借力计算机视觉及深度学习,纽卡斯尔大学开发实时、自动化奶牛跛行检测系统

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

本文首发自 HyperAI超神经微信公众号~

内容一览:近期,纽卡斯尔大学联合费拉科学有限公司联合开发了一个针对多头奶牛的自动化、实时跛行检测系统。该系统能够按照跛行评分系统将奶牛进行分类,并且准确度高达 94%-100%。目前,该研究成果已发表在《Nature》上。
关键词:奶牛跛行 畜牧业 机器学习

因口蹄疫等疾病造成的奶牛跛行对畜牧业而言,已成为一个全球性话题。相关科普显示,它不仅会导致奶牛产奶量降低、繁殖效率下降,还会导致奶牛过早地被淘汰。国家动物健康监测服务奶业报告数据显示,奶牛有 16% 的淘汰率是由跛行引起的。

跛行已成为奶牛业面临的主要危机之一,因此,早监测、早预防成为规模化养殖奶牛中解决奶牛跛行的有效手段。过往,奶牛业一般都采用人工识别的方法,但这一方法存在效率低、成本高、主观性强等弊病,在这种背景下,奶牛业对奶牛跛行的自动化检测技术需求日益强烈。

近期,来自纽卡斯尔大学的 Shaun Barney、Satnam Dlay 以及来自费拉科学有限公司 (Fera Science Ltd) 的 Andrew Crowe 等人联合开发了一个针对多头奶牛的完全自动化、实时跛行检测系统,并可在整个养殖场内进行部署。这一系统利用计算机视觉和深度学习分析摄像机视野内每头奶牛的姿势和步态,检测准确度可达 94%-100%。目前该研究成果已发表在《Nature》上。

目前该成果已发布在《Nature》
论文链接:

https://www.nature.com/articles/s41598-023-31297-1#Sec7

试验数据集

本次试验中,研究人员首先对英国某农场内 250 头奶牛的运动情况进行视频录像,得到了 25 个视频,然后又把每个视频分解为 3,600 个组成帧。其次,研究人员提取了每秒钟中的 1 帧画面进行了标注。并且为了进一步改善网络泛化能力,他们从 Google 中下载了 500 张牛的相关图片,为每个奶牛标注了 15 个关键点,再将这些图片搜索数据和自己的标注数据相结合,得到了一个大约含有 40,000 条标注信息的数据库。
每头奶牛标注了 15 个关键点
为了用真实数据来评估算法性能,3 名经过 AHDB 认证的观察员同时使用 AHDB 奶牛移动性评分系统对 25 个视频进行了评分,该系统有四个评分等级:0(完全不跛脚)、1(行动稍有不便)、2(跛脚)和 3(严重跛脚),下图显示了由这 3 名观察员的评分分布情况。

3 名观察员对全部奶牛跛行程度评分分布
图中显示,25.2% 的奶牛跛行评分为 0(橙色),43.2% 的奶牛跛行评分为 1(绿色),25.6% 的奶牛跛行得分为 2(红色),6.0% 的奶牛跛行评分为 3(灰色)。

试验过程及成果

本研究使用摄像头和深度卷积神经网络 (Mask-RCNN 算法、SORT 算法和 CatBoost 算法) 来检测多头奶牛的姿态。研究人员通过追踪视频中奶牛背部、头部的关键点,根据提取相关特征指标进行分析,从而检测出跛行程度。

姿态分析算法

研究人员将 Mask-RNN(实体分割算法)中的一部分进行自研后,构建了一个姿态分析算法来对每头奶牛进行姿态估计。该算法使用了来自 Google 数据集中的 500 张图像以及 250 头牛中的 189 头牛的图像来进行训练,而剩余的 61 头牛的图像用来做最终的结果验证。

同时,该算法会高精度定位 15 个关键点位置,并输出每个点的具体坐标位置来用作姿态分析,其中背部有 5 个关键点,头部有 2 个关键点。

跟踪算法

以上步骤中,从将视频分解成组成帧到对每张图像进行关键点标注再到应用 Mask-RNN 来进行姿态分析,都是基于单一的静止图像,因此,试验还需要对奶牛随着时间移动过程进行分析。对此,研究人员采用了 SORT 算法(实时跟踪算法),该算法能够随着时间检测奶牛姿势,获取背部回归曲线、背部区域、颈部回归曲线程度以及颈部角度等指标信息。

跟踪算法的可视化效果
顶部图像中显示了第一帧中的三头奶牛,每个都用不同颜色标记,中间图像中显示了 1 秒之后的奶牛移动情况,并且跟踪算法将刚才标记的奶牛都找出来并成功标记上对应颜色,同理,底部图像则显示了又过了一秒后的奶牛的移动情况。

分类算法

得到由姿态深度学习模型输出的姿态分析结果后,研究人员使用了 CatBoost 算法对奶牛的跛脚情况进行评分分类。这里值得注意的是,为了确保最大程度的泛化,只有最重要的姿态特征结果才应该在最终的训练模型中使用。因此,研究人员进行了一系列变量排列分析,最终得出删除 4 个不重要的指标信息,能够降低误差并对模型性能没有太大影响。

为实现最低误差而删除的 4 个指标信息

最后,为了测试使用 CatBoost 算法的准确性,研究人员采用了三重交叉验证和分类验证的方法来验证模型性能。其中,三重交叉验证结果显示该算法模型能够将每头奶牛按照跛行程度细致地分类到不同跛行评分等级中,且平均准确率为 94%±0.05。

三重交叉验证时验证损失和标准偏差可视化图

总之,研究人员提出,与现有检测奶牛跛行系统相比,本研究成果有以下几个显著优势:

  • 能够同时对多头奶牛进行检测。

  • 根据奶牛的移动姿态按照常规使用的 AHDB 评分系统进行细致分类。

  • 能够在时间维度上追踪、分析每个个体。

  • 完全自动化,对挤奶、喂养等生产不会造成任何影响。

最后,研究人员也提出了几点挑战:

  1. 该系统在区分跛行等级评分为 0 及 1 的准确率要比区分其他等级时的准确率低很多,未来该研究团队将致力于提升微小特征差异的能力,以准确区分不跛行奶牛和行动稍有不便的奶牛。

  2. 该系统需要借助边缘设备(如相机、移动设备或平板电脑)将结果发送到服务器进行处理,从而实现实时观察,这个过程中,如何减弱网络变化带来的性能波动,将成为该项研究未来的工作重点。

  3. 该系统易受外部环境条件影响,例如地板与牛蹄颜色相近时,Mask-RCNN 算法识别准确性会降低,因此,添加更泛化的能力训练也成为该项研究未来的工作重点。

牛!AI 推动畜牧行业实现数字化

目前来看,AI 的风刮到畜牧业已成为一个不争的事实。聚焦国外,除了我们本篇介绍的科研成果之外,由于其畜牧业本身规模化程度高、数字化基础好,AI 落地成果已「百家齐放」。例如,荷兰的农业科技公司 Connecterra 开发了「智慧牧场助理」(IDA ,The Intelligent Dairy Farmer’s Assistant) 系统,通过在奶牛的脖子上佩戴可穿戴设备,软硬件配合实时监测奶牛的健康情况。据一位美国牧场主表示,通过应用 IDA 帮助其提高了 10% 的生产力。

将视线转回国内,一方面近年来 AI 发力畜牧业的例子也不在少数。早在前几年阿里就开启了智能养猪事业,而华为也曾联合中国电信和银川奥特推出基于 NB-IoT 的「牛联网」产品「小牧童」。不过,另一方面,也需要看到 AI 在国内畜牧业应用的覆盖面仍谈不上很广,对此,深牧科技 CEO 曾直言,「目前国内很多养殖者在谈起人工智能时,对它的认识还停留在最传统的人脸识别、语音识别上。」

因此,在这一背景下,如何让 AI 在推动畜牧业数字化上发挥更多积极影响,无疑将成为 AI 和畜牧业两个领域需要重点研究的课题之一。当然,对国内相关领域来说,这条道路更是任重而道远。

Frida实战:如何逆向分析某电商App的doCommandNative函数(附完整Hook脚本) 本文详细介绍了如何使用Frida逆向分析电商App中的doCommandNative函数,涵盖动态注册识别、SO加固对抗及高级Hook脚本编写等实战技巧。通过完整Hook脚本示例,帮助安全研究人员深入理解JNICLibrary的关键函数逆向分析方法,提升移动应用安全研究能力。 阅读详情

相关推荐

新手避坑指南:用SARScape 5.6.2处理Sentinel-1数据做SBAS-InSAR,这些参数设置错了白忙活

本文详细介绍了使用SARScape 5.6.2处理Sentinel-1数据做SBAS-InSAR时的关键参数设置技巧,帮助新手避免常见错误。重点解析了连接图生成、干涉工作流、DEM处理等环节的12个关键参数,包括Max Normal Baseline、Unwrapping Coherence Threshold等,提供实测安全值范围和优化建议,确保处理效率和结果准确性。

weixin_30694389的博客 559

借力计算机视觉及深度学习,纽卡斯尔大学开发实时、自动化奶牛跛行检测系统...

本文约2600字,建议阅读5分钟近期,纽卡斯尔大学联合费拉科学有限公司联合开发了一个针对多头奶牛的自动化、实时跛行检测系统。该系统能够按照跛行评分系统将奶牛进行分类,并且准确度高达 94%-100%。目前,该研究成果已发表在《Nature》上。因口蹄疫等疾病造成的奶牛跛行对畜牧业而言,已成为一个全球性话题。相关科普显示,它不仅会导致奶牛产奶量降低、繁殖效率下降,还会导致奶牛过早地被淘汰。国家动物健...

数据派THU 393

TC3xx芯片SPI多从机通信避坑指南:AUTOSAR框架下的DMA配置与片选切换

本文针对英飞凌TC3xx芯片在AUTOSAR框架下实现SPI多从机通信的实战难题,提供了详尽的避坑指南。重点解析了如何利用硬件支持的16路片选(SLSO)灵活切换,在AUTOSAR中正确配置不同时序的从设备,并深入探讨了异步模式下DMA的启用条件与关键配置细节,帮助开发者规避通信失败风险,提升系统可靠性。

nn3456的博客 154

基于YOLOv8深度学习的奶牛行为检测系统(YOLOv8+YOLO数据集+UI界面+Python项目源码+模型)

本项目基于YOLOv8目标检测算法开发了一套高效的奶牛行为自动检测系统,专门用于识别和分类奶牛的三种典型行为状态:站立、行走和卧倒。系统使用了一个包含4932张标注图像的专业奶牛行为数据集,其中训练集3946张,验证集和测试集各493张,确保了模型的训练充分性和评估可靠性。通过深度学习技术的应用,该系统能够实现对奶牛行为的实时、自动化监测,准确率达到了行业领先水平。本系统不仅为畜牧业提供了智能化管理工具,也为动物行为学研究提供了数据支持,具有重要的实践应用价值和科研意义。

YOLO 1137

Jetson AGX Orin 新手避坑:解决‘找不到nvidia-jetpack包’的完整修复指南

本文详细介绍了Jetson AGX Orin设备在安装JetPack开发套件时遇到的'nvidia-jetpack包缺失'问题的完整解决方案。通过分析问题根源、提供分步修复指南以及系统优化建议,帮助开发者快速解决这一常见问题,充分发挥Jetson AGX Orin的边缘计算性能。

weixin_42520909的博客 463

Ubuntu Server 22.04.5系统安装教程

该教程主要是演示在服务器上安装Ubuntu server 22.04系统的详细步骤,主要包含,安装系统前的准备(镜像的下载,启动盘的制作),安装系统时的语言选择,网络设置,切换镜像源(可根据实际需求来配置,本文使用清华镜像源),手动分区,用户设置,ssh服务安装等。以上就是关于Ubuntu Server 22.04系统安装的详细过程。

逆水行舟,不进则退。 7772

基于YOLOv8深度学习的智慧农业牛的行为检测系统(PyQt5界面+数据集+训练代码)

本研究提出了一种基于YOLOv8深度学习算法的牛行为检测系统,旨在智慧农业领域实现牛的行为识别。随着智能农业的发展,自动化的牛行为监测系统逐渐成为提高养殖效率和健康管理的重要工具。本系统结合了PyQt5界面、专用数据集和优化后的训练代码,能够实时监测牛群的活动状态,并精准识别牛的三种主要行为:躺卧、站立和行走。系统将深度学习技术与直观的用户界面相结合,使得牧场管理者能够实时获取牛群的健康状态和活动信息。这些数据有助于牧场在早期识别出潜在的健康问题或行为异常,从而迅速做出反应,保障牛群健康,并减少人为监控的成

ZSW1218的博客 1475

Python Selenium自动化浏览器实战:从环境搭建到高级技巧

浏览器自动化是现代软件开发与数据处理中的关键技术,它通过程序模拟用户操作,实现网页交互的自动化执行。其核心原理是基于WebDriver协议,通过驱动程序与浏览器进行通信,从而控制浏览器的各种行为。这项技术的价值在于能够将重复性高、耗时长的Web操作转化为可编程、可复用的脚本,极大提升工作效率和准确性。在应用场景上,它广泛覆盖了Web自动化测试、数据采集与爬虫、日常办公流程自动化以及RPA(机器人流程自动化)等多个领域。本文聚焦于Python环境下Selenium这一经典工具,深入讲解其环境配置、八大元素定位

anwenzhao0749的博客 447

互联网摸鱼日报(2023-05-09)

面向数字化提质提效的低代码架构设计 | 低代码技术内幕提升字节规模化效能的平台化思路 | 极客有约从微服务转为单体架构、成本降低 90%,亚马逊内部案例引发轰动!CTO:莫慌,要持开放心态Angular 16 正式发布,抢先体验指南研究成果被对手抢先商业化!谷歌称将缩减AI论文发表数量,网友:谷歌种的树都被别人乘了凉,他们不想再做“大冤种”了从单体架构到微服务化拆分,方正证券如何实现前中后台一体化?字节、腾讯、华为、菜鸟等技术专家,共研稳定性保障|QConSwift 5.8新特性预览:支持函数向后部署架构师

weixin_43849685的博客 569

【人工智能之深度学习】21. 自动驾驶感知实战:YOLOv4复杂天气优化方案(BDD100K全代码+效果对比)

摘要:自动驾驶摄像头在雨雾天气下易受图像模糊、目标遮挡影响,导致YOLOv4检测精度骤降。本文基于BDD100K公开数据集(含多天气场景),设计三阶段优化方案:1)物理建模生成雨雾效果(雨滴线条+大气散射模型),将恶劣天气样本占比从20%提升至40%;2)在YOLOv4颈部嵌入CBAM注意力机制,强化模糊区域特征提取;3)L1剪枝(30%)+TensorRT量化实现轻量化。需特别说明:本文为教学虚拟案例,不可直接用于车载部署,实际落地需结合多传感器融合与ISO 26262认证。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1689

【WorkBuddy专栏61】字节的AI打法为什么一直在变——WorkBuddy/CodeBuddy vs 字节Trae/TRAE Work/豆包全维度对比

【WorkBuddy专栏61】字节的AI打法为什么一直在变——WorkBuddy/CodeBuddy vs 字节Trae/TRAE Work/豆包全维度对比

AI人人懂 2798

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 235

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 153

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 976

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 414

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 232

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 393

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 157

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 291

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 185

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 329

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 218

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 510

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 212

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 315
上一篇: 如约而至!2023 IJCAI YES 定档 7 月 4 日至 6 日,齐聚上海「热翻」AI 圈
下一篇: 编译 TensorFlow 模型
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值