XiaoMi-AI文件搜索系统
World File Search System检测系统
过热检测系统 - 萨博
与传统的电动 OHDS 相比，光纤技术将提供一种能够以极高的温度和空间分辨率实际测量温度的系统，而不仅仅是对预设的报警阈值做出反应。该系统能够以高空间精度隔离故障并跟踪趋势。
实时驾驶员困倦检测系统...
每天发生的重大道路交通事故数量在增加，其中大多数归咎于驾驶员的过错。根据美国的一项调查，据报道，2016 年发生了超过 30 起大型道路交通事故，造成超过 3 人严重受伤。最有趣的问题是，在这项调查中，有 70% 的事故是由于疲劳驾驶造成的。该项目的目标是建立一个困倦检测系统，该系统可以检测到一个人的眼睛闭了几秒钟或一个人打哈欠。当检测到困倦时，该系统会提醒驾驶员。任何人际关系中都存在情绪。面部表情、对话、手势甚至态度都可以用来描绘这些感受。情绪识别最明显、信息最丰富的选择也是人脸。人脸更容易收集。该项目的主要贡献是睡意检测和警告，它基于人的睁眼或闭眼。
结构健康监测损伤检测系统...
© 编辑（如适用）和作者 2021。本书为开放获取出版物。开放获取本书根据知识共享署名 4.0 国际许可证 (http://creativecommons.org/licenses/by/4.0/) 的条款进行许可，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可证的链接并指明是否做了更改。本书中的图像或其他第三方资料包含在本书的知识共享许可证中，除非资料的致谢中另有说明。如果资料未包含在本书的知识共享许可证中，且您的预期用途不被法定规定允许或超出允许的用途，则需要直接从版权所有者处获得许可。本出版物中使用的一般描述性名称、注册名称、商标、服务标记等，即使没有特别声明，也并不意味着这些名称不受相关保护法律和法规的约束，因此可以自由使用。出版商、作者和编辑可以放心地认为，本书中的建议和信息在出版之日是真实准确的。出版商、作者或编辑均不对本书所含材料或可能出现的任何错误或遗漏提供明示或暗示的保证。出版商对已出版地图和机构隶属关系中的司法管辖权主张保持中立。
利用机器的情绪检测系统...
摘要本文介绍了一种基于实时检测、使用图像处理和人机交互的情绪检测系统。面部检测已经存在了几十年。再进一步，人类的表情可以通过视频、电信号或图像形式捕捉到，并被大脑感受到。通过图像或视频识别情绪对人眼来说是一项艰巨的任务，对机器来说也具有挑战性，因此机器检测情绪需要许多图像处理技术来提取特征。本文提出了一个具有人脸检测和面部表情识别（FER）两个主要过程的系统。本研究重点是识别面部情绪的实验研究。情绪检测系统的流程包括图像采集、图像预处理、人脸检测、特征提取和分类。为了识别这种情绪，情绪检测系统使用 KNN 分类器进行图像分类，使用 Haar 级联算法（一种对象检测算法）来识别图像或实时视频中的人脸。该系统通过从网络摄像头拍摄实时图像来工作。本研究的目的是建立一个自动面部情绪检测系统来识别不同的情绪，基于这些实验，系统可以识别出悲伤、惊讶、快乐、恐惧、愤怒等几种情绪。
基于Yolov8的深层手球检测系统...
利用高级计算机视觉技术，例如深度学习和对象跟踪算法，手球视频中有能力的主动玩家检测功能可以自动在高速匹配中自动跟踪玩家的运动。这项创新不仅丰富了教练对球员绩效和团队动态的见解，而且还通过实时分析和增强现实增强来提高观众的参与度。在基于实践的手球视频的背景下，多个玩家经常出现，并非所有参与者都从事特定的练习或采用推荐的手球技术。本研究探讨了采用基于CNN的YOLOV8预训练模型与转移学习技术相结合的新方法，以增强手球识别。Yolov8 Architecture的高级功能是利用的，以解决玩家跟踪，球轨迹预测和复杂玩家互动中的现有差距。通过转移学习，该模型是使用特定于手球的数据进行微调的，从而在识别玩家，球和关键元素方面进行适应和专业化。该方法利用Yolov8的实时处理和多尺度分析来提高动态游戏方案的准确性，克服诸如遮挡和快速运动之类的挑战。通过将Yolov8预训练的模型与转移学习相结合，这种方法在实现全面有效的手球识别方面展现了有希望的进步，可以显着增强对玩家动态，球运动和整体游戏玩法的见解。Yolov8与转移学习的融合涉及利用Yolov8的预训练的特征来提取对象特征，然后对手球特异性数据的模型进行微调，以增强其在手球识别的背景下识别球员，球和其他基本要素的能力。我们使用751个手球场景视频的自定义数据集系统地评估了拟议的方法，该视频在培训年轻学员和男孩和男孩的年轻学员和手球学校期间捕获了[22]。测试涵盖了近60,000帧，并结合了诸如灵敏度，特异性和准确性之类的指标。结果表明，我们的方法超过了最新技术，展示了准确性的提高。值得注意的是，提出的方法表现出提高的效率，达到敏感性92.18％，特异性91.13％，精度分别为93.57％和F-评分94.33％。
用于视觉的物体检测系统...
本文全面介绍了该项目的开发过程及其显著贡献，该项目旨在打造一套专为视障人士定制的物体检测系统。该系统利用 Python 编程语言结合 YOLO（You Only Look Once，只看一次）算法，提供实时物体检测功能。本文深入探讨了所采用的方法、面临的挑战以及为优化系统性能、可用性和可访问性而设计的创新解决方案。通过协作，我们设计出了大量创新解决方案，涵盖算法选择、模型训练、硬件集成、用户体验设计、文档编制和持续改进等各个方面。这项协同努力的成果展现了在为视障人士提供增强的态势感知和导航辅助方面取得的显著进展，从而促进了社区的包容性和自主性。
使用 Mask R-CNN 的头盔检测系统
我们已经看到了这些信息，所以我们决定为这个项目做出贡献。为了公共安全，需要一个可以检测到路上没有戴头盔的人的自动头盔识别系统。这种类型的系统将帮助官员判断谁戴了头盔，并对犯错的两轮车用户处以罚款。在这个项目中，我们将使用 mask RCNN，但首先让我们了解一下 faster R-CNN 的工作原理。它们分为两个阶段。阶段 1：它由两个网络和区域提议网络组成。我们必须一次提供一个输入来获得一组区域提议，区域提议是特征图中包含对象的区域。阶段 2：在第二阶段，网络预测阶段 1 中获得的每个提议区域的边界框和对象类。每个提议区域可以有不同的大小，而网络中的全连接层始终需要固定大小的向量来做出预测。这些提议区域的大小是通过使用 Rol pool 或 RoIAlign 方法来固定的。
集成强大的自动行人检测系统
16. 摘要 提高行人安全并使道路设施对行人更安全、更友好是佛罗里达州的首要任务和交通目标之一。信号交叉口的行人“步行”信号指示启动以及街区中间人行横道的矩形快速闪光灯 (RRFB) 或高强度激活人行横道 (HAWK) 触发都需要行人按下按钮。然而，40%–50% 的行人不会按按钮。城市交通研究中心 (CUTR) 与佛罗里达州交通部 (FDOT) 密切合作，研究了用于街区中间人行横道的自动行人检测系统，以自动激活 RRFB，以及用于信号交叉口的自动行人检测系统，以自动向交通信号控制器发出行人呼叫。CUTR 研究团队审查了各种自动行人检测系统的功能和性能。本研究选择了三个系统。它们首先在受控条件下以及街区中间和交叉口位置进行测试。三个系统中有一个能够满足所有期望的性能要求。该系统进一步在两个街区中间人行横道和一个信号交叉口部署和评估。评估结果表明，该系统在街区中间位置的整体检测系统准确率为 92%，误检率仅为 2%。该系统能够在信号交叉口以 94% 的时间检测到行人，并以 90% 的时间拨打行人服务电话。本研究项目的一个重要贡献是将自动行人检测系统连接到交通信号控制器，以便在检测到行人时拨打行人服务电话，并在行人过早走出检测区之前取消呼叫。测试表明，该系统能够以 98% 的时间检测到行人的消失，并在行人过早离开检测区时以 97% 的时间取消行人呼叫。这一结果显示了自动检测系统和高级交通信号控制器使用自定义脚本在不需要时管理取消行人呼叫的能力。此功能有助于最大限度地减少不必要的车辆延误。这项研究为应用自动行人检测技术进一步提高信号交叉口和街区中间人行横道的行人安全并减少不必要的车辆延误提供了关键的一步。
QML-IDS：量子机器学习入侵检测系统
摘要 — 量子计算和相关技术的出现为增强网络安全提供了机会。向量子计算能力的转变为制定缓解不断增长的网络完整性威胁的策略铺平了道路。为了应对这一技术进步，我们的研究提出了 QML-IDS，这是一种结合量子和传统计算技术的新型入侵检测系统 (IDS)。QML-IDS 采用量子机器学习 (QML) 方法来分析网络模式和检测攻击活动。通过对公开数据集进行大量实验测试，我们表明 QML-IDS 在攻击检测方面是有效的，并且在二分类和多分类任务中表现良好。我们的研究结果表明，QML-IDS 优于传统机器学习方法，证明了量子增强网络安全解决方案在量子实用时代的前景。索引词 — 量子机器学习、网络安全、量子网络。