Dec, 2023

利用热像技术进行液体泄漏检测

PDF
TL;DR利用计算机视觉和深度学习方法，本文提出了一种全面解决油气行业中液体泄漏的关键挑战的方案。通过采用 You Only Look Once (YOLO) 和 Real-Time Detection Transformer (RT DETR) 模型，我们的项目集中于提高对管道、泵和储罐等关键基础设施组件中液体泄漏的早期识别能力。通过集成监控热成像摄像头和传感器，结合 YOLO 和 RT DETR 模型在油气设施内对视觉数据进行持续监控和分析，这种方法显著提高了泄漏检测的准确性和速度，最终减轻了液体泄漏所带来的环境和财务风险。
liquid leaksoil and gas industrycomputer visiondeep learningleak detection
发现论文，激发创造
  • LW-DETR：实时检测的一种用于替代 YOLO 的 Transformer

    本文介绍了一种轻量级检测变换器 (LW-DETR)，它在实时目标检测方面优于 YOLO，架构简单，由 ViT 编码器、投影器和浅层 DETR 解码器组成，结合训练有效技术和插入式窗口和全局注意力等最新技术，改进了 ViT 编码器的复杂性，实验证明所提出的方法在 COCO 和其他基准数据集上优于现有的实时检测器。

    Jun, 2024

  • 奥地利自动驾驶中基于 YOLO 和 DETR 的深度学习视觉模型初步定性观察

    这项研究探讨了单阶段和两阶段的 2D 目标检测算法，例如 You Only Look Once (YOLO) 和 Real-Time DEtection TRansformer (RT-DETR) 算法在奥地利道路的自动化目标检测中的应用，以提高道路安全性。该研究利用奥地利道路上的图像和视频构建了选择性数据集，涵盖了城市、农村和高山环境，并针对奥地利道路的独特挑战进行了定制化的目标检测方法。

    Dec, 2023

  • 无人机热图中使用深度学习进行目标检测

    本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性，同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行，结果表明，与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比，本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明，本模型实现了实时计算，并具有超过 90% 的稳定性率。

    Feb, 2024

  • 无人机实时人体检测

    本研究提出了一种适用于无人机热红外图片和视频的目标检测框架，基于 CNN 架构的 YOLO 模型，通过定量和定性评估深度学习模型，在人的交叉检测性能方面展示了 YOLOv7 模型在不同无人机观察角度下的应用。

    Jan, 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

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • DEYOv3：实时目标检测中的 DETR 和 YOLO

    提出了一种名为 DEYOv3 的全新端到端实时目标检测模型，采用逐步训练方法，设计灵活、训练成本低，速度和准确性均优于现有的实时目标检测器。

    Sep, 2023

  • 基于 YOLO 的工业 4.0 Fischertechnik 模型环境下的目标检测

    本文以 YOLO 架构为基础，针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究，通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略，结合丰富的数据集进行实验，研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。

    Jan, 2023

  • DETR 在实时目标检测中击败了 YOLO

    本文提出了第一款实时端到端物体检测器 ——Real-Time DEtection TRansformer（RT-DETR），支持灵活调整推理速度且在速度和准确度上均优于同一规模的 YOLO 检测器以及 DINO-Deformable-DETR-R50 模型，采用了高效的混合编码器处理多尺度特征并提出 IoU 感知的查询选择。

    Apr, 2023

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

    Sep, 2017