交通摄像头用于检测内陆水路驳船交通：机器学习应用

Jan, 2024

交通摄像头用于检测内陆水路驳船交通：机器学习应用

Traffic Cameras to detect inland waterway barge traffic: An Application of machine learning

Geoffery Agorku, Sarah Hernandez PhD, Maria Falquez, Subhadipto Poddar PhD, Kwadwo Amankwah-Nkyi

TL;DR使用现有的交通摄像头和深度学习模型，本研究开发了一种检测内陆水路驳船交通的方法，并可用于匿名的大宗商品追踪和监测，为公共交通机构的长期交通规划以及美国工程兵团等联邦机构的运营和维护规划提供有价值的数据。

Abstract

inland waterways are critical for freight movement, but limited means exist for monitoring their performance and usage by freight-carrying vessels, e.g., barges. While methods to track vessels, e.g., tug and tow

inland waterways freight movement barge traffic deep learning models commodity tracking

发现论文，激发创造

基于人工智能智能图像识别的河湖漂浮物检测研究

通过使用人工智能技术中的图像识别，本研究专注于探索一种创新的基于深度学习的方法，用于在河流和湖泊环境中检测浮游物，通过严格的实验验证，证明了该系统能够显著提高浮游物的检测准确性和效率，为河流和湖泊的水质监测提供了新的技术途径。

Apr, 2024

使用联网车辆数据和深度学习模型自动提取相关道路基础设施

通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

Aug, 2023

海洋计算机视觉应用的图像与 AIS 数据融合技术

通过融合自动识别系统（AIS）数据和图像中检测到的船舶，我们提出了一种方法用于创建数据集，用于识别船只、姿态估计和自动标注管道。

Dec, 2023

Traffic-Net: 使用单个摄像头进行 3D 交通监控

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

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

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

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

基于注意力机制的卫星监测海洋垃圾检测

通过结合 YOLOv7 的实例分割和不同的注意机制，本研究在卫星图像中探讨了寻找海洋垃圾的最佳模型，并发现 CBAM 在探测海洋垃圾方面具有最佳适用性。

Jul, 2023

智能铁路道口：利用语义分割和目标检测提升安全性

通过利用机器学习和计算机视觉技术，这项研究提出了一种智能系统，通过非极大值抑制（NMS）集成模型以及 UNet 架构的分割技术，对铁路公路环境进行目标检测和火车驶近监测，从而提高公路铁路交叉口的安全性。

Mar, 2024

利用热像技术进行液体泄漏检测

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。

Dec, 2023