本文提出了一种利用 RGB 相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法,并将此方法应用于无人机上以实现精准灭火。
Jun, 2023
本文提出了一种新的人类皮肤检测算法,该算法基于 RGB、HSV 和 YCbCr 颜色模型,通过考虑三个颜色参数的各自和联合范围来提高对给定图像中皮肤像素的识别精度。
Aug, 2017
研究显示使用人工智能、机器学习和计算机视觉,采取早期检测措施可以帮助检测火灾并减少灾害风险,其中,YOLOv7 是一个有效的算法来训练物体检测模型,可在初期火灾烟柱的早期探测中得到良好的效果。
Jan, 2023
通过改进的 YOLOv5 火灾检测深度学习算法,可以有效地处理室内、室外和森林火灾图像中的火灾目标检测,并且可以在不同的自然光照条件下进行火灾检测。
Oct, 2023
通过红外成像技术,使用基于局部线性映射方法的颜色处理技术的新型目标识别算法,强调电力施工视频监控中的目标,并结合支持向量机方法实现目标类型的准确预测,实现了高目标识别准确率和低误识率的目标识别算法。
Feb, 2024
我们对多个二值化方法进行了比较研究,包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +,评估了工业燃烧器火焰的公共基准数据集。结果表明,深度学习是最准确的方法,而传统图像处理技术则是一个快速和简单的选择。
本文旨在综述计算机视觉技术在防治森林火灾方面的应用现状,尤其是为缺乏领域专业知识的机器学习从业者提供更易获取的专业数据集和方法,以支持相关研究工作的开展。
Dec, 2022
本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法,其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。
Jan, 2021
通过融合两个视觉转换器,其中一个在 RGB 色彩空间中工作,另一个在 YCbCr 色彩空间中工作,提出了一种鉴别自然图像和计算机生成图像的强大方法,旨在解决以往分类任务中存在的问题,并能捕获与分类自然和生成图像相关的更多图像信息。
Aug, 2023
本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法,通过 NIR 和 RGB 像素之间的直接集成传输来训练模型,不需要任何用户指导或参考图像数据库,在召回阶段生成具有自然外观的图像,并通过保留 NIR 图像的丰富细节,将其高频特征转移至估算的 RGB 图像,本方法在一个真实世界的数据集上进行了训练和评估,该数据集包含大量夏季道路场景图像,由多 CCD NIR/RGB 相机捕获,保证了完美的像素对齐。
Apr, 2016