Machine Learning and Computer Vision Techniques in Continuous Beehive Monitoring Applications: A survey
Brno University of Technology(布尔诺理工大学);Lappeenranta-Lahti University of Technology LUT(拉彭兰塔-拉赫蒂理工大学);TU Wien(维也纳工业大学)
本文综述了50篇关于利用计算机视觉和机器学习技术进行自动化蜂巢监测(如花粉、瓦螨检测及蜜蜂交通监测)的论文,分析了研究趋势,旨在为相关领域专家介绍技术可能性并启发未来研究。
2023-09-14 cs.AI cs.CV cs.LG
Computer Vision for Construction Progress Monitoring: A Real-Time Object Detection Approach
TU Dresden(德累斯顿工业大学);Fraunhofer-Institut für Integrierte Schaltungen IIS(弗劳恩霍夫集成电路研究所IIS);Implenia Hochbau GmbH(依必安派特建筑有限公司)
本文提出基于YOLOv8的实时目标检测方法用于自动化施工进度监控,构建并标注建筑要素数据集,实验表明其在精确率、召回率和F1分数上显著优于现有方法。
2023-05-24 cs.AI cs.CV
Electroencephalography signal processing based on textural features for monitoring the driver's state by a Brain-Computer Interface
University of Cagliari(卡利亚里大学)
在本研究中,我们探讨了一种纹理处理方法的脑电(EEG)信号作为一个指标,以估计驾驶员的警觉性在一个假设的脑机接口(BCI)系统。提出的解决方案的新颖性依赖于采用一维局部二进制模式(1D-LBP)算法的特征提取从预处理的EEG数据。从所得到的特征向量,分类是根据三个警惕类:清醒,疲倦和困倦。该方法通过描述脑电信号中微模式发生的变化来检测类别转换。1D-LBP能够通过检测信号的相互变化来描述它们,该信号暂时“接近”为短比特码。我们的分析可以得出结论,1D-LBP的采用导致了显着的性能改善。此外,从EEG信号中捕获类别转换是有效的,尽管整体性能还不足以开发用于评估驾驶员在真实环境中的警惕性的BCI。
2020-10-17 cs.CV
Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision for Precision Pollination
Monash University(莫纳什大学);RMIT University(皇家墨尔本理工大学)
昆虫是全球农作物最重要的传粉者,在维持自然生态系统的可持续性方面发挥着关键作用。因此,昆虫授粉监测和管理对于提高作物产量和粮食安全至关重要。计算机视觉促进传粉者监测可以加强数据汇集,而不是使用手动方法。它产生的新数据可以提供对昆虫分布的详细了解,并促进足以预测其授粉效果和支持精确授粉的细粒度分析。当前的计算机视觉在复杂的室外环境中促进昆虫跟踪在空间覆盖方面受到限制,并且通常限于单一昆虫物种。这限制了它对农业的重要性。因此,在这篇文章中,我们介绍了一种新的系统,以方便无标记的数据捕获昆虫计数,昆虫运动跟踪,行为分析和授粉预测在大型农业领域。我们的系统包括边缘计算多点视频记录,离线自动多物种昆虫计数,跟踪和行为分析。我们实施和测试我们的系统在商业浆果农场,以证明其能力。我们的系统成功地跟踪了四种昆虫品种,在9个监测站内的polytunnels,获得F-分数高于0.8的每一个品种。该系统能够计算关键指标,以评估每种昆虫品种的相对授粉影响。随着技术的进步,精确授粉的详细、持续的数据汇集变得可以实现。这对于为种植者和养蜂人管理作物授粉提供信息非常重要,因为它允许做出数据驱动的决策,以改善粮食生产和粮食安全。
2022-11-11 cs.CV q-bio.QM
BPE and computer-extracted parenchymal enhancement for breast cancer risk, response monitoring, and prognosis
Image Sciences Institute, University Medical Center Utrecht(乌得勒支大学医学中心影像科学研究所)
乳腺癌的功能行为-代表潜在的生物学-可以使用MRI进行分析。最广泛使用的乳腺MR成像协议是动态对比增强T1加权成像。由于造影剂从渗漏的血管渗漏到间质空间中,因此在动态对比增强的MR成像上癌症增强。造影剂随后泄漏回血管空间,产生冲洗效应。正常乳腺实质组织也可增强。这种增强通常随着时间的推移而增加。通常,放射科医生使用乳腺成像报告和数据系统(BI-RADS)评估这种背景实质增强(BPE)。根据BI-RADS,BPE是指增强的体积和增强的强度,并分为四个增量类别:最小,轻度,中度和显著。研究人员已经开发出半自动和自动方法来从MR图像中提取BPE的属性。为了清楚起见,在本大纲中,BI-RADS定义将被称为BPE,而计算机提取的属性将不被称为BPE。BPE和计算机提取的实质增强特性都与筛查和诊断、激素状态和年龄、乳腺癌发展风险、反应监测和预后有关。
2018-09-14 cs.CV physics.med-ph
A Dataset of Images of Public Streetlights with Operational Monitoring using Computer Vision Techniques
Toshiba Europe Ltd.(东芝欧洲有限公司);Bristol Research and Innovation Laboratory, Toshiba Europe Ltd.(东芝欧洲有限公司布里斯托尔研究与创新实验室)
介绍了一个路灯图像数据集。我们的数据集包括$\sim350\textrm{k}$图像,从140 UMBRELLA节点安装在英国南格洛斯特郡地区。每个UMBRELLA节点都安装在灯柱上,并配备了一个面向天空和灯柱灯泡的Raspberry Pi相机模块v1。每个节点每小时收集一张图像,每天24小时。数据汇集的时间跨度为六个月。所拍摄的每个图像连同灯柱的全球定位系统(GPS)坐标一起被记录为数据集中的单个条目。数据集中的所有条目都已基于灯柱的操作进行了后处理和标记,即,灯柱是接通还是断开。该数据集可用于训练深度神经网络,并生成预训练模型,为智能城市CCTV应用、智能天气检测算法或街道基础设施监控提供特征表示。数据集可在\url{https://doi.org/10.5281/zenodo.6046758}上找到。
2022-10-14 cs.CV
Garbage Vulnerable Point Monitoring using IoT and Computer Vision
International Institute of Information Technology-Hyderabad (IIIT-H), India(国际信息科技研究所-海得拉巴(IIIT-H),印度)
本文提出结合物联网与计算机视觉监测城市垃圾易发点,并通过实验评估 YOLOv8、YOLOv10、YOLO11m 和 RT-DETR,其中 YOLO11m 以 92.39% 准确率和 0.91 mAP@50 表现最佳,可有效跟踪昼夜垃圾倾倒模式。
2025-11-10 cs.CV cs.LG
Smart Traffic Monitoring System using Computer Vision and Edge Computing
New Jersey Institute of Technology(新泽西理工学院);AT&T Labs(AT&T实验室)
交通管理系统捕获大量视频数据,并利用视频处理的进步来检测和监控交通事件。收集到的数据传统上被转发到流量管理中心(TMC)进行深入分析,因此可能会加剧到TMC的网络路径。为了缓解这种瓶颈,我们建议通过为靠近摄像头的边缘节点配备计算资源(例如云)来利用边缘计算。与TMC相比,具有有限计算资源的微云提供有限的视频处理能力。在本文中,我们专注于两个常见的流量监控任务,拥塞检测和速度检测,并提出了一个基于边缘计算的双层模型,该模型考虑到了云计算能力的有限性和TMC网络条件的不稳定性。我们的解决方案为每个任务使用两种算法,一种在边缘实现,另一种在TMC实现,它们是考虑到不同的计算资源而设计的。虽然TMC提供强大的计算能力,但它接收的视频质量取决于底层网络条件。另一方面,边缘处理非常高质量的视频,但计算资源有限。我们的模型捕捉到了这种权衡。我们通过不同天气和网络条件下的测试台实验来评估所提出的两层模型以及流量监控算法的性能,并表明我们提出的混合边缘云解决方案优于仅云和仅边缘解决方案。
2021-09-07 cs.CV
Monitoring of people entering and exiting private areas using Computer Vision
Department of studies in Computer Science, University of Mysore(迈索尔大学计算机科学研究系);Indian Institute of Information Technology - Allahabad(阿拉哈巴德印度信息技术学院)
出入境监控是一个新的研究问题,它解决了人们在公共场所(如购物中心,机场,公共汽车和火车站)的基本设施,如厕所和更衣室等摄像头禁区内获得绝对隐私时的安全问题。目标是,如果不在这些摄像头禁区内,则从外部监视个人,以分析他们在里面花费的时间以及他们外表的可疑变化(如果有的话)。在本文中,首先,一个伪注释的数据集的实验室观察的人进入和退出的相机禁区捕获使用两个摄像头,对比国家的最先进的单摄像头为基础的EnEx数据集。通常,所提出的数据集被命名为\textbf{\textit{EnEx2}}。接下来,一个基于空间转换的事件检测,以确定个人的进入或退出,提出了标准的结果,通过评估所提出的模型,使用建议的数据集和公开可用的标准视频监控数据集,假设出入境监控场景。该数据集有望在出入境监管领域引发积极的研究。
2019-08-28 cs.CV
Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO
PUCRS(南里奥格兰德天主教大学);UERGS(南里奥格兰德州立大学);SEMA(南里奥格兰德州环境秘书处)
针对城市扩张导致树栖物种栖息地破碎化问题,研究使用YOLOv10框架自动检测相机陷阱视频中的棕吼猴,通过引入辅助数据优化模型,提升监测效率。
2026-07-03 cs.CV cs.GR
Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring
提出轻量级深度学习回归模型SIWNet,通过额外网络头部和最大似然损失函数估计预测区间以实现不确定性估计,在SeeingThroughFog数据集上保持点估计精度且架构更轻量,提升冬季路面摩擦估计的实用部署效率。
2024-04-26 cs.CV
Computer Vision-Based Health Monitoring of Mecklenburg Bridge Using 3D Digital Image Correlation
University of Virginia(弗吉尼亚大学);Virginia Transportation Research Council(弗吉尼亚交通研究委员会);Virginia Department of Transportation(弗吉尼亚交通部)
弗吉尼亚大学(UVA)和弗吉尼亚州交通研究委员会之间的合作调查是在梅克伦堡大桥(I-85在梅克伦堡县1号公路)上进行的。该研究小组帮助弗吉尼亚州交通部-里士满区对其中一根桥梁的桥梁行为进行了表征,该桥梁由于之前的腹板屈曲和失稳失效而进行了修复。调查的重点是收集下降序列(拆除支座/桥墩上的支撑梁的千斤顶)期间的全场三维数字图像相关(3D-DIC)变形测量。此外,使用手持式激光扫描仪在跌落之前和之后对截面进行测量,以评估侧向变形或面外屈曲的可能性。研究结果表明,屈曲的测试梁没有发生,但确实提供了一系列的方法,可用于评估修复钢梁端部的有效性。具体而言,结果提供了一种方法,可以估计恒载分布,通过反算。
2020-04-25 cs.CV eess.IV
Computer Vision Toolkit for Non-invasive Monitoring of Factory Floor Artifacts
University of Cincinnati(辛辛那提大学);TechSolve, Inc.(TechSolve公司)
数字化使智能互联技术成为企业、政府和社区不可或缺的一部分。对于制造业数字化,一直在积极研究和开发,重点是云制造(CM)和工业物联网(IIoT)。这项工作提出了一个计算机视觉工具包(CV工具包)的工厂车间的非侵入式数字化符合工业4.0的工厂数据汇集的要求。目前,由于其设计和传感器的变化受到限制,传统系统的数字化仍然存在技术挑战。这种新型工具包的开发旨在促进传统生产机械和工厂车间工件与数字和智能制造环境的轻松集成,而无需对机器进行任何物理更改。开发的系统是模块化的,可以实时监控生产机械。模块化方面允许在CV Toolkit的当前框架中纳入新的软件应用程序。为了以简单、可部署和具有成本效益的方式将该工具包与制造车间连接起来,该工具包与已知的制造数据标准MTConnect集成,以将数字输入“转换”成可由商业状态跟踪和报告软件解决方案读取的数据流。拟议的工具包演示使用模拟面板环境开发的内部在辛辛那提大学,以突出其可用性。
2020-05-12 cs.CV cs.SY eess.SY
EmoFit: Affect Monitoring System for Sedentary Jobs
Louisiana State University(路易斯安那州立大学)
工作场所的身心健康对于积极的工作环境和更高的生产力至关重要。软件编程等工作导致久坐不动的生活方式,需要与计算机进行高度互动。在同一份工作上工作多年会导致智力停滞和缺乏动力的感觉。许多员工由于厌恶工作责任和与同事或老板不相容等原因而缺乏动力,轻度至重度抑郁。本研究提出一个情感监测系统,即情感健康监测系统,它将扮演心理和生理健康教练的角色。每天的计算机活动和肢体语言进行分析,以检测用户的身体和情感健康。键盘敲击,活动中断,眼动追踪,面部表情,身体姿势和语音进行监测,以衡量用户的健康。该系统还提供了一些活动,如桌面练习和减压游戏以及激励性的报价,以促进用户的福祉。实验结果和来自测试对象的积极反馈表明,在涉及大量使用计算机的工作中,健康健身有助于改善情绪和身体健康。
2016-07-05 cs.CV cs.HC
A Wearable Gait Monitoring System for 17 Gait Parameters Based on Computer Vision
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出一种基于立体视觉与力敏电阻的鞋载步态监测系统,可测量17项步态参数,准确率超93.61%,并验证了其采集的数据适用于Transformer步态识别及与大语言模型集成。
2024-11-16 cs.CV cs.SY eess.SP
Machine Learning Computer Vision Applications for Spatial AI Object Recognition in Orange County, California
County of Orange(奥兰治县);Orange County Public Works(奥兰治县公共工程局)
我们为加利福尼亚州奥兰治县提供了一种集成和系统的自动化方法,用于使用AI机器学习和计算机视觉算法进行空间对象识别和位置检测。我们描述了一个全面的方法,多传感器,高分辨率的现场数据采集,以及现场后处理和预分析处理任务。我们开发了一系列算法公式和工作流程,将卷积深度神经网络学习与360°等矩形光球图像中的检测对象定位估计相结合。我们提供的应用程序处理超过80万个主要方向的光球图像在两个地区在奥兰治县的例子,并提出停止标志和消防栓物体识别的检测结果。我们讨论了我们的方法的效率和有效性,以及与这种方法的性能和对未来技术创新的影响有关的更广泛的推论,包括空间数据和公共资产库存的自动化,以及近实时人工智能现场数据系统。
2023-03-14 cs.CV cs.LG
Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey
Indian Institute of Technology(印度理工学院);The University of Tokyo(东京大学)
鉴于世界各地粮食需求不断增长,农业面临的挑战日益严峻,有效的作物管理技术对提高作物产量至关重要。精准农业技术使利益相关者能够根据从监测作物环境中收集的数据做出有效和定制的作物管理决策。植物表型分析技术在准确的作物监测中发挥着重要作用。深度学习的进步使以前困难的表型分析任务成为可能。本调查旨在向读者介绍深层植物表型研究的最新进展。
2020-06-18 cs.CV
Computer Vision and Deep Learning for Fish Classification in Underwater Habitats: A Survey
James Cook University(詹姆斯库克大学)
海洋科学家使用远程水下录像来调查鱼类在其自然栖息地的情况。这有助于他们了解和预测鱼类如何应对气候变化、栖息地退化和捕捞压力。这些信息对于发展可持续渔业供人类消费和保护环境至关重要。然而,大量收集的视频使得提取有用的信息对于人类来说是一项艰巨而耗时的任务。解决这一问题的一个很有前途的方法是尖端的深度学习(DL)技术。DL可以帮助海洋科学家快速有效地解析大量视频,解锁传统人工监测方法无法获得的生态位信息。在本文中,我们提供了一个概述的关键概念DL,同时提出了一个调查的文献鱼类栖息地监测,重点是水下鱼类分类。我们还讨论了开发DL水下图像处理时面临的主要挑战,并提出了解决这些问题的方法。最后,我们提供了深入了解海洋栖息地监测研究领域,并阐明了未来的DL水下图像处理可能举行。本文的目的是通知广大读者从海洋科学家谁愿意在他们的研究中应用DL计算机科学家谁愿意调查国家的最先进的DL为基础的水下鱼类栖息地监测文献。
2022-04-16 cs.CV cs.LG
Classroom Behavior Monitoring with YOLO An Empirical Study in Higher Education Settings
Banking Academy of Vietnam(越南银行学院)
研究针对课堂行为监测,引入越南银行学院课堂视频数据集并标注九类行为,评估比较先进计算机视觉模型,用YOLOv11取得最佳性能,为自动课堂监测可行性及质量管理提供见解。
2026-07-07 cs.CV cs.CY
Monitoring crop phenology with street-level imagery using computer vision
European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
街道一级的图像具有扩大现场数据汇集规模的巨大潜力。这是通过将廉价的高质量相机的使用与深度学习计算解决方案的最新进展相结合来实现的,以获得相关的主题信息。我们提出了一个框架,收集和提取作物类型和物候信息,从街道级图像使用计算机视觉。在2018年的生长季节,在荷兰的弗莱福兰省,人们用侧视运动相机拍摄了高清照片。从3月到10月,每个月都对一条200公里的固定路线进行调查,每秒收集一张照片,总共产生40万张附有地理标记的照片。在220个具体的地块位置详细的现场作物物候观测记录了17种作物类型。此外,时间跨度还包括具体的出苗前地块阶段,如春季和夏季作物的不同耕作裸土以及收获后耕作做法,如绿肥和渔获作物。分类是使用TensorFlow与众所周知的图像识别模型进行的,基于卷积神经网络(MobileNet)的迁移学习。一个超调方法,以获得最佳性能的模型中的160个模型。这个最好的模型被应用在一个独立的推理集,判别作物类型的宏观F1得分为88.1%,主要物候期在86.9%的地块水平。讨论了这种方法的潜力和注意事项以及实施和改进的实际考虑。所提出的框架加快了高质量的现场数据汇集,并建议通过使用计算机视觉自动分类的大量数据汇集的途径。
2021-12-16 cs.CV stat.AP
Indoor 3D Video Monitoring Using Multiple Kinect Depth-Cameras
University of Valladolid(巴利亚多利德大学)
本文介绍了一个系统的设计和开发,用于远程室内3D监控使用一个未定数量的微软(R)Kinect传感器。在所提出的客户端-服务器系统中,Kinect相机可以连接到不同的计算机,从而解决了每个USB控制器一个传感器的硬件限制。这种限制背后的原因是传感器所需的高带宽,这也成为分布式系统TCP/IP通信的一个问题。由于流量太大,3D数据必须经过压缩才能通过网络发送。该解决方案包括将Kinect数据自编码为RGB图像,然后使用标准的多媒体编解码器压缩彩色地图。来自不同来源的信息被收集到中央客户端计算机中,在那里点云被转换以重建3D场景。提出了一种算法,方便地合并由每个Kinect本地检测到的骨架,使监测的人是强大的自我和用户间的遮挡。最终的骨架被标记,并且每个关节的轨迹可以被保存以用于事件重建或进一步分析。
2014-03-12 cs.CV
A Computer Vision System for Attention Mapping in SLAM based 3D Models
JOANNEUM RESEARCH Forschungsgesellschaft mbH(JOANNEUM RESEARCH 研究有限公司)
在交互研究的框架中对人的因素的研究已经与可用性工程和人机工程学相关了几十年。如今,随着可穿戴眼动追踪和谷歌眼镜的出现,对人为因素的监控将很快变得无处不在。这项工作描述了一个计算机视觉系统,使无处不在的映射和监测人类的注意力。关键的贡献是,我们的方法使全3D恢复的凝视指针,人体视锥台和相关的人类为中心的测量直接到一个自动计算的3D模型实时。我们将RGB-D SLAM和描述符匹配方法应用于所获取的3D模型内的ROI(感兴趣区域)的3D建模、定位和全自动注释。这种创新的方法将为现实世界环境中的注意力研究开辟新的途径,为人为因素技术的自动化处理带来新的潜力。
2013-05-06 cs.CV
Computer simulation based parameter selection for resistance exercise
Deakin University(迪肯大学)
与大多数科学学科相比,体育科学研究的特点是在发展相关的现象学模型方面投入的精力相对较少。然而,在实践中应用上述模式的情况更少。我们提出了一个框架,允许阻力训练从业者采用最近提出的神经肌肉模型在实际的训练计划设计。第一个创新点涉及教练的监督方面。描述了一种使用计算机视觉从松散约束的视频序列中毫不费力地并且以最少的人工输入提取训练性能特征的方法。提取的数据随后用于拟合底层神经肌肉模型。这是通过求解对应于特定练习的逆动力学问题来实现的。最后,一个计算机模拟的假设训练回合,使用运动员的具体能力参数,是用来预测的影响适应和性能的变化。这里描述的软件允许从业者操纵假设的训练参数,并立即看到它们对特定运动员的预测适应的影响。因此,这项工作提出了监测-评估-调整循环的整体观点。
2013-06-20 cs.CV cs.HC
Systematic Literature Review of Vision-Based Approaches to Outdoor Livestock Monitoring with Lessons from Wildlife Studies
University of Guelph(圭尔夫大学)
本综述结合畜牧与野生动物领域研究,以图像处理流水线梳理大型陆生哺乳动物户外监测的计算机视觉方法,指出深度学习应用趋势,探讨其在精准畜牧业的适用性与未来方向。
2024-10-07 cs.CV cs.LG
FasterRCNN Monitoring of Road Damages: Competition and Deployment
Kobe University(神户大学)
维护老化的基础设施是世界各地的地方和国家管理人员目前面临的一项挑战。高效基础设施维护的一个重要前提是持续监控(即,量化安全性和可靠性水平)的状态。与此同时,计算机视觉近年来取得了令人印象深刻的进步,这主要归功于深度学习模型的成功应用。这些新的进展使视觉任务自动化成为可能,这在以前是不可能实现自动化的,为帮助管理员优化基础设施维护操作提供了有希望的可能性。在此背景下,IEEE 2020全球道路损坏检测(RDD)挑战赛为深度学习和计算机视觉研究人员提供了参与并帮助准确跟踪道路网络上的路面损坏的机会。本文提出了两个贡献的主题:在第一部分中,我们详细介绍了我们的解决方案RDD的挑战。在第二部分中,我们提出了我们的努力部署我们的模型在当地的道路网络,解释所提出的方法和遇到的挑战。
2020-10-22 cs.CV
A computer vision method to estimate ventilation rate of Atlantic salmon in sea fish farms
Coastal and Marine Research Centre, Australian Rivers Institute, Griffith University(格里菲斯大学澳大利亚河流研究所海岸与海洋研究中心);Institute for Integrated and Intelligent Systems, School of Information and Communication Technology, Griffith University(格里菲斯大学信息与通信技术学院集成与智能系统研究所);Blue Economy Cooperative Research Centre(蓝色经济合作研究中心);Tassal Group(Tassal集团)
本文提出一种基于鱼头检测、嘴部状态分类和多目标跟踪的计算机视觉方法,用于在商业海水养殖场中估算大西洋鲑通气率,并在100条鱼上取得0.82的Pearson相关系数,可有效识别呼吸窘迫网箱。
2025-04-28 cs.CV
Algae Detection Using Computer Vision and Deep Learning
Purdue University(普渡大学)
由于人口迅速增长、农业的快速工业化和现代化而造成的水污染的一个令人不安的后果是全球藻类生长的发生率呈指数级增长。有害藻华破坏了渔业,污染了饮用水,杀死了牲畜,造成了数百万美元的经济损失。因此,重要的是要不断监测水体,并确定任何藻类积累,以便迅速采取行动,防止其积累,并避免有害后果。本文提出了一种基于深度学习的藻类监测计算机视觉系统。该系统快速、准确、廉价,可以安装在任何机器人平台上,如USV和UAV,用于自主藻类监测。实验结果表明,该系统可以在不同的环境中检测藻类,不受底层硬件的限制,具有高精度和实时的。
2018-11-27 cs.CV cs.LG cs.RO
Privacy-Preserving Computer Vision for Industry: Three Case Studies in Human-Centric Manufacturing
本文提出一种隐私保护的计算机视觉框架,通过三个工业案例验证,展示如何在监控中减少隐私风险,为人类导向的AI应用提供指导。
2025-12-10 cs.AI cs.CV
Intelligent Traffic Monitoring with YOLOv11: A Case Study in Real-Time Vehicle Detection
University of Tetovo(泰托沃大学)
本文提出一种结合预训练YOLOv11检测器与BoT-SORT/ByteTrack的实时交通监控系统,实现高效车辆检测与计数,无需依赖云服务,在多种场景中达到高准确率和召回率。
2026-04-05 cs.AI cs.CV cs.LG
Application of Attention Mechanism with Bidirectional Long Short-Term Memory (BiLSTM) and CNN for Human Conflict Detection using Computer Vision
Instituto Federal de Educação, Ciência e Tecnologia do Amazonas (IFAM)(亚马逊联邦教育、科学与技术研究所(IFAM))
本研究结合注意力机制、CNN和BiLSTM提升视频中暴力行为检测的准确性与鲁棒性,为实时冲突监控系统提供有效方案。
2025-02-25 cs.AI cs.CV
Collaborative real-time vision-based device for olive oil production monitoring
Faculty of Natural Sciences;Mathematics University of Montenegro Cetinjska 2, 81000 Podgorica, Montenegro
本文提出一种基于计算机视觉的实时监测系统,用于橄榄油生产过程中检测异物,通过激光、音频和视觉提示及时提醒操作员,以防止机械损坏并改进质量控制。
2024-07-18 cs.AI cs.CV cs.ET