SlowFast架构下景区异常行为识别算法及预警研究

针对当前古建筑场景下人员异常行为识别相关实例缺乏、数据集少、古建筑级别低、质量次,导致人员异常行为识别准确率低等问题,该文在古建筑景区背景下自行拍摄了多组视频,从中挑选构建了人员异常行为动作的5033段视频数据集:具有明确的典型古建筑背景;具有多人场景下暴恐打架斗殴、刻划、刻画以及存在火灾风险的人员异常行为等特征,并对每个视频进行了注释。该文首次于SlowFast网络框架中成功引入信号时域特征活动性、移动性参数,对构建的数据集进行高阶时序特征建模、增加分类算子。在人员异常行为识别任务中,模型的Top1准确率达到93.54%,而平均准确率达到96.30%,在SlowFast模型中引入活动性、移动性算子后,模型识别的准确率提升了0.87%。与几种常见架构的算法相比,该文所提出的方法存在一定的优势。

脑卒中后眼球运动障碍行为视觉训练的效果

目的探讨行为视觉训练对脑卒中后眼球运动障碍的效果。方法2023年8月至10月,北京博爱医院脑卒中后眼球运动障碍住院患者21例,行行为视觉训练,包括脑视觉训练和视觉融合训练,共4周。治疗前后,采用Snellen视力表、斜视三棱镜度和近立体视功能评价视觉功能。结果训练后,患者右眼和左眼视力均明显改善(Z_(右眼)=-3.601,Z_(左眼)=3.012,P<0.01);斜视三棱镜度显著减小(t=8.930,P<0.001);近立体视功能无明显变化(P>0.05)。结论行为视觉训练可以改善脑卒中后眼球运动障碍患者的视力,减轻斜视。

基于计算机视觉的工业人员行为分析实验平台

该文面向本科生与研究生实践教学,利用计算机视觉技术开发了工业人员行为分析实验平台。依托工程实训中心,通过多通道数据采集装置收集人员工作环境、作业行为以及劳保用品等数据。基于PyQt5构建工业人员行为分析实验平台,该平台将计算机视觉技术与工业安全管控标准深度融合,以实现工业人员流程类与非流程类作业的行为分析。为验证实验平台的有效性,使用工业人员行为测试数据对所研发的实验平台进行了实验验证。实验结果表明,该实验平台能对工人多种作业进行有效评判。该实验平台有助于提升本科生和研究生在智能图像处理领域的实践能力。

机器视觉技术在奶牛精准化管理中的应用研究进展

近年来,随着我国奶牛养殖规模不断扩大,对奶牛场管理提出了更高的要求,通过传统的人工方式识别奶牛和统计奶牛数据已完全不能满足现代化、规模化牧场的需求。监测奶牛的行为变化有助于提高牧场的管理决策水平,而基于机器视觉技术可为奶牛养殖过程中的个体识别、健康监测、疾病预防等提供新的解决方案。本文主要从奶牛个体识别、体况评估、行为识别与监测3个方面进行综述,总结了目前机器视觉技术在奶牛精细化管理领域的研究成果以及存在的问题,旨在为现代化牧场的精准化管理和智能化发展提供新方法和新思路。

中小微企业领导韧性赋能团队创新的心源动力机制———基于愿景沟通与团队行为意向

基于社会信息处理理论,建立“韧性领导的社会信息处理过程-团队互动过程”分析框架,揭示韧性领导赋能团队创新的作用机制。对643个中小微企业的团队领导调查研究发现,领导韧性直接正向影响团队的综合创新绩效,并且相较于结果性创新(产品创新及市场创新),更可能影响潜在创新绩效(战略创新、行为创新、过程创新)。机制检验发现,团队行为意向在领导韧性和综合创新绩效之间发挥中介作用,愿景沟通则在领导韧性和团队行为意向之间具有中介作用。就组织环境而言,信任逆境和目标一致性逆境加强了领导韧性与愿景沟通的联系。上述结论揭示了领导韧性作用于团队创新的社会信息处理过程和情感激发过程,这一心源动力机制对促进中小微企业的创新发展具有重要意义。

基于Bytetrack的多目标跟踪算法在斑马鱼毒性行为识别中的应用

利用计算机视觉技术识别斑马鱼(Danio rerio)在不同污染物暴露下的行为变化是水质毒性评价的常用方法之一,但传统方法存在效率低、面对遮挡和复杂环境时性能差等缺陷。针对这些问题,本研究使用基于Bytetrack的多目标跟踪算法追踪斑马鱼在4种污染物(Zn、Pb、Cr和苯酚)暴露2 h后的行为变化,对斑马鱼在4种浓度梯度中的平均速度、最大速度、最低速度、平均碰撞次数和行为轨迹等指标进行分析。结果显示,算法的追踪精度、漏检率和检测时间(每300帧)分别能达到90.26%、16.33%和0.19 min,检测时间和精度相比于传统目标检测方法有较大提升。同时,根据污染物不同,该方法能准确识别特定污染物环境中斑马鱼相应的运动状态及轨迹变化,可实现精确识别和实时响应,在鱼类毒性行为识别领域具有重要参考意义。

鱼类颜色视觉的研究进展

视觉器官对于大多数鱼类来说是一个非常重要的感觉器官,鱼眼不仅能感觉光的敏感和颜色,而且还能感知物体的形状、大小、运动等。鱼类的视觉功能与摄食、集群、生殖、防御等行为方面具有密切联系,并发挥重要作用。为了研究鱼类颜色视觉能力进展,以目前国际主要的数据库(Science Direct、JSTOR、Wiley Online Library、SpringerLink、ProQuest等)为数据源,采用文献计量分析法,研究了鱼类颜色视觉能力的不同研究方法的发展与现状,从而更深入地了解鱼类视觉特征,可为今后在渔船作业中改变灯光颜色以提高对鱼群诱集的效果、在工厂化养殖过程中控制养殖环境的颜色以及光强来提高养殖效益、在控制帮助鱼类洄游以保护洄游鱼种等提供参考依据。

2016—2021年上海市静安区中小学生视力不良及其影响因素分析

目的通过了解上海市静安区中小学生视力不良情况及其影响因素,为预防近视宣教措施和相关政策的制定提供依据。方法2016—2021年采用整群抽样的方法抽取区内2所小学、2所完全中学,累计对18091名学生进行问卷调查与屈光发育情况监测,问卷调查包括近7 d课外活动时间与不良用眼行为习惯情况,屈光发育情况包括裸眼视力、戴镜视力和非散瞳电脑验光。数据采取横断面分析,并用趋势性χ^(2)检验、Logistic回归进行影响因素分析。结果2016—2020年上海市静安区小学生视力不良情况有上升趋势(小学低年级组趋势χ^(2)=41.611,P<0.001;小学高年级组趋势χ^(2)=25.494,P<0.001)。用眼行为习惯调查显示,各年级组每日运动类课外时间≤0.5 h的学生均超过74.56%,但呈现逐年下降趋势(小学低年级趋势χ^(2)=38.558,P<0.001;小学高年级组趋势χ^(2)=7.581,P=0.006;初中组趋势χ^(2)=38.748,P<0.001;高中组趋势χ^(2)=51.145,P<0.001)。37.93%~87.20%的学生存在各类用眼不良行为习惯。中小学生每日运动类课外课程时间<0.5 h(OR=1.21,95%CI:1.10~1.32)、每日学习类课外课程时间<0.5h(OR=1.07,95%CI:1.00~1.15)、持续用眼30~40min后不休息(OR=1.86,95%CI:1.79~1.93)、过度低头(OR=1.33,95%CI:1.21~1.46)、看电视距离不足2m(OR=1.19,95%CI:1.10~1.28)更容易视力不良。结论学校、家庭应重视青少年的课外课程安排,并指导学生养成正确用眼行为习惯,从而预防视力不良的发生。

计算机视觉技术在规模化猪场应用的研究进展

作为人工智能的一个主要分支,计算机视觉技术在许多领域取得了很大的成就,其在规模化猪场中的应用将为猪场带来产业性的变革。计算机视觉技术可以大幅度减少规模化猪场中人员工作量,同时使猪场对生猪的相关判断更加准确。本文简述了规模化猪场的现状和计算机视觉技术,重点综述了计算机视觉技术在规模化猪场中对猪只的行为监测、疾病预测、情感状态分析、猪只判别、生产管理、生物安全和防疫以及企业的落地探索等方面的研究进展,以期为促进我国规模化猪场的现代化和智能化发展提供参考。

基于智能视觉的变电站内人员异常行为辅助监控系统

为解决变电站人工监控的各种弊端,设计基于智能视觉的变电站内人员异常行为辅助监控系统。在系统硬件部分,以无线芯片CC2530为核心连接硬件的各个模块,设计协调器以及电源等模块;在系统软件部分,运用人工智能与图像处理技术,预先对监控视频阴影处理,然后采用背景建模的方法,对视频中的信息描述,最后将HOG特征识别应用到异常行为检测中,实现变电站内人员异常行为辅助监控。实验结果表明,此次研究的变电站内人员异常行为辅助监控系统,在人多与人少的时候都具有较高的监控识别准确性,证明了此次研究的系统的应用效果。

基于计算机视觉的课堂学生行为图像分析系统的设计与实现

本文设计并实现了一种基于计算机视觉的课堂学生行为图像分析系统。该系统采用最新的物体检测算法YOLOv5s,通过智能摄像头采集课堂图像,实时检测学生行为并进行分析,以提高课堂教学效果和学生的学习质量。本文汇集了众多的学生行为图像资料,经过数据预处理和数据增强,建立了适合YOLOv5s的数据库。其后利用收集到的课堂学生行为数据集训练了一个基于YOLOv5s的课堂学生行为检测模型,可以快速准确地识别学生在课堂中的各种行为,如举手、听讲、看书等。

面向边缘端的超市异常行为检测研究

主流的超市防盗系统使用传统的人工查看视频监控的方式,消耗着巨大的人力成本且对网络带宽及数据时效性要求较高。因此提出了一种基于轻量级YOLOv5网络模型的超市人体异常行为检测方法。该方法通过采用Ghost卷积替换标准卷积重构网络,降低模型参数量与计算量以适应边缘端低算力设备,同时增加更利于移动端架构设备应用的解耦全连接注意力机制,捕获更多长距离空间特征信息,提升检测精度。实验结果表明该方法较经典YOLOv5检测方法精确率提升4.6%,计算量下降43%,参数量下降42%,检测速度提升67%,在边缘端设备Sunrise x3上每秒检测帧数可达到17.82。

面向计算机视觉的吸烟检测方法研究综述

公共场所吸烟严重危害人们身体健康甚至生命财产安全,因此实时高效的吸烟检测具有重要意义。目前基于计算机视觉的吸烟检测以高效率、高精度等优势逐渐成为主流方法。在对非计算机视觉的吸烟检测方法进行简要概述的基础上,重点归纳总结了三类基于计算机视觉的检测方法。探讨了颜色、外观、运动等多种烟雾特征的提取方法;介绍了基于单步骤和多步骤目标检测两种方法提取烟支目标;从人工特征构建、深度学习特征提取角度论述不同类型的吸烟动作特征提取方法。对上述方法进行分析总结并展望未来研究方向。

基于视觉的行人定位方法研究——北京故宫游客头戴相机视频记录的时空轨迹重建

基于视觉的行人轨迹定位方法,不依赖于信号接收设施,具有在建筑环境行为学研究中普及的潜力。研究针对城市公共空间,应用街景地图数据库,探索了地理坐标系中用视觉匹配法从行人头戴相机视频中恢复轨迹的技术管线。

基于YOLOv5的加油站不安全行为检测算法研究

针对传统方法检测加油站场景下人员不安全行为存在检测精度低、速度慢等问题,提出了改进的YOLOv5-MVB算法来检测加油站不安全行为(抽烟、打手机等)框架。首先,建立针对加油站场景的不安全行为数据集;其次,对不安全行为数据集进行图像增强及改进Mosaic增强,提高数据集的泛化能力;然后,搭建改进的YOLOv5s网络结构,采用基于IoU度量距离的K-means算法对不安全行为数据集重新聚类,获得多组锚框,引入深度可分离卷积网络及多尺度注意力机制,提高网络的收敛速度与检测精度。实验结果表明:改进后的YOLOv5-MVB模型精度达到82.2%,精确率达到85.3%,召回率为77.1%,参数量只有8.15M,相比于原版YOLOv5s算法以及主流小目标检测算法(SSD、YOLO系列算法等)均可在保持较低参数量和计算量的情况下有效提高不安全行为的检测精度。所提算法实现了对加油站不安全行为的近实时检测,具有较好的推广应用价值。

差异化视域下婴幼儿口腔保健认知及行为的质性研究

目的:探究差异化视域下医生、护士、婴幼儿照顾者对婴幼儿口腔保健的认知及行为,推动我国婴幼儿口腔保健的进一步普及,为制订针对性的干预策略提供依据。方法:采用目的抽样法于2022年10月-2023年2月在山东省青岛市某三级甲等儿童医院对8名医生、10名护士及9名婴幼儿照顾者开展半结构式深入访谈,婴幼儿照顾者来自儿童保健科门诊。运用主题分析法对资料进行整理分析并提炼主题。结果:共提炼出关于婴幼儿口腔保健认知及行为的3个主题,分别为知识水平呈现人群差异性、口腔保健认知及行为现状、推动口腔保健普及面临重重挑战。结论:通过对婴幼儿口腔保健相关利益人群进行半结构式访谈,了解到医护人员及照顾者对于婴幼儿口腔保健的认知有待加强,需制订针对性的干预策略促进婴幼儿口腔保健深入普及。

自动扶梯乘客危险行为检测方法

文中主要针对当前方法研究者对自动扶梯乘客危险行为检测效率不足的问题,在行人逆行检测方法中提出改进的单目标检测算法,结合改进卡尔曼滤波及表观信息提取模块的DeepSort目标追踪算法构建乘客逆行检测模型提高行人逆行检测的准确率。在行人摔倒检测方法中利用轻量化改进OpenPose模块提取的乘客骨骼关键点,通过危险行为自动采集模块转化得到输入特征参数,采用小波去噪方法(WD)结合随机森林方法(RF)构建摔倒行为检测模型。结果表明,相较于未改进的单目标检测方法结合未改进的DeepSort目标追踪算法其行人逆行检测的准确率提高了3.5%。相较于SVM、KNN对摔倒行为进行检测的方法,轻量化改进的OpenPose模块与WD-RF相结合的行人摔倒检测准确率分别提升了2.5%、1.8%。

基于机器视觉技术和多尺度时空特征的监控视频人体异常行为识别

监控容易受到光流动态特征影响,无法精准识别人体异常行为。为此,提出了基于机器视觉技术和多尺度时空特征的监控视频人体异常行为识别方法。构建异常行为多尺度时空特征矩阵,剔除无用兴趣点;提取多尺度时空特征矩阵连续帧人体轮廓高与宽、人体姿态变化的前一帧与当前帧及人体轮廓点到轮廓中心距离;通过判断跳、蹲和爬异常行为轨迹,实现对人体异常行为识别。试验结果表明,所提方法识别的跳、蹲、爬异常行为与实际数值最大误差分别为0.2 m、0.02 m和0.01 m,具有精准的识别效果。

基于视频的施工作业监护人离岗识别模型

为防范施工作业和石油化工生产作业中监护人离岗带来的安全隐患,使用重新训练的YOLOv8模型智能分析施工现场的监控视频,对施工作业监护人离岗行为进行识别。设计出一套施工作业监护人离岗识别判断流程:接入施工视频后,使用YOLOv8识别出人员、马甲、施工标志物、施工区域标志物等,判断施工作业是否正在进行,确定出施工区域和监护人应在区域,检测监护人并判断监护人是否在施工区域内,一旦监护人离岗即时发出报警信息,实现自动判定施工区域内是否有监护人。该流程中将可变区域识别方法引入YOLOv8中,只对区域内目标进行识别,避免了区域外目标对判断的干扰。施工作业监护人离岗识别模型可对施工时的监护人离岗进行准确高效地识别,识别成功率达到90%,可满足施工安全监管需求。

基于计算机视觉技术的智能化课堂管理系统研究

研究开发了一种基于计算机视觉技术的智能化课堂管理系统,旨在提高教学效率和学生学习效果。系统实现了对学生行为的自动化监测、学生学习状况的分析以及实时反馈,从而辅助教师进行有效的课堂管理。实验采集了部分学生的行为、视频和学习数据,并进行了分析,实验结果显示该系统具有良好性能。伴随计算机视觉技术和教育信息化的发展,该系统将在教育领域发挥更大作用。未来研究可在改进模型和特征提取方法、提升系统智能化程度、优化用户体验以及加强数据保护等方面寻求突破。