Mar, 2024

利用 YOLOv8 进行被限制区域服装异常检测以提升闭路电视安全

PDF
TL;DR该研究介绍了一种创新的安全增强方法，利用先进的图像分析和软计算技术。研究重点是一种智能监控系统，通过分析服装来检测受限区域内的未经授权者。基于 YOLOv8 的先进目标检测算法，我们的系统在闭路电视录像中基于服装识别授权人员。方法包括在详尽的统一模式数据集上训练 YOLOv8 模型，以确保在特定区域内进行精确识别。软计算技术增强了对动态环境和光照变化的适应性。该研究对图像分析和软计算做出了贡献，提供了一个复杂的安全解决方案。强调基于服装的异常检测，为受限区域的强大安全系统奠定了基础。研究结果凸显了基于 YOLOv8 的监控在确保敏感地点安全方面的潜力。
security enhancementimage analysissoft computingattire-based surveillanceyolov8
发现论文，激发创造
  • 安全检查图像中改进的 YOLOv8 检测算法

    安全检查是确保人民生命财产安全的第一道防线，智能安全检查是未来安全检查行业发展的必然趋势。针对 X 光图像检测过程中重叠检测对象、伪检测违禁品以及漏检的问题，提出了一种基于 YOLOv8s 的改进 X 光违禁品检测算法 CSS-YOLO。

    Aug, 2023

  • 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

  • YOLORe-IDNet：一种用于个人追踪的高效多摄像头系统

    通过结合相关滤波器和交并比（IOU）约束的人物追踪系统，以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别，快速实时跟踪嫌疑人，适用于安全监控应用。

    Sep, 2023

  • 针对视障人士的户外障碍物检测研究

    深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

    Dec, 2023

  • 极端施工条件下的个人防护装备检测

    通过结合神经风格迁移（NST）和 YOLOv5 技术，开发了一种稳健的检测模型 NST-YOLOv5，用于在极端建筑条件下进行个人防护装备（PPE）检测，并通过模拟灯光不足、强光、沙尘、雾和雨等五种极端条件赋予该模型极佳的鲁棒性。实验结果表明 NST 在合成极端数据方面具有较高潜力，优于其他传统图像处理算法，并帮助 NST-YOLOv5 在合成和真实极端数据上分别提升了 0.141 和 0.083 mAP_(05:95)，为在极端建筑条件下获取更加稳健的检测模型提供了新的可行方式。

    Jul, 2023

  • 面向个人防护装备检测的边缘云架构

    本文提出了一种在线识别人们佩戴个人防护装备的架构，可用于确保建筑工人的安全，可以在边缘 - 云和仅边缘的两种设置下部署，使用 YOLOX 方法在建筑工地上进行了测试，初步评估表明，对于这种用例，边缘部署是可行的，未来的工作将包括对两种架构变体性能方面进行深入研究和部署。

    Jan, 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

    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。

    Apr, 2023

  • 多角度实现红外线隐身：在现实世界中躲避红外线探测器

    本文提出了一种基于红外对抗技术的服装设计方法，设计出一种反可见光的 QR 码图案，制造出一件防检测衣服，在数字世界和物理世界的实验中，分别测试了适用性和迁移性。

    May, 2022

  • 从 YOLOv1 到 YOLOv8 以及未来 ——YOLO 的全面评估

    本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献，从原版 YOLO 到 YOLOv8，涵盖了标准度量和后处理、网络架构和训练技巧等方面，总结了 YOLO 发展的重要经验和展望其未来，强调提高实时目标检测系统的潜在研究方向。

    Apr, 2023

  • 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