马路异常物检测，检测塑料袋什么的

love_1822068957 2018-12-12 09:44:33

我要检测并标注出马路上的异常遗留物，比如说塑料袋、木板、轮胎什么的，但是如果同时路上有车和人不能标注出来，这个题目有什么思路吗？大神能不能提供下思路。

...全文

484 4 打赏收藏举报

写回复

4 条回复

切换为时间正序

请发表友善的回复…

发表回复

日立奔腾浪潮微软松下联想 2018-12-17

打赏
举报

回复

这个有点难度吧，垃圾形状、颜色各式各样...

SD_LTF 2018-12-16

打赏
举报

回复

啥语言？如果有雷达好说如果是声波就根据反弹时间判断

zhangpeterx 2018-12-16

打赏
举报

回复

要用机器学习？

赵4老师 2018-12-13

打赏
举报

回复

tensorflow

本文介绍了如何在星图GPU平台上自动化部署YOLOFuse多模态目标检测框架，实现复杂环境下的精准目标识别。该镜像整合RGB与红外双路数据，可应用于安防监控、自动驾驶及电力巡检等场景，显著提升恶劣天气条件下的检测准确率与系统鲁棒性。

本文探讨了4D毫米波雷达在自动驾驶环境感知中的应用，重点分析了VOD数据集如何通过3+1D点云实现多类别道路用户检测。文章详细介绍了VOD数据集的三大突破，包括真实场景数据规模、多模态时空对齐和工程化数据结构，并分享了3+1D点云处理的实战技巧和性能对比，为自动驾驶开发者提供了宝贵的参考。

运动检测是计算机视觉的基础技术，其核心原理是通过分析视频序列中像素的变化来识别运动目标。传统方法如帧间差分法和背景减除法，通过比较连续帧或建立背景模型来提取前景区域，在安防监控、智能交通等领域具有重要技术价值。本文聚焦于使用C++和OpenCV实现一个高效、稳定的运动检测系统，深入探讨了背景减除法（MOG2）的参数调优、后处理流程优化以及工程实践中的常见问题解决方案。通过模块化设计和性能优化技巧，该系统能够有效处理高清视频流，并自然融入多目标跟踪与深度学习扩展思路，为实际应用场景提供可靠基础。

本文深度解析了智能驾驶感知模块的核心评测指标。文章从目标识别的准确性、鲁棒性、实时性等基础指标切入，详细阐述了精度、召回率与误检率的平衡关系，并强调了在极端天气与复杂场景下进行测试评估的重要性。同时，探讨了运动属性感知、传感器融合及场景覆盖等关键维度，为构建全面、可靠的感知系统评测体系提供了专业指导。

计算机视觉在环境工程领域的应用日益广泛，其中动态目标识别技术通过分析视频流中的物体特征实现实时分类。基于深度学习的识别系统通常采用YOLO等算法框架，结合多光谱传感器数据提升鲁棒性。在环卫场景中，该技术能显著提升垃圾分类效率，降低人工成本。通过车载移动采集与固定监控结合的混合方案，可获取覆盖不同时段、天气条件的数据样本。本文介绍的开放场景垃圾数据集特别标注了物理特性参数，为机械臂抓取决策提供支持，适用于智能垃圾桶改造、环卫机器人巡检等典型应用。数据集采用五层标注体系，包含材质细分、3D投影等工业级标注维度，

33,315

社区成员

41,769

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章