共查询到20条相似文献,搜索用时 453 毫秒
1.
本文介绍了广电网络在黎里智慧景区项目的承建过程中,采用"人像识别监控摄像机+在线AI人像识别系统"的技术方案建设景区人流统计系统的规划与方案,并对该系统游客统计、热点分析、游客路线分析、视频寻人、数据展示等功能进行了阐述。 相似文献
2.
<正>针对机器人在分拣、装配等应用场景中,工件难以被识别和位姿精准定位的问题,本文以视觉引导机器人抓取缸盖为对象,提出一种基于YOLO6D改进的目标位姿估计算法。该算法使用Darknet53作为模型的特征提取网络,对输入的RGB图像进行处理,进而提取特征。该算法在自建的Line Mod格式的缸盖数据集中效果较好,其中2D投影误差精度达到83.65%,ADD精度达到98.92%,5cm5°精度达到95.44%,为基于视觉的工业机器人抓取应用提供了借鉴。 相似文献
3.
4.
现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高,本文提出一种基于改进YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的YOLO v5算法主要是在原来的基础上增添注意机制SE模块,并且改进损失函数将GIo U改为EIo U提高模型收敛效果、最后采用KG模块平衡特征金字塔结构对模型进行优化,用以提高YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在YOLO v5s模型中,在光伏组件红外图像的检测上的平均检测精度m AP可以达到92.8%,比原本的YOLO v5s算法88.3%提升了4.5%,在精确度和召回率上的收敛效果也比原始YOLO v5算法模型有所提高,改进后的网络结构应用于l、m、x三种模型中,其检测精度都有所提升,因此改进后的YOLOv5算法适用于4种模型。 相似文献
5.
由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。 相似文献
6.
针对传统视觉背景提取(visual background extractor,ViBe)算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。 相似文献
7.
8.
为促进旅游景区信息化管理,提高旅游景区服务品质,目前四川移动携手乐山市旅游局全力打造了“旅游监管调度及安全应急联动指挥平台”,实现了乐山全市景区的“智慧管理,智慧服务”,不仅让监管调度和安全应急更加高效顺畅、省时省力,也为前来度假的游客带来了便捷信息化的旅游体验。 相似文献
9.
针对大型展馆游客定位诱导及信息服务问题,提出了一种基于二维码定位模式的大型场馆便携式游客导览系统。该系统是以现有PDA等智能移动终端为对象,基于Windows Mobile平台,并结合嵌入式GIS系统及数据库等相关技术,通过获取和识别各展位的二维码基础信息,来实现游客自行定位、路径诱导、以及相关展位信息的查询获取等功能。 相似文献
10.
11.
智慧旅游分为“4+1体系”,即:以互联网数据中心为基础,实现景区内涵的智能感知、景区信息的互联互通、景区资源的协调共享和景区运营的顺利开展。本文所述的景区智能化建设就是从以上“4+1”体系着手,论述了楼宇智能化在智慧景区中的具体一样,从而为智慧景区的实现提供了物质和技术基础。最后结合智慧旅游概念,展示了基于新型智能化景区建设的特点,指出楼宇智能化不仅有利于提高智慧景区中管理者的高效运作,同时也能够提高游客对整个景区的感知度和认知度。 相似文献
12.
在电力系统中,人员异常聚集具有较高的危险性,在各类变电站和输电线基站场景中,依靠人工监督惊醒预警效率极低,且滞后性较高,为解决以上问题,提出了以监控摄像头为载体,结合人工智能技术,利用基于改进的YOLO v3目标检测系统对电力系统场景中的人员聚集识别技术。该系统运用多尺度卷积特征融合的方法提升了YOLO v3对小目标检测的性能,再辅以先进的人群识别算法,使得在出现人群聚集行为时可以及时做出判断,避免了可能的危险情况,通过多次实验,获得了具有竞争力的测试结果。 相似文献
13.
为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO(You Only Look Once)网络模型改进的10层的卷积神经网络(Convolutional Neural Network,CNN)用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。 相似文献
14.
15.
针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO(You Only Look Once)模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。 相似文献
16.
改进YOLO V3遥感图像飞机识别应用 总被引:1,自引:0,他引:1
为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。 相似文献
17.
18.
现实中交通标志的检测和识别具有环境多变的特点,交通标志长时间暴露在外经常会出现损坏情况,对检测的精度和速度产生较大影响.利用最新的YOLO系列算法——YOLOX,对网络结构的加强特征提取层进行改进,引入OPA-FPN网络,相较于原来的PANet网络,后者精度提升2.2%.在交通标志识别过程,对经典的卷积神经网络模型Le... 相似文献
19.
基于深度学习的YOLO目标检测综述 总被引:1,自引:0,他引:1
目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。 相似文献
20.
针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题,提出了一种基于改进YOLO V3的舰船目标检测算法.首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度,将其与上一个输出尺度中的特征信息进行特征拼接,得到具有更丰富语义信息的特征向量;其次,基于数据集进行聚类改进,改进度量距离公式、重新设置anchor box的个数与相应参数;最后,优化改进YOLO V3的损失函数,提高模型的整体性能.对测试数据集进行分析实验,结果表明改进后的检测算法平均精确度达到83.98%,较之于原YOLO V3,平均精确度提升了6.72%. 相似文献