- 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
骑电动车违规载人检测系统
一、引言 我国电动自行车保有量突破3.8亿辆（《2025年中国城市交通发展白皮书》），违规载人、未戴头盔等行为导致交通事故占比达31%。 警示屏动态显示违规类型（如“禁止违法载人”） 云端管理平台 实时热力图展示高风险区域（如学校周边、早高峰路口） 自动生成结构化报告（含时间、地点、车牌、违规次数） 支持与交管系统联动，自动触发违法抓拍与短信通知 ：夜间违法载人：通过红外热成像识别后座人体轮廓（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，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，系统便能瞬间做出反应，精准定位违规车辆，并通过高清摄像头抓拍下清晰的照片或视频记录 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。
25510编辑于 2026-01-07 - 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。 一、明确可识别的违规行为边界需强调：AI无法判断法律意义上的“违法”，但可识别符合地方交规明确定义的可视行为，例如（以多数城市规定为参考）：违规载人：货运三轮车除驾驶人外，载有第二名乘员（不含符合规定的残疾人专用车 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）。
17610编辑于 2026-01-21 - 来自专栏燧机科技-视频AI智能分析
骑车不戴头盔识别检测系统
骑车不戴头盔识别检测系统通过GPU深度学习技术，骑车不戴头盔识别检测系统对行驶在马路上的骑电动摩托车等未戴头盔的行为进行抓拍，骑车不戴头盔识别检测系统不经过人为干预自动对上述违规行为进行自动抓拍识别。 骑车不戴头盔识别检测系统技术上采用 Tesnorflow+TensorRT推理组合，精度高速度快更实用。深度学习应用到实际问题中，一个非常棘手的问题是训练模型时计算量太大。
1.3K50编辑于 2023-02-09 - 来自专栏燧机科技-视频AI智能分析
二轮车不戴头盔违规载人识别分析系统
未佩戴头盔和违规载人（尤其是载成年人）是导致事故伤亡率居高不下的两大主因。 近年来，“二轮车不戴头盔违规载人识别分析系统”应运而生，市场宣传常提及基于“YOLOv12+CNN深度学习算法”，宣称能在繁忙路口实现“不间断监测、立即抓拍、现场喊话”。 所谓的“违规行为识别”，核心是利用目标检测（如YOLOv12）定位骑行者与车辆，结合卷积神经网络（CNN）或姿态估计技术，分析头部区域特征（是否有头盔、头盔颜色）及车身负载状态（是否有多人、后座人员体型 即时联动响应：一旦检测到疑似违规，系统可触发声光报警（现场喊话：“请佩戴头盔”、“请勿载人”），起到即时警示作用。 “违规载人”的语义歧义：交通法规通常禁止“载人”指代搭载成年人，但允许搭载一名儿童。纯视觉算法难以通过像素准确判断后座人员的年龄（是儿童还是身材矮小的成人），极易将“家长带小孩”的合法行为误判为违规。
14000编辑于 2026-03-05 - 来自专栏燧机科技-视频AI智能分析
厂区员工骑车不戴头盔检测系统
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-动态行为研判-分级联动干预技术架构，实现0.3-15m/s全速域检测精度（实验室数据），实测响应延迟＜0.6秒。 系统已在某汽车制造园区（占地80万㎡，含12个出入口）部署，日均处理违规事件180+次，头盔佩戴率从58%提升至92%。 实验室数据：过曝区域识别率提升40%） 高粉尘环境：启用运动补偿算法，消除扬尘导致的误触发 （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米内精准提醒） LED警示屏动态显示违规次数 （如“本次违规：3/5次”） 云端管理平台 实时热力图展示高风险区域（如仓库出入口、停车场弯道） 自动生成结构化报告（含时间、地点、人员ID、违规次数） 支持与门禁系统联动，对多次违规人员限制通行权限 三、关键技术突破 （一）复杂场景检测优化 小目标检测：采用Mosaic9数据增强（实验室数据：小目标mAP@0.5提升28%） 遮挡补偿：引入光流法预处理（实测数据：安全帽遮挡场景识别率从65%提升至
15910编辑于 2026-01-06 - 来自专栏燧机科技-视频AI智能分析
三轮车不戴头盔违规载人识别抓拍系统
据相关交通事故统计数据显示，涉及三轮车的伤亡事故中，头部受伤致死占比极高，而违规载人则显著增加了车辆失控风险及事故损害程度。 《道路交通安全法》及其实施条例明确要求驾驶及乘坐电动自行车、三轮车必须佩戴安全头盔，并严禁货运三轮车违规载人。 “违规载人”的语义模糊：货运三轮车禁止载人，但部分车型允许搭载一名作业人员。纯视觉算法难以通过像素判断人员身份（是货物搬运工还是非法乘客），容易将合规作业误判为违规。 逻辑过滤策略：引入规则引擎，例如设定“车速>5km/h且货斗有人”才判定为违规载人，排除静止状态下的装卸货行为。 四、实测性能与环境挑战根据行业主流解决方案在2025年发布的实验室标准测试数据（清晰图像、标准视角）：未戴头盔识别准确率可达95.5%（敞篷车），但在封闭篷车场景下降至82.0%左右；违规载人检测率约为
9800编辑于 2026-03-07 - 来自专栏燧机科技-视频AI智能分析
骑电瓶车违规载人识别抓拍系统 基于多目标跟踪与规则校验
在城市交通管理中，电动自行车因其灵活性成为高频出行工具，但也衍生出违规载人、未佩戴头盔、加装遮阳伞等安全隐患。传统依赖人工巡查的方式效率低、覆盖窄，而基于AI视觉的自动识别系统正逐步应用于重点路口。 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。 一、明确可识别的违规行为边界需强调：AI无法判断法律意义上的“违法”，但可识别符合地方交规明确定义的可视行为，例如（以多数城市规定为参考）：违规载人：除驾驶人外，后座有第二名乘员（不含符合规定的儿童安全座椅 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检测电瓶车、骑行者、头盔、遮阳伞等目标；结合 规则校验层对每辆电瓶车，统计关联人体目标数量：若>1且无儿童座椅标识，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）。
19500编辑于 2026-01-20 - 来自专栏燧机科技-视频AI智能分析
高速道路交通违规事件识别检测系统
本文提出一种基于YOLOX目标检测与RNN时序分析的智能识别检测系统，通过“端侧实时感知-边缘智能研判-云端协同处置”闭环机制，实现对6类典型交通违规事件的毫秒级识别、分级告警与全流程证据管理。 （二）算法层：YOLOX+RNN双模型协同分析 核心采用“YOLOX目标检测+RNN时序违规研判”两级算法：YOLOX目标检测：定位画面中“车辆”“事故特征（散落物、变形车身）”“交通标志（禁停标）”等目标 基于LSTM网络构建违规分析引擎，输入为YOLOX连续10帧检测结果（车辆坐标、速度、姿态角），输出违规概率：import torch.nn as nn class TrafficViolationRNN （二）技术创新优势 多违规融合识别：单次检测同时输出6类违规状态，解决传统系统“单违规独立检测”的冗余问题（实验室数据显示算力消耗降低38%）； 时序趋势预测：RNN网络捕捉“车速骤降→车距缩小→拥堵形成 高速道路交通违规事件识别检测系统基于 YOLOX+RNN 的深度学习算法，高速道路交通违规事件识别检测系统通过现场摄像机可以高效地识别出多种交通违规行为，如机动车违停、车辆拥堵、车辆逆停、车祸、车辆侧翻和机动车违停占道等
53010编辑于 2025-12-25 - 来自专栏燧机科技-视频AI智能分析
智慧城管违规摆摊沿街晾晒识别检测系统
智慧城管违规摆摊沿街晾晒识别检测系统通过opencv+python对现场画面中进行7*24小时不间断实时监测，当智慧城管违规摆摊沿街晾晒识别检测系统监测到沿街晾晒违规摆摊占道经营时，立即抓拍告警。
97580编辑于 2022-12-31 违规撑伞检测数据集VOC+YOLO格式341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)：341 标注数量(xml文件个数)：341 标注数量(txt文件个数)：341 标注类别数：2 标注类别名称:["peng","san"] 每个类别标注的框数： peng 框数 = 90 san 框数 = 379 总框数：469 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 图片示例：
11000编辑于 2025-07-21- 来自专栏技术汇总专栏
翻墙、攀爬、跨越围栏等违规行为检测数据集（10,000 张图片已划分）—安全检测实践
翻墙、攀爬、违规行为检测数据集（10,000张图片已划分）——安全检测实践在现代城市安全管理与工地监控场景中，“违规攀爬”与“翻越围栏”等行为的实时检测，是视频智能分析系统中的关键功能之一。 例如：工地中检测工人是否违规攀爬脚手架；小区与学校中检测行人是否翻越围栏；交通区域中监测行人是否进入限制区。 为了满足上述需求，本文介绍的“翻墙、攀爬、违规行为检测数据集”专为目标检测任务设计，能有效支持YOLO系列模型的训练与测试。 八、结语“翻墙、攀爬、违规行为检测数据集”提供了一个高质量、结构化的训练基础，可帮助研究人员与开发者快速构建智能安全检测系统。 结合YOLOv8等主流目标检测框架，可以轻松实现高精度、实时性强的违规行为检测。
92810编辑于 2025-11-01 - 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
一、引言 我国电瓶车保有量超3.5亿辆（《2026年中国城市交通运行分析报告》），其中超载（含违规载人）行为占比达32%，未佩戴头盔、逆行等违章引发的交通事故年均超12万起，占城市道路交通事故总量的23% ）：异常聚集检测（＞3人/车预警，识别超载）。 ultralytics import YOLO model = YOLO('yolov12s.yaml') # 平衡精度与速度 model.model.nc = 7 # 7类：超载（含违规载人 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。
21510编辑于 2026-01-12 - 来自专栏燧机科技-视频AI智能分析
货梯载人监控报警自动停梯系统 基于YOLOv5与Python
据《2023年特种设备安全事故分析报告》显示，全国因货梯载人违规操作引发的坠落、挤压事故占比达19%，其中“人员误入轿厢后电梯启动”是最主要诱因。 本文提出一种基于YOLOv5目标检测与Python深度学习框架的智能监控系统，通过“实时感知-智能研判-联动控制”闭环机制，实现货梯载人行为的毫秒级识别、自动停梯与风险预警。 （站立/蹲坐）； 人数统计模型：基于YOLOv5检测结果，结合ToF传感器数据，通过轻量级CNN（如ShuffleNetV2）判断实际人数（0-5人，覆盖货梯常见载人场景）。 联动控制采用“边缘优先”策略：检测到载人（人数≥1）→ 边缘节点0.1秒内发送“停止运行”指令至PLC → 同步触发声光报警，实测平均端到端延迟0.5秒。 四、系统工作流程与核心优势 （一）全流程闭环管理机制 实时检测：相机每40ms采集一帧图像，边缘节点并行执行YOLOv5检测与人数统计； 分级预警： 一级预警（载人确认：人数≥1）：声光报警+电梯锁定（
28110编辑于 2025-12-17 - 来自专栏数据派THU
干货 | 医疗健康类APP违法违规个人信息收集的自动化检测技术研究
二、研究目的 本文旨在建构针对医疗健康类APP的自动化违规收集行为的检测技术，帮助人们快速掌握隐私政策文本的主要信息，规避APP违规收集个人信息的行为。 第二部分：医疗健康APP隐私合规现状 一、在线问诊类APP违规行为多 根据APP违法违规收集个人信息监测分析报告，可以看到目前存在较多的问题APP。 与此同时，国家网信办的检测也发现，许多常用的医疗健康类APP存在相应的一些违规问题。 此外，通过与用户进行访谈，发现超过半数的人，在日常生活中使用APP时，对个人信息的收集行为关注度不足。 APP收集的信息也较为敏感，以及APP目前存在一些违规行为等。 三、用户调研需求 在检测流程方面，主要分为四步，上传、检测、复查以及检测报告; 在检测模式方面,主要有两种服务模式SaaS+API的形式； 在检测依据方面，主要依据《App违法违规收集使用个人信息行为认定方法
67260编辑于 2023-03-29 智慧城市-交通违规行为检测数据集VOC+YOLO格式4662张7类别
violation passenger","violation pedestrian","violation trafficlight"] 数据集编号：mbd.pub/o/bread/Zp6Ym59p 交通违规行为 ，具体包括：violation crossing（越线违规）、violation crosswalk（人行道违规）、violation Helmet（未佩戴头盔违规）、violation normal（ 正常行为）、violation passenger（乘客违规）、violation pedestrian（行人违规）以及violation trafficlight（交通信号灯违规）。
65910编辑于 2025-07-16- 来自专栏燧机科技-视频AI智能分析
校园骑电动车不戴头盔联动闸机通行系统
在高校及中学校园内，电动自行车因其便捷性成为师生主要代步工具，但不佩戴安全头盔、违规载人、加装雨篷等行为频发，带来显著安全隐患。传统依赖保安人工劝导的方式效率低、标准不一。 二、可识别行为范围与技术边界系统聚焦可视、可判、低争议的行为，包括：未佩戴安全头盔（含佩戴不规范，如未系扣）；违法载人（除驾驶人外有第二名乘员）；加装遮阳伞/雨篷（车体上方存在刚性遮挡结构）。 三、系统架构：边缘感知 + 权限联动 + 隐私优先系统由三部分构成：前端感知模块在校门/宿舍闸机上方部署200万像素红外补光摄像头；采用YOLOv10-slim模型实时检测电动车、骑行者、头盔；结合轻量姿态估计判断头盔是否系扣 通行控制模块与现有闸机/门禁系统通过干接点或API对接；若检测到“未戴头盔”，闸机保持关闭，并语音提示“请佩戴头盔后通行”；不阻拦行人或非电动车用户，避免误伤。 六、未来优化方向融合校园一卡通，实现“多次违规推送辅导员”；构建学生安全积分体系，正向激励合规行为；与安全教育课程联动，形成“识别-提醒-学习”闭环。
14110编辑于 2026-01-21 - 来自专栏燧机科技-视频AI智能分析
园区骑车超速自动抓拍系统
本文提出基于YOLO5目标检测与RNN时序分析的智能超速管控系统，通过多光谱视觉感知-动态速度建模-分级处置闭环技术架构，实现0.5-30km/h宽域测速精度（实验室数据），实测响应延迟＜0.8秒。 采用CSPDarknet53+SPPF主干网络，针对园区场景优化锚框尺寸（新增128×128、256×128两类） 引入CBAM注意力模块提升遮挡车辆检测率（实验显示遮挡场景mAP提升18%） # 车辆检测模型构建示例 支持TensorRT加速，模型推理耗时＜15ms/帧 云端管理平台 实时热力图展示超速高发区域（如园区主干道交汇处） 自动生成结构化报告（含时间、地点、车型、速度曲线） 支持与门禁系统联动，对多次违规车辆自动限制通行 三、关键技术突破 （一）复杂场景检测优化 小目标检测：采用Mosaic9数据增强，模拟密集车流场景 运动模糊抑制：引入光流法预处理，提升雨刮器遮挡下的识别率 多车并行处理：设计非极大抑制（NMS）改进算法 （速度34km/h），联动道闸禁止通行园区骑车超速自动抓拍系统的核心是 YOLO5+RNN 深度学习算法，园区骑车超速自动抓拍系统在园区内关键路段部署了高清摄像头，一旦检测到车辆速度超过园区规定的限速值
15810编辑于 2026-01-06 - 来自专栏燧机科技-视频AI智能分析
煤矿视频监控系统
视频监控智能分析系统监测煤矿现场作业行为事件如下：1.煤矿作业现场矿车违规载人监测报警2.煤矿设备定时未检修报警3.煤矿现场作业人员异常聚集检测4. 煤矿作业现场矿车脱轨检测5.煤矿作业现场禁区闯入检测6.煤矿作业现场睡岗离岗检测7.煤矿作业贵重物品防盗检测8.煤矿现场烟火识别检测9.煤矿作业现场安全帽识别检测10.煤矿现场消防通道占用
2.5K10编辑于 2022-08-31 - 来自专栏量子位
斯坦福22岁辍学少年的独角兽野心：准备颠覆硅基无人车激光雷达
Luminar的激光雷达可以在200米的距离上精确检测和辨别物体，而他们说对手仅能做到35米。 除了传感器，一辆无人车还需要搭载人工智能系统对接收到的数据进行处理。而此前的激光雷达系统所提供数据质量的不足，让AI分析处理数据的效率大大降低了。 一位同事在前方20米的位置来回骑车，屏幕上出现的效果则是在那些地形线中间多出了几条游移、扭曲的线条。 换成了Luminar开发的激光雷达系统之后，屏幕上的图像一下子变成了一幅精细的、带点迷幻色彩的仓库渲染图：支撑房顶的柱子和横梁、停靠在仓库里的汽车轮廓全都清晰可辨，骑车人变成了渲染动画，甚至偶尔能看到车轮的辐条
62150发布于 2018-03-22 - 来自专栏燧机科技-视频AI智能分析
监控视频智能分析软件
1、SuiJiAI 厂区区域入侵智能报警盒 2、SuiJiAI 厂区火焰检测智能盒 3、SuiJiAI 厂区安全帽检测智能盒 4、SuiJiAI 厂区车辆超速智能分析盒 5、SuiJiAI 厂区口罩检测智能盒 6、SuiJiAI 厂区抽烟检测智能盒 7、SuiJiAI 厂区烟雾检测智能盒 8、SuiJiAI 可疑人员重点区域徘徊识别智能盒 9、SuiJiAI 人群异常聚集识别智能盒 10、SuiJiAI 11、SuiJiAI 漏油识别智能盒 12、SuiJiAI 断料识别智能盒 13、SuiJiAI 限高识别智能盒 14、SuiJiAI 值班人员离岗识别智能盒 15、SuiJiAI 消防通道占用堵塞检测智能盒 16、SuiJiAI 灭火器识别智能盒 17、SuiJiAI 车辆违规停放识别智能盒 18、SuiJiAI 打架识别智能盒 19、SuiJiAI 工地车辆超速检测智能盒 20、SuiJiAI 工程车载人检测智能盒 21、SuiJiAI 反光衣检测识别智能盒监控视频智能分析软件通过监控对烟火、堵塞、抽烟、行为、安全状态、物体识别等基于智能视频分析，运用智能视频分析结合前沿深度学习技术，对视频监测画面进行实时分析、
4.1K20编辑于 2022-09-04
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