶车不戴头盔识别检测系统通过安装在城市道路周界区域的高清摄像头一旦检测到骑行者未佩戴安全头盔，系统会立即触发报警机制，一方面将当时的图像抓拍并传输到管理中心
44510编辑于 2025-12-27 基于AIIOV系统的车联网AI自动化安全检测与法规合规实践
直面车联网安全检测三重挑战 行业情景与痛点冲突 软件定义汽车时代，车联网安全面临多重瓶颈： 软件复杂度激增：自动驾驶汽车代码超3亿行（约为波音787梦幻客机1500万行代码的20倍），未来10年软件服务收入预计增长超三倍 分析引擎模块： 无符号表函数识别（ELF解析、CFG构建）、多维度漏洞检测（静态/动态/污点/控制流分析）、加解密函数识别、后门与认证绕过检测、流分析（协议识别、Fuzz脚本生成）； 二进制漏洞分析流程 ，曾就职国家级检测机构核心实验室，2025年华为引望车联网安全大会特邀分享嘉宾）团队实践经验。 实施过程 在某OEM厂商整车渗透测试中，部署AIIOV系统： 启动Probe探针于车机系统，监听指定端口； Client端输入自然语言指令（如“检测ECU固件strcpy漏洞”），Conversation 权威认可 演讲人刘浩鹏团队获上海铸盾车联网攻防演练冠军、CCF车联网攻防演练冠军； 2024年上海铸盾车联特邀分享嘉宾、2025年华为引望车联网安全大会特邀分享嘉宾（数据来源：材料“About me
16210编辑于 2026-04-04- 来自专栏Java编程技术
UML建模（活动图）
image.png 合并（merge）:任意一个节点到达该点都继续往下走，不管其他分支 ? image.png 分岔汇合（join）：所有分支都到该点时候才继续往下走，类似CountDownLatch.await后在继续往下走 ? 如图左上角黑色圆为活动开始，首先通过decision的条件判断是进行搜索还是浏览，如果是搜索则通过merge节点后搜索商品，然后通过decision节点判断搜到商品则进入在做决定是浏览商品信息还是加入购物车。 加入购物车后可以选择进入B继续 搜索其他商品，或者查看购物车内容，然后购物完后，进入C进行付款，然后流程结束。 另外可以随时接受信号去查看进入A查看购物车信息，也可以随时收到信号去checkout商品。
2.8K20发布于 2018-09-06 - 来自专栏TSINGSEE青犀视频
TSINGSEE青犀视频AI智能算法平台电动车入梯检测解决方案
一、方案背景随着大众的出行要求逐渐提升，交通拥堵现象也随处可见，电动车出行，就成了大家的首选。 随着电动车数量的激增，众多用户为了个人方便，大多在室内停放或充电，有的甚至停放在走道、楼梯间等公共区域，由于电瓶车车体大部分为易燃可燃材料，一旦起火，燃烧速度快，并产生大量有毒烟气，人员逃生困难，极易造成伤亡 自动识别是否有电瓶车进入电梯，并自动进行识别、检测，并告警。 如有人员违反规定将电瓶车或拎电瓶带入楼道或电梯内，系统会自动检测到电瓶车并识别，发出警报实时通知管理人员，进行处理，还可接入语音对讲功能，实时对视频监控场景语音对讲，有效杜绝电瓶车或电瓶上楼充电，确保小区消防安全 TSINGSEE青犀视频电动车入梯AI智能识别解决方案可对小区电瓶车入梯行为实时进行检测，当监测到电动车进入电梯，及时进行预警，有效协助管理人员处理，并最大限度地降低误报和漏报现象，能有效减少人力物力，
44010编辑于 2023-09-06 车油口挡板开关闭合检测数据集VOC+YOLO格式138张2类别
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VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：138 标注数量(xml文件个数)：138 标注数量(txt文件个数)：138 标注类别数：2 标注类别名称:["closed","open"] 每个类别标注的框数： closed 框数 = 69 open 框数 = 69 总框数：138 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
11610编辑于 2025-07-16- 来自专栏PaddlePaddle
如何在有限算力下实现智能驾驶多任务高精度识别？
近几年，随着自动驾驶、车路协同等概念的日益火热，地图厂商、传统汽车厂商以及有互联网背景的“造车新势力”纷纷加入了智能升级的探索之路。 非机动车、行人以及交通信号灯(红灯, 黄灯, 绿灯,灭灯) 这7类对象进行目标检测, 同时对实车道线、虚车道线和斑马线3类目标进行分割, 并且要求检测速度不低于20 fps才能进一步端侧移植，因此，如何在有限算力下实现多任务的高精度识别将会是驾驶环境感知应用最核心的问题 图5 数据增强策略说明 模型结构优化： 1、模型检测头复现，使用飞桨复现YOLOX Decoupled Head，相比之前的YOLOX Head检测精度提升了2%。 项目效果 经过一系列的优化，模型实现了对驾驶过程中的机动车、行人、红绿灯、车道线等目标的识别，最终整体识别精度达到85%。 图9 推理流程说明 部署方面使用飞桨原生推理库PaddleLite进行部署，满足用户批量预测、数据安全性高、延迟低的需求，快速在本地完成部署方案，当前部署方案已经发布，欢迎小伙伴们使用尝试。
59510编辑于 2022-03-31
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