异物检测是计算机视觉领域中的一个重要任务，主要目的是检测图像或视频中是否存在异物。下面介绍几种常见的异物检测算法： 1.传统计算机视觉方法 -图像处理：通过对图像进行滤波、增强、形态学操作等处理，提取图像中的异物特征。 -模板匹配：使用已知的异物模板与待检测图像进行比对，以确定是否存在相似的异物。 -机器...
矿山版分析服务器、AI盒子、IPC包含的算法有：皮带跑偏、皮带异物、皮带撕裂、皮带划痕、皮带运行状态识别（启停状态）、运输带有无煤识别、煤流量检测、运输带坐人检测、行车不行人、罐笼超员、静止超时、摇台是否到位、入侵检测、下料口堵料、运输带空载识别、井下堆料、提升井堆煤检测、提升井残留检测、瓦斯传感器...
1 异物提取算法过程 本文所采用的轨道交通限界异物检测提取方法的算法框图如图1所示。图1 异物检测提取算法框图 算法在初始化处理阶段即提取轨道线性特征并以此为基础确定前方轨道限界区域，随后，依据 列车前方限界区域范围提取对应图像数据作隔帧帧差处理，通过数学形态学来对钢轨背景实现 重构，来消除复杂背景中的道床...
异物入侵是导致输电线路故障的主要原因之一,但现有输电线路异物检测方法未能充分利用终端设备的计算能力,造成资源浪费与隐私数据泄露等问题。针对上述问题,提出了一种基于联邦分割学习的检测算法(FSLDA)。该算法结合联邦学习和分割学习,提高输...
物体检测:使用目标检测算法,对铁路图像中的物体进行检测。常见的目标检测算法包括基于深度学习的算法,如Faster R-CNN、YOLO等,以及传统的计算机视觉算法,如Haar分类器、HOG+SVM等。 异物分类:对于检测到的物体,使用分类算法对其进行分类,以确定其是否为铁轨异物。常见的分类算法包括支持向量机(SVM)、神经网络、决策树等...
基于改进YOLOv7的地铁车顶异物检测算法文献分享57研究背景/ BACKGROUND为了防止异物侵入地铁车辆车顶导致事故,需要对每趟进出库的地铁车辆的车顶状态进行检测。传统的人工检测存在效率低、劳动强度大等问题。基于模板匹配的传统图像处理检测方法虽然有一定的检...
专利摘要显示，本发明涉及一种基于YOLOv5算法的机场道面异物检测方法，其解决了现有机场道面异物识别方式检精度低、稳定性差的技术问题，首先使无人特种车辆进入工作区域进行图像采集和数据标注，用改进的YOLOv5算法进行初次识别。接着对识别出的异物类型进行判断，如果可以判断则进入下一个区域，如果不能识别则用Faster ...
蒋进等人[8]提出了一种基于Faster-RCNN的机场跑道异物识别定位系统,运用Faster-RCNN算法完成异物种类识别,再通过无人机位置信息换算求解,得到FOD的类别与位置信息。上述以Fast-RCNN[9]、Faster-RCNN[10]、Mask R-CNN[11]等为代表的基于区域候选的目标检测算法检测精度相对较高,但存在检测速度慢的缺点,无法满足...
煤矿安全生产之皮带异物检测皮带跑偏的AI盒子包含哪些智能分析算法呢?能检测哪些异物?木块、铁棍、矸石、大块煤等都能识别吗?皮带跑偏通过什么方式识别,我们通过现场检测视频为您解答电子封条|智慧工地|矿山电子封条|AI盒子|边缘分析盒|人工智能|预警平台|AI视频智能分析盒子|边缘计算盒子|边缘计算网关|智慧工地视频|智慧...