Apr, 2023

使用 Few-Shot 数据采样技术和 YOLOv8 实现实时多类头盔违规检测

PDF
TL;DR本文提出了一种利用 YOLOv8 单阶段对象检测模型和 few-shot 数据采样策略开发的鲁棒的实时头盔违规检测系统，实验结果表明该系统有效、高效、稳健，可以用于交通监控和执法。
traffic safetyhelmet usage violationsautomatic helmet detection systemsreal-time implementationfew-shot data sampling
发现论文，激发创造
  • 使用 YOLOv5 和集成学习实现实时头盔违规检测

    本研究基于 100 个视频，开发了实时的 YOLOv5 深度学习模型，用于检测骑摩托车的骑手和乘客是否佩戴头盔，从而提高路上安全和交通法规的执行力。

    Apr, 2023

  • 使用遗传算法对 YOLOv5 进行微调，用于头盔违规检测

    本文提出了一种利用 YOLOv5 目标检测模型实现的实时头盔违规检测系统，该系统用于监督执行头盔法律，有助于提高摩托车安全性。

    Apr, 2023

  • 注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

    在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

    May, 2024

  • 下一代交通监控：AI 辅助的移动交通违规检测系统

    利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

    Nov, 2023

  • 利用深度学习的实时交通监控事故检测

    本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

    Aug, 2022

  • 基于 YOLOv7 的深度学习方法用于检测建筑工人的完整安全装备

    通过基于深度学习的方法，本研究提出一种用于识别建筑工人佩戴的安全装备（如头盔、护目镜、夹克、手套和鞋子）的技术。该方法使用 YOLO v7 算法准确地定位这些安全装备，在自定义数据集上进行训练，具有良好的性能和评估结果，并提供了建筑工地安全违规的快速识别方法，对计算机视觉和职场安全领域做出了重要贡献，增加了建筑行业的安全合规性和事故风险降低。

    Jun, 2024

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 在非受限道路上检测、跟踪和计数摩托车骑手的交通违规行为

    该研究提出了一种利用基于课程学习的目标检测器、梯形物体边界表示和遮挡骑手边界框生成器来高效检测和计数车载摄像头视频中的摩托车驾驶违规行为的方法，并在实验中证明了其优越性。

    Apr, 2022

  • 基于 YOLOv8 的道路危害的视觉检测：坑洞、下水道盖和人孔

    在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。

    Oct, 2023

  • 基于 YOLOv8 的车辆速度检测系统：提升都市区域的道路安全和交通管理

    通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

    Jun, 2024