亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于YOLOv5的高后果區(qū)智能識別研究

        2025-01-18 00:00:00王彥青尚嘉年劉新劉建沖
        科技創(chuàng)新與應(yīng)用 2025年1期
        關(guān)鍵詞:長輸管道目標(biāo)檢測

        摘" 要:針對目前長輸管道高后果區(qū)識別效率低,需耗費大量的人力、物力和時間成本,該文借助目標(biāo)檢測算法YOLOv5s,利用遙感影像及無人機航飛影像數(shù)據(jù),結(jié)合高后果區(qū)識別規(guī)范,對不同類型的高后果區(qū)建立高后果區(qū)智能識別模型,通過評估,模型準(zhǔn)確率和召回率均達(dá)到90%以上,能有效識別高后果區(qū)。又以國內(nèi)某管道高后果區(qū)為例,進一步驗證模型的有效性,數(shù)據(jù)表明,該模型智能識別出的高后果區(qū)信息與傳統(tǒng)人工輔助識別信息一致,能滿足長輸管道高后果區(qū)自動識別的實際需求,為高后果區(qū)風(fēng)險管理提供及時準(zhǔn)確的數(shù)據(jù)支持,為高后果區(qū)識別的自動化、智能化管理開拓新思路。

        關(guān)鍵詞:長輸管道;高后果區(qū);YOLOv5s;目標(biāo)檢測;智能識別模型

        中圖分類號:TE973" " " 文獻標(biāo)志碼:A" " " " " 文章編號:2095-2945(2025)01-0110-06

        Abstract: In view of the current low efficiency of identifying high-consequence areas in long-distance pipelines, which requires a lot of manpower, material resources and time costs, this paper uses the target detection algorithm YOLOv5s, uses remote sensing images and drone flight image data, and combines high-consequence area identification specifications. Intelligent identification models for high-consequence areas are established for different types of high-consequence areas. Through evaluation, the model accuracy and recall rate have reached more than 90%, which can effectively identify high-consequence areas. Taking a high-consequence area of a domestic pipeline as an example to further verify the effectiveness of the model. The data shows that the information of the high-consequence area intelligently identified by the model is consistent with the traditional manual auxiliary identification information, and can meet the actual needs of automatic identification of high-consequence areas of long-distance pipelines. The actual needs provide timely and accurate data support for risk management of high-consequence areas, and open up new ideas for automated and intelligent management of high-consequence area identification.

        Keywords: long-distance pipeline; high-consequence area; YOLOv5s; target detection; intelligent recognition model

        GB 32167—2015《油氣輸送管道完整性管理規(guī)范》將“高后果區(qū)”明確定義為“管道泄漏后可能對公眾和環(huán)境造成較大不良影響的區(qū)域”,是指油氣管道發(fā)生泄漏失效后,可能造成嚴(yán)重人員傷亡或者嚴(yán)重環(huán)境破壞的區(qū)域[1]。管道高后果區(qū)作為油氣輸送管道安全管理的關(guān)鍵區(qū)域,一旦發(fā)生管道破裂或油氣泄漏,將對公共安全、環(huán)境和財產(chǎn)造成巨大影響和損失。隨著城市建設(shè)進程的加快,管道周邊的環(huán)境也在不斷發(fā)生變化,因此需要定期開展管道高后果區(qū)識別[2]。

        目前,識別輸氣管道高后果區(qū)主要依靠遙感技術(shù)[3]、地理信息系統(tǒng)[4]、數(shù)據(jù)挖掘、機器學(xué)習(xí)[5]等方面的技術(shù),并輔助人工勘察和經(jīng)驗判斷,這些方法識別效率低、不滿足高后果區(qū)識別的實時性。隨著計算機視覺的迅猛發(fā)展,深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域中迅速崛起,如何利用深度學(xué)習(xí)技術(shù)實現(xiàn)管道高后果區(qū)的智能識別成為一個很具有前景的研究領(lǐng)域。本文重點針對規(guī)范中的高后果區(qū)識別準(zhǔn)則,結(jié)合地理信息系統(tǒng)及無人機航飛數(shù)據(jù),利用YOLOv5改進算法實現(xiàn)高后果區(qū)AI智能識別,以期降低高后果區(qū)識別的人工成本,提高高后果區(qū)識別精度,提升管道完整性管理的工作效率。

        1" 高后果區(qū)識別現(xiàn)狀

        目前,輸油氣管道現(xiàn)場作業(yè)識別高后果區(qū)的主要方法仍是基于遙感影像的在線人機交互識別,完整的高后果區(qū)識別及管理流程如圖1所示。

        高后果區(qū)識別準(zhǔn)備:結(jié)合上一年度高后果區(qū)識別結(jié)果及技術(shù)標(biāo)準(zhǔn)變化情況,為后續(xù)高后果區(qū)識別做好準(zhǔn)備工作。

        高后果區(qū)預(yù)識別:基于IMS數(shù)字管道地圖工具根據(jù)前期采集的管道中心線、站場、閥室和管道樁數(shù)據(jù),疊加GIS高清影像圖對管道沿線的地物環(huán)境信息進行排查,在潛在影響區(qū)域內(nèi)初步圈定人員密集、環(huán)境敏感區(qū)域、隱蔽場所等重點目標(biāo),并形成初步識別列表,作為現(xiàn)場復(fù)核的主要識別內(nèi)容。

        高后果區(qū)現(xiàn)場復(fù)核:現(xiàn)場復(fù)核主要采用現(xiàn)場調(diào)查、走訪的方式進一步核實人員分布、規(guī)模及周邊環(huán)境情況,并采用現(xiàn)場定位、埋深測量等方式,進一步確定高后果區(qū)區(qū)間,并進一步完善高后果區(qū)識別信息,為后續(xù)的風(fēng)險評估和管控措施的制定提供更加準(zhǔn)確的依據(jù)。

        風(fēng)險評價及報告編制:按照國家管網(wǎng)高后果區(qū)識別與評價報告編制要求及一區(qū)一案報告編制要求,結(jié)合高后果區(qū)所屬管道基礎(chǔ)信息、高后果區(qū)識別結(jié)果、數(shù)據(jù)對齊后的內(nèi)檢測、外檢測、陰極保護測試等相關(guān)信息自動生成報告,為高后果區(qū)的日常管理提供依據(jù)。

        高后果區(qū)質(zhì)量及風(fēng)險管控檢查:基于國家管網(wǎng)體系文件要求,對高后果區(qū)信息填報質(zhì)量進行全方位檢查,包括但不限于信息完整性、信息有效性、信息邏輯的一致性。針對高后果區(qū)評價發(fā)現(xiàn)的中高風(fēng)險,及時建立風(fēng)險與預(yù)防措施的關(guān)系,為高后果區(qū)的風(fēng)險管控提供保障,確保風(fēng)險管控的及時響應(yīng)。

        通過以上步驟可以看出,當(dāng)前高后果區(qū)識別外業(yè)現(xiàn)場復(fù)核是必不可少的一步,而且人力、物力、時間成本均相對比較高。每年的高后果區(qū)風(fēng)險評價及報告更新需要人工進行比對完善,工作量較大,時間效率相對較低。根據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》、Q-GGW03001.2—2022《油氣儲運資產(chǎn)完整性管理規(guī)范 第2部分:管道線路》要求,目前高后果區(qū)識別均需要每年進行,鑒于此項工作的重要性及高頻性,研究高后果區(qū)智能識別模型勢在必行,以此提高工作效率,為管理提供更精準(zhǔn)的數(shù)據(jù)支持。

        2" 研究方法

        隨著人工智能深度學(xué)習(xí)技術(shù)的發(fā)展,其在自動化、智能化產(chǎn)業(yè)上得到了廣泛的應(yīng)用。通過使用深度學(xué)習(xí)算法,可以進行輸油氣管道高后果區(qū)的自動識別,提高識別的精度和效率,為實現(xiàn)高后果區(qū)的自動識別提供技術(shù)支持。YOLO系列算法作為當(dāng)前主流的深度學(xué)習(xí)目標(biāo)檢測算法之一,在識別小目標(biāo)圖像上已被證明具有較高的準(zhǔn)確性與可靠性。其中,YOLOv5算法運算速度快、精度高、模型小,在嵌入式設(shè)備上的應(yīng)用前景非常廣泛[6]。

        2.1" YOLO算法概述

        2015年,Redmon等[7]提出了YOLO目標(biāo)檢測算法,YOLO的核心是將目標(biāo)檢測問題變成一個回歸問題,將整張圖片作為輸入,僅通過一個卷積神經(jīng)網(wǎng)絡(luò)就能得到目標(biāo)的邊界和類別,檢測速度大幅提升[8]。2017年,YOLO的研發(fā)者Redmon提出了YOLOv2[9],YOLOv2提出了聯(lián)合訓(xùn)練方法,兼顧了識別速度和識別的準(zhǔn)確率,識別對象的種類也多達(dá)9 000種[8]。2018年YOLOv3[10]橫空出世。YOLOv3是在YOLOv2的基礎(chǔ)上又進行了一系列的改進,利用特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)了多尺度檢測,并且在分類方法上使用了邏輯回歸,在保障了檢測的準(zhǔn)確性上兼顧了實時性[11]。YOLOv4[12]算法是2020年4月23日提出的,在特征提取上采用CSPDarknet53網(wǎng)絡(luò),同時應(yīng)用SPP模塊增強特征表達(dá)能力,其精度與速度的平衡性在當(dāng)前目標(biāo)識別領(lǐng)域為最佳[13]。YOLOv5于2020年6月10日發(fā)布,與之前的YOLO算法對比,YOLOv5在速度、精度、可部署性等方面有非常大的提升[11]。

        YOLOv5網(wǎng)絡(luò)的主要原理是通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)對輸入的圖像進行特征提取和處理,進而計算出目標(biāo)的位置和類別。YOLOv5系列共有5個模型,網(wǎng)絡(luò)結(jié)構(gòu)均一樣,區(qū)別在于每個模型的寬度、深度以及參數(shù)量略有差別,綜合精度、速度及參數(shù)量考量,本文選擇YOLOv5s作為本次研究的模型算法。

        2.2" 基于YOLOv5的高后果區(qū)識別模型建立

        基于YOLOv5的高后果區(qū)識別模型建立流程如下:首先,針對不同的高后果區(qū)類型,收集不同類別的數(shù)據(jù)集,同時使用旋轉(zhuǎn)、平移、縮放等技術(shù)對數(shù)據(jù)集進行增廣,再利用Labelimg軟件對數(shù)據(jù)集進行標(biāo)注,構(gòu)建不同種類的高后果區(qū)智能識別樣本庫。其次,采用YOLOv5s算法構(gòu)建不同類型的高后果區(qū)智能識別模型,將不同種類的樣本庫按照訓(xùn)練集和驗證集8∶2進行劃分,采用訓(xùn)練集對相應(yīng)的模型進行訓(xùn)練,尋找智能識別模型的最優(yōu)參數(shù)。最后,采用驗證集對訓(xùn)練好的模型進行驗證,使用評價指標(biāo)精確率和召回率對模型識別效果進行評估。

        2.2.1" 數(shù)據(jù)集

        本文數(shù)據(jù)集主要指高后果區(qū)圖像形式的數(shù)據(jù),用來訓(xùn)練和測試高后果區(qū)智能識別模型。高后果區(qū)識別類型包含人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場所4類。相應(yīng)地,需收集4類數(shù)據(jù)樣本集。本文的高后果區(qū)圖像數(shù)據(jù)來源于2個方面,自建數(shù)據(jù)庫和開源數(shù)據(jù)庫,數(shù)據(jù)圖像均是利用衛(wèi)星及無人機航拍獲得。

        樣本數(shù)量越多,訓(xùn)練出來的模型效果越好,模型的泛化能力越強。因此為提高高后果區(qū)智能識別模型的魯棒性和識別能力,本文對采集到的高后果區(qū)圖像進行了旋轉(zhuǎn)、平移、縮放等操作以達(dá)到數(shù)據(jù)集增廣的效果。然后采用Labelimg軟件對數(shù)據(jù)集進行標(biāo)注,根據(jù)不同的數(shù)據(jù)類型建立相應(yīng)的智能識別樣本庫。

        人員密集型樣本庫主要是指人口聚集、建筑物密集的區(qū)域,這些區(qū)域擁有豐富的人力資源和經(jīng)濟活動,但同時也伴隨著巨大的風(fēng)險。在本次高后果區(qū)智能識別模型中主要是通過對管道周邊建筑物的識別,進一步估算人口密度;交通設(shè)施型樣本庫是指交通密集、交通網(wǎng)絡(luò)復(fù)雜的區(qū)域,這些區(qū)域主要包括公路、鐵路、車站和碼頭等;環(huán)境敏感型樣本庫主要是指油氣泄漏易對周邊環(huán)境造成污染的區(qū)域,這些區(qū)域擁有豐富的自然資源,主要包括河流、大型水域、自然保護區(qū)等;易燃易爆場所樣本庫主要是指管道兩側(cè)各200 m內(nèi)有加油站、油庫、煤氣站庫房、煙花車間、易燃粉塵的區(qū)域、化學(xué)品倉庫和燃料倉庫等,此類區(qū)域會對周圍人員及環(huán)境產(chǎn)生比較嚴(yán)重的毀壞。

        本次模型基于3.7萬張衛(wèi)片和2.2萬張航片,標(biāo)注建筑物信息,構(gòu)建了人員密集型樣本庫;基于1萬張衛(wèi)片和1萬張航片,標(biāo)注道路信息,構(gòu)建了交通設(shè)施型樣本庫;基于1萬張衛(wèi)片和1萬張航片,標(biāo)注河流、水體等信息,構(gòu)建了環(huán)境敏感型樣本庫;基于1萬張衛(wèi)片和1萬張航片,標(biāo)注加油站、加氣站等信息,構(gòu)建了易燃易爆場所樣本庫。建立的不同種類樣本庫如圖2所示。

        2.2.2" 模型建立

        YOLOv5s作為高后果區(qū)智能識別模型建立的核心算法,其主要由輸入端、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和輸出端4部分組成[14]。

        1)輸入端(Input)。輸入端主要包括Mosaic數(shù)據(jù)增強、自適應(yīng)錨框計算、自適應(yīng)圖片縮放3部分內(nèi)容。Mosaic數(shù)據(jù)增強主要是通過選取任意4張圖片進行翻轉(zhuǎn)、裁剪和縮放等操作,然后進行拼接構(gòu)成新的圖片(主要增加數(shù)據(jù)多樣性、增強模型的魯棒性,加強歸一化效果、提升小目標(biāo)檢測性能)。自適應(yīng)錨框計算主要根據(jù)不同的訓(xùn)練集自適應(yīng)計算出目標(biāo)的大致位置;自適應(yīng)圖片縮放主要是將圖片統(tǒng)一縮放至尺寸為640×640,若圖片未達(dá)到模版則采用自適應(yīng)黑邊來填充。

        2)骨干網(wǎng)絡(luò)(Backbone)。骨干網(wǎng)絡(luò)中主要包括Focus、CSP、SPPF 3個模塊。Focus模塊主要對圖片進行切片操作,再通過拼接得到新的圖片,經(jīng)過卷積操作后,最終得到了沒有信息丟失的二倍下采樣特征圖。CSP模塊主要使用的是C3_v1結(jié)構(gòu),是將輸入的特征分成2個分支,一個分支先通過CBS結(jié)構(gòu),即(Conv(卷積)+BN(批量歸一化)+SiLU(激活函數(shù))),再通過多個Bottleneck殘差結(jié)構(gòu),再進行一次卷積;另一個分支直接進行卷積,然后2個分支進行Concat實現(xiàn)拼接完成特征層的映射操作,最后再通過一個CBS結(jié)構(gòu)即可得到最終的特征圖。SPPF模塊的主要功能是通過融合局部和全局的特征來增大網(wǎng)絡(luò)的感受野。

        3)頸部網(wǎng)絡(luò)(Neck)。頸部網(wǎng)絡(luò)也叫Neck網(wǎng)絡(luò),主要是對特征進行融合處理,由FPN(Feature Pyramid Networks)和 PAN(Path Aggregation Networks)構(gòu)成。PAN網(wǎng)絡(luò)可以將低層的位置信息由低向高傳遞,增強底層特征的傳播。在Neck網(wǎng)絡(luò)中使用的是C3_v2結(jié)構(gòu),主要是將上支路的Bottleneck殘差結(jié)構(gòu)替換成CBS結(jié)構(gòu),然后通過上下分支將輸出經(jīng)過Concat拼接完成特征映射操作,可以增強網(wǎng)絡(luò)的特征融合能力。

        4)輸出端(Head)。輸出端主要是把目標(biāo)位置和類別信息輸出,由多個檢測頭構(gòu)成,負(fù)責(zé)預(yù)測不同尺度目標(biāo)的類別和位置。

        YOLOv5s算法的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

        本文搭建的智能高后果區(qū)識別模型如圖4所示。

        2.2.3" 模型訓(xùn)練與評估

        根據(jù)高后果區(qū)識別類型,分別對人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場所4種樣本庫進行模型訓(xùn)練,設(shè)置batch_size、leraning_rate和epochs等超參數(shù)開啟模型訓(xùn)練,通過計算損失函數(shù),待模型收斂完成后,使用驗證集進行模型評估,計算每個模型的準(zhǔn)確率和召回率;然后通過調(diào)整樣本和超參數(shù)進行遷移學(xué)習(xí)訓(xùn)練,最終輸出人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場所智能識別模型。

        此次采用的評價指標(biāo)為精確率(Precision)和召回率(Recall),精確率(Precision)和召回率(Recall)是基于混淆矩陣得到的。此處以二分類混淆矩陣為例進行闡述,如圖5所示。

        其中,Positive和Negative分別表示樣本的正例和負(fù)例,在目標(biāo)檢測算法中,正例通常為待檢測的目標(biāo),負(fù)例通常為背景。TP又稱真陽性,表示是正例并正確預(yù)測為正例的結(jié)果;FP又稱假陽性,表示是負(fù)例并將負(fù)例預(yù)測為正的結(jié)果;FN又稱假陰性,表示是正例并將正例預(yù)測為負(fù)例的結(jié)果;TN又稱真陰性,表示是負(fù)例并正確預(yù)測出負(fù)例的結(jié)果。

        1)準(zhǔn)確率(Precision)又稱為查準(zhǔn)率,表示正例正確預(yù)測為正例占整個實際正例的比值,用來評估預(yù)測是否準(zhǔn)確,具體公式如下

        P= 。 (1)

        2)召回率(Recall)又稱查全率,表示正例正確預(yù)測為正例占預(yù)測為正例的比值,用來評估找的全不全,具體公式如下

        R= 。" (2)

        通常情況下,準(zhǔn)確率和召回率越趨近于1,模型效果越好。通過評估發(fā)現(xiàn),現(xiàn)有人員密集型模型準(zhǔn)確率為0.96,召回率為0.95;交通設(shè)施型模型準(zhǔn)確率為0.95,召回率為0.97;環(huán)境敏感型模型準(zhǔn)確率為0.94,召回率為0.95;易燃易爆場所準(zhǔn)確率為0.96,召回率為0.97。數(shù)據(jù)表明,不同類別的模型滿足實際高后果區(qū)識別需求。

        3" 實例驗證

        本次研究結(jié)合YOLOv5算法創(chuàng)建了高后果區(qū)AI智能識別平臺,如圖6所示。為進一步驗證模型的有效性,本文以國內(nèi)某成品油管道為例對高后果區(qū)智能識別模型進行驗證,該管道長490.3 km,管徑Φ559 mm、Φ508 mm,管道壁厚為6.3~12.5 mm,設(shè)計壓力8~13.3 MPa,管道沿線環(huán)境復(fù)雜,經(jīng)過密集居民區(qū)、河流、濕地和面粉廠等,管道一旦泄漏,將對周邊環(huán)境和人員造成較大影響。根據(jù)輸油管道高后果區(qū)識別項內(nèi)容,采用現(xiàn)場航飛對管線進行數(shù)據(jù)采集,通過高后果區(qū)智能識別模型對管道沿線的高后果區(qū)進行識別,部分識別結(jié)果見表1。

        將上表識別出的高后果區(qū)情況與管線最新高后果區(qū)信息列表中的數(shù)據(jù)進行對比發(fā)現(xiàn),該模型智能識別出的高后果區(qū)信息與傳統(tǒng)人工輔助識別信息一致,說明該模型有效,可以準(zhǔn)確地識別出人員密集型、交通設(shè)施型、環(huán)境敏感型和易燃易爆場所等不同類型高后果區(qū)及其長度與等級。實例表明,基于目標(biāo)檢測算法YOLOv5s建立的高后果區(qū)智能識別模型可以滿足長輸管道高后果區(qū)自動識別的實際需求。

        4" 結(jié)束語

        針對輸油氣管道高后果區(qū)識別效率低的問題,本文采用目標(biāo)檢測算法YOLOv5對高后果區(qū)智能識別進行了研究,根據(jù)高后果區(qū)識別類型建立人員密集型樣本庫、交通設(shè)施型樣本庫、環(huán)境敏感型樣本庫和易燃易爆場所樣本庫,在YOLOv5智能高后果區(qū)識別模型中對其訓(xùn)練,訓(xùn)練結(jié)果的精確率和召回率均達(dá)到90%以上。結(jié)合實例驗證,模型能快速準(zhǔn)確地識別出高后果區(qū)的起止、類型、等級,符合實際識別需求。

        鑒于本文對人員密集型的高后果區(qū)識別基于建筑物的數(shù)量,人員的數(shù)量是根據(jù)建筑物數(shù)量進行預(yù)估的,與實際相差較大,下一階段將結(jié)合信令分布、高德定位信息、紅外技術(shù)和騰訊人口分布等進一步明確高后果區(qū)的人口基數(shù),使人員密集型高后果區(qū)識別更加精準(zhǔn)。

        參考文獻:

        [1] 油氣輸送管道完整性管理規(guī)范:GB 32167—2015[S].

        [2] 夏志偉,高春元,彭名超,等.輸氣管道高后果區(qū)智能識別技術(shù)[J].礦山工程,2023,11(3):334-338.

        [3] 劉翼,張安祺,陳璐瑤,等.基于多源遙感影像的高后果區(qū)變化檢測方法[J].油氣儲運,2021,40(3):293-299.

        [4] 高??担鬟B雙,賈韶輝,等.基于GIS的管道高后果區(qū)管理升級及其實踐[J].石油工業(yè)技術(shù)監(jiān)督,2020,36(5):60-63.

        [5] 耿艷磊,陶超,沈靖,等.高分辨率遙感影像語義分割的半監(jiān)督全卷積網(wǎng)絡(luò)法[J].測繪學(xué)報,2020,49(4):499-508.

        [6] 吳思妃.基于改進YOLOv5的茶芽檢測[J].福建茶葉,2024,46(2):30-32.

        [7] REDMON J, DIVVALA S, GIRSHICK R, et al.You only look once: Unified, real-time object detection[C]// Computer Vision amp; Pattern Recognition.IEEE, 2016.

        [8] 喻柏?zé)?基于卷積神經(jīng)網(wǎng)絡(luò)YOLOv5模型的圖表識別方法[D].南昌:南昌大學(xué),2021.

        [9] REDMON J, FARHADI A. YOLO9000: better, faster, stronger[J].IEEE, 2017:6517-6525.

        [10] REDMON J, FARHADI A. YOLOv3: An ineremental improvement [J]. arXiv eprints,2018.

        [11] 楊龍歡,董效杰,黃施懿,等.基于YOLOv5的輕量型絕緣子缺陷檢測算法研究[J].通信與信息技術(shù),2023(5):13-18.

        [12] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection[J].2020.

        [13] 鄭紅彬,宋曉茹,劉康.基于YOLOv5的交通標(biāo)志識別[J].計算機系統(tǒng)應(yīng)用,2023,32(8):230-237.

        [14] 葉豐.基于改進YOLOv5算法的移動機械臂手眼協(xié)作技術(shù)研究[D].濟南:山東大學(xué),2023.

        猜你喜歡
        長輸管道目標(biāo)檢測
        視頻中目標(biāo)檢測算法研究
        軟件(2016年4期)2017-01-20 09:38:03
        行為識別中的人體運動目標(biāo)檢測方法
        長輸管道接地電阻解析
        石油天然氣長輸管道泄漏檢測及方法
        淺談天然氣長輸管道施工安全風(fēng)險及預(yù)防措施
        科技視界(2016年18期)2016-11-03 00:17:30
        淺談長輸管道施工中的質(zhì)量管理
        移動機器人圖像目標(biāo)識別
        長輸管道中常見的焊接缺陷分析及控制探討
        天然氣長輸管道運行維護措施研究
        基于背景建模法的運動目標(biāo)檢測
        国产情侣亚洲自拍第一页| 欧洲午夜视频| 亚洲av午夜成人片精品| 91精品亚洲熟妇少妇| 国产av无码专区亚洲a∨毛片| 国产免国产免费| 国产精品久久久久尤物| 国产目拍亚洲精品二区| 精品人妻va一区二区三区| 亚洲欧美日韩国产精品一区二区 | āV第三区亚洲狠狠婷婷综合久久| 麻美由真中文字幕人妻| 人成在线免费视频网站| 9 9久热re在线精品视频| 精品伊人久久香线蕉| 亚洲中文有码一区二区| 国产黄污网站在线观看| 毛片内射久久久一区| 亚洲AV无码一区二区二三区我| 国产三级在线观看不卡| 日韩在线 | 中文| 国产精品午夜无码av天美传媒| 午夜久久精品国产亚洲av| 九一精品少妇一区二区三区 | 羞涩色进入亚洲一区二区av| 日韩经典午夜福利发布| 亚洲av无码日韩精品影片| 亚洲国产福利成人一区二区| 免费在线国产不卡视频| 女人被狂躁c到高潮| 国产成人久久精品二区三区牛| 国产精品农村妇女一区二区三区| 狠狠躁夜夜躁av网站中文字幕| 中文亚洲成a人片在线观看| 最新国产成人综合在线观看| av影片手机在线观看免费网址| 久久久av波多野一区二区 | 国精品无码一区二区三区在线看 | 玖玖色玖玖草玖玖爱在线精品视频| 色一情一乱一乱一区99av| 亚洲成在人网av天堂|