DE202023103167U1 - A system for real-time detection of underwater debris using the finely tuned YOLOv8 - Google Patents
A system for real-time detection of underwater debris using the finely tuned YOLOv8 Download PDFInfo
- Publication number
- DE202023103167U1 DE202023103167U1 DE202023103167.6U DE202023103167U DE202023103167U1 DE 202023103167 U1 DE202023103167 U1 DE 202023103167U1 DE 202023103167 U DE202023103167 U DE 202023103167U DE 202023103167 U1 DE202023103167 U1 DE 202023103167U1
- Authority
- DE
- Germany
- Prior art keywords
- underwater
- data
- unit
- yolov8
- fine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011897 real-time detection Methods 0.000 title claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000013434 data augmentation Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Abstract
Ein System (100) für die Echtzeit-Erkennung von Müll unter Wasser unter Verwendung von fein abgestimmtem YOLOv8, umfassend:
eine Unterwasserkamera, die so konfiguriert ist, dass sie Bilder oder Videobilder der Unterwasserumgebung aufnimmt;
eine Datensammeleinheit, die betriebsmäßig mit der Unterwasserkamera verbunden ist und so konfiguriert ist, dass sie Bilder und Videos von Unterwasserbildern und -videos sammelt;
eine Datenanmerkungseinheit, die betriebsmäßig mit der Datensammeleinheit verbunden ist und so konfiguriert ist, dass sie einen Anmerkungsdatensatz erzeugt, indem sie die Müllobjekte mit Begrenzungsboxen kennzeichnet, um eine Grundwahrheit zu erzeugen;
eine YOLOv8-Feinabstimmungseinheit, die betriebsmäßig mit der Datenbeschriftungseinheit verbunden ist und so konfiguriert ist, dass sie die Parameter des erzeugten Beschriftungsdatensatzes anpasst, um die Eigenschaften des Unterwasser-Mülls zu lernen;
eine Datenerweiterungseinheit, die operativ mit der YOLOv8-Feinabstimmungseinheit verbunden ist und so konfiguriert ist, dass sie deren Vielfalt erhöht und unterschiedliche Unterwasserbedingungen berücksichtigt;
ein Ergebnismodul, das betriebsmäßig mit der Unterwasserkamera, der Datenerfassungseinheit, der Datenanmerkungseinheit, der YOLOv8-Feinabstimmungseinheit und der Datenerweiterungseinheit verbunden ist und so konfiguriert ist, dass es eine Benutzeroberfläche bereitstellt und den Zustand des Mülls unter Wasser überwacht und vorhersagt.
an underwater camera configured to capture images or video of the underwater environment;
a data collection unit operatively connected to the underwater camera and configured to collect images and videos of underwater images and videos;
a data annotation unit operatively connected to the data collection unit and configured to generate an annotation dataset by bounding boxing the garbage objects to generate a ground truth;
a YOLOv8 tuning unit, operatively connected to the data labeling unit and configured to adjust the parameters of the generated labeling data set to learn the properties of the underwater debris;
a data extension unit operatively connected to the YOLOv8 fine-tuning unit and configured to increase its diversity and accommodate different underwater conditions;
a results module operatively connected to the underwater camera, the data acquisition unit, the data annotation unit, the YOLOv8 fine tuning unit and the data augmentation unit and configured to provide a user interface and to monitor and predict the status of the debris underwater.
Description
Die vorliegende Erfindung bezieht sich auf ein Gebiet des maschinellen Lernens und insbesondere auf ein System zur Echtzeit-Erkennung von Unterwasser-Müll unter Verwendung von fein abgestimmtem YOLOv8.The present invention relates to a field of machine learning, and more particularly to a system for real-time detection of underwater debris using fine-tuned YOLOv8.
Die Erkennung von Müll in Unterwasserumgebungen hat aufgrund von Fortschritten in der Computer Vision und der Kommerzialisierung von Meeresressourcen an Aufmerksamkeit gewonnen. Die Bilder in den vorhandenen Unterwasser-Mülldatensätzen leiden jedoch unter Farbstichen, geringem Kontrast, Unschärfe, Rauschen und anderen Qualitätsproblemen. Darüber hinaus werden in der konventionellen Technologie Methoden zur Zielerkennung und Bildverbesserung eingesetzt, um die Genauigkeit der Unterwasser-Objekterkennung zu erhöhen, obwohl damit nur zufriedenstellende Ergebnisse erzielt werden. Das Gebiet der Unterwasser-Zielerfassung wurde bereits erforscht, aber es gibt immer noch offene Probleme, wie z. B. Beleuchtungsbedingungen, Kontrast, unterschiedliche Farben in Bildern und Dunst. Um diese Einschränkungen zu überwinden, wird ein System vorgeschlagen, das die Erkennungsgenauigkeit erhöht.Detecting debris in underwater environments has gained attention due to advances in computer vision and the commercialization of marine resources. However, the images in the existing underwater debris datasets suffer from color casts, low contrast, blurring, noise, and other quality issues. In addition, in conventional technology, target detection and image enhancement methods are used to increase the accuracy of underwater object detection, although only satisfactory results are achieved. The field of underwater targeting has already been explored, but there are still open problems, such as B. Lighting conditions, contrast, different colors in images and haze. To overcome these limitations, a system that increases the recognition accuracy is proposed.
Um dieses Problem zu lösen, bietet die vorliegende Erfindung ein System für die Unterwasser-Müllerkennung in Echtzeit unter Verwendung von fein abgestimmtem YOLOv8.To solve this problem, the present invention provides a system for real-time underwater debris detection using fine-tuned YOLOv8.
Das System erreicht eine hochpräzise Erkennung.The system achieves high-precision detection.
Das System verbessert die Gesamtleistung des Systems.The system improves the overall performance of the system.
Das System bietet einen äußerst nützlichen allgemeinen Rahmen für die Unterwasser-Müllerkennung.The system provides an extremely useful general framework for underwater debris detection.
Das System zeigt vielversprechende Ergebnisse bei der Erkennung von dichten Unterwasserobjekten und könnte in großem Umfang für die Erkennung von Meeresobjekten in schwierigen Unterwasserumgebungen eingesetzt werden.The system is showing promising results in detecting dense underwater objects and could be used extensively for detecting marine objects in challenging underwater environments.
Das System, das Konsistenz, Genauigkeit und Schlagfestigkeit bietet, um Müll unter Wasser zu erkennen.The system that provides consistency, accuracy and impact resistance to detect debris underwater.
In einer Ausführungsform wird ein System zur Echtzeit-Unterwasser-Müllerkennung unter Verwendung von fein abgestimmtem YOLOv8 bereitgestellt. Das System ist ein zweistufiges Detektormodell, wobei das Unterwasserbildverbesserungsmodul (UIE-Mechanismus) als erstes Modul fungiert. Das System verarbeitet zunächst Unterwasserbilder, bevor es sie als Input für das Objekterkennungsmodell verwendet. In der zweiten Stufe wird das verbesserte Objekterkennungsmodell auf der Grundlage von YOLOv8 zur Klassifizierung der erweiterten Fotos verwendet.In one embodiment, a system for real-time underwater debris detection using fine-tuned YOLOv8 is provided. The system is a two-stage detector model, with the Underwater Image Enhancement Module (UIE mechanism) acting as the first module. The system first processes underwater images before using them as input to the object detection model. In the second stage, the improved object detection model based on YOLOv8 is used to classify the enhanced photos.
In einer Ausführungsform wird ein System zur Echtzeit-Unterwasser-Müllerkennung unter Verwendung von fein abgestimmtem YOLOv8 bereitgestellt. Das System umfasst eine Unterwasserkamera, eine Datenerfassungseinheit, eine Datenanmerkungseinheit, eine YOLOv8-Feinabstimmungseinheit, eine Datenerweiterungseinheit und ein Ergebnismodul. Die Unterwasserkamera ist so konfiguriert, dass sie Bilder oder Videobilder der Unterwasserumgebung aufnimmt. Die Datenerfassungseinheit ist betriebsmäßig mit der Unterwasserkamera verbunden. Die Datenerfassungseinheit ist so konfiguriert, dass sie Bilder und Videos von Unterwasserbildern und -videos erfasst. Die Datenkommentierungseinheit ist betriebsmäßig mit der Datensammeleinheit verbunden. Die Einheit für die Datenkommentierung ist so konfiguriert, dass sie einen kommentierten Datensatz erstellt, indem sie die Müllobjekte mit Begrenzungsboxen kennzeichnet, um eine Grundwahrheit zu schaffen. Die YOLOv8-Feinabstimmungseinheit ist operativ mit der Datenannotierungseinheit verbunden. Die YOLOv8-Feinabstimmungseinheit ist so konfiguriert, dass sie die Parameter des erstellten kommentierten Datensatzes anpasst, um die Eigenschaften des Unterwasser-Mülls zu lernen. Die Datenerweiterungseinheit ist operativ mit der YOLOv8-Feinabstimmungseinheit verbunden. Die Datenerweiterungseinheit ist so konfiguriert, dass sie die Vielfalt der Daten erhöht und unterschiedliche Unterwasserbedingungen berücksichtigt. Das Ergebnismodul ist betriebsmäßig mit der Unterwasserkamera, der Datenerfassungseinheit, der Datenkommentierungseinheit, der YOLOv8-Feinabstimmungseinheit und der Datenerweiterungseinheit verbunden. Das Ergebnismodul ist so konfiguriert, dass es eine Benutzeroberfläche bereitstellt und den Zustand des Mülls unter Wasser überwacht und vorhersagt.In one embodiment, a system for real-time underwater debris detection using fine-tuned YOLOv8 is provided. The system includes an underwater camera, a data acquisition unit, a data annotation unit, a YOLOv8 fine-tuning unit, a data extension unit, and a results module. The underwater camera is configured to capture images or video images of the underwater environment. The data acquisition unit is operatively connected to the underwater camera. The data acquisition unit is configured to acquire images and videos of underwater images and videos. The data annotation unit is operatively connected to the data collection unit. The data annotation unit is configured to create an annotated dataset by bounding boxing the garbage objects to create a ground truth. The YOLOv8 fine-tuning unit is operatively linked to the data annotation unit. The YOLOv8 fine-tuning unit is configured to adjust the parameters of the created annotated dataset to learn the properties of the underwater debris. The data extension unit is operatively linked to the YOLOv8 fine-tuning unit. The data extension unit is configured to increase the variety of data and accommodate different underwater conditions. The results module is operatively connected to the underwater camera, the data acquisition unit, the data annotation unit, the YOLOv8 fine tuning unit and the data extension unit. The results module is configured to provide a user interface and to monitor and predict the condition of the underwater debris.
In einer Ausführungsform wird das fein abgestimmte YOLOv8-Modell anhand eines vielfältigen Datensatzes von kommentierten Unterwasserbildern und -videos trainiert.In one embodiment, the fine-tuned YOLOv8 model is trained on a diverse data set of annotated underwater images and videos.
In einer Ausführungsform ist die Datenvergrößerungseinheit so konfiguriert, dass die Variabilität des Trainingsdatensatzes erhöht wird.In one embodiment, the data augmentation unit is configured to increase the variability of the training data set.
In einer Ausführungsform verwendet das Unterwasserbildverbesserungsmodul Verbesserungstechniken, um die Qualität und Sichtbarkeit der Unterwasserfotos als Eingabe zu verbessern.In one embodiment, the underwater image enhancement module uses enhancement techniques to improve the quality and visibility of the underwater photos as input.
In einer Ausführungsform basiert das Objekterkennungsmodul auf dem fein abgestimmten YOLOv8. Das YOLOv8 kann Objekte in Bildern identifizieren und klassifizieren.In one embodiment, the object detection engine is based on the fine-tuned YOLOv8. The YOLOv8 can identify and classify objects in images.
In einer Ausführungsform umfasst das Datenspeichermodul den Datensatz Trash_ICRA19, den Datensatz RUIE2020, den Datensatz UTDAC2020, den Datensatz VOT2018, den Datensatz URPC2019 und den Datensatz URPC2020.In one embodiment, the data storage module includes data set Trash_ICRA19, data set RUIE2020, data set UTDAC2020, data set VOT2018, data set URPC2019, and data set URPC2020.
In einer Ausführungsform verbessert das System zur Echtzeit-Unterwasser-Müllerkennung unter Verwendung von fein abgestimmtem YOLOv8 die Objekterkennung in Unterwasserbildern, indem es zunächst die Bildqualität unter Verwendung des UIE-Mechanismus verbessert und dann ein fein abgestimmtes YOLOv8-Modell zur Objekterkennung und -klassifizierung verwendet.In one embodiment, the real-time underwater debris detection system using fine-tuned YOLOv8 improves object detection in underwater images by first improving image quality using the UIE mechanism and then using a fine-tuned YOLOv8 model for object detection and classification.
In einer Ausführungsform ermöglicht das System die Verbesserung der Sichtbarkeit von Unterwasser-Müllobjekten.In one embodiment, the system allows for enhancing the visibility of underwater debris objects.
In einer Ausführungsform kann das System schnell geeignete Merkmale aus den verbesserten Bildern extrahieren.In one embodiment, the system can quickly extract appropriate features from the enhanced images.
Die Erfindung wird im Folgenden anhand der Figur nochmals erläutert. Dabei zeigt:
-
1 : zeigt ein Blockdiagramm eines Systems zur Echtzeit-Unterwasser-Müllerkennung unter Verwendung von fein abgestimmtem YOLOv8.
-
1 : shows a block diagram of a system for real-time underwater debris detection using fine-tuned YOLOv8.
Das System (100) stellt ein einzigartiges Objektidentifikationsdesign vor, das auf einem YOLOv8-Framework aufbaut, das aktualisiert wurde, um diese Probleme anzugehen und die Genauigkeit der Modelle weiter zu verbessern. Das System (100) hilft auch bei der Identifizierung von Unterwasser-Müll. Das System (100) ist ein zweistufiges Detektormodell. In der ersten Stufe kommt eine UIE-Datenerweiterungstechnik (Underwater Image Enhancer) zum Einsatz, die mit Laplacian-Pyramiden und Gammakorrektheitsmethoden arbeitet, um die Unterwasserbilder zu verbessern. Die zweite Stufe, das vorgeschlagene verfeinerte innovative YOLOv8-Modell für Klassifizierungszwecke, verwendet die Ergebnisse der ersten Stufe als Eingabe. Der bestehende Merkmalsextraktor des YOLOv8-Modells wird in diesem System (100) durch eine neue Merkmalsextraktionstechnik ersetzt, die zu besseren Ergebnissen führt. Die Einführung der UIE- und Merkmalsextraktionsmethode stellt die wesentliche Neuerung dieses Systems (100) dar. Um unnötige Parameter zu eliminieren und das Modell weiter zu verdichten, wird das vorgeschlagene System (100) gleichzeitig beschnitten. Durch das Pruning nimmt die Genauigkeit des Modells ab, so dass das Transfer-Learning-Verfahren eingesetzt wird, um sie zu erhöhen. Die Ergebnisse zeigen, dass das Verfahren Objekte mit einer Genauigkeit von 98,5 % und einem mAP@50 von 98,1 % erkennen kann und dass seine Echtzeit-Erkennungsgeschwindigkeit auf dem Grafikprozessor doppelt so hoch ist wie die Basisleistung des YOLOv8m-Modells.The System (100) introduces a unique object identification design built on top of a YOLOv8 framework that has been updated to address these issues and further improve the accuracy of the models. The system (100) also helps identify underwater debris. The system (100) is a two-stage detector model. The first stage uses an Underwater Image Enhancer (UIE) data enhancement technique that uses Laplacian pyramids and gamma correctness methods to enhance the underwater images. The second stage, the proposed refined innovative YOLOv8 model for classification purposes, uses the results of the first stage as input. The existing feature extractor of the YOLOv8 model is replaced in this system (100) by a new feature extraction technique that leads to better results. The introduction of the UIE and feature extraction method represents the essential innovation of this system (100). In order to eliminate unnecessary parameters and to further condense the model, the proposed system (100) is simultaneously pruned. Pruning decreases the accuracy of the model, so transfer learning is used to increase it. The results show that the method can recognize objects with an accuracy of 98.5% and a mAP@50 of 98.1%, and that its real-time recognition speed on the GPU is twice the baseline performance of the YOLOv8m model.
Das System (100) zur Echtzeit-Unterwasser-Müllerkennung unter Verwendung von feinabgestimmtem YOLOv8 wird bereitgestellt. Das System umfasst eine Unterwasserkamera, eine Datenerfassungseinheit, eine Datenanmerkungseinheit, eine YOLOv8-Feinabstimmungseinheit, eine Datenerweiterungseinheit und ein Ergebnismodul. Die Unterwasserkamera ist so konfiguriert, dass sie Bilder oder Videobilder der Unterwasserumgebung aufnimmt. Die Datenerfassungseinheit ist betriebsmäßig mit der Unterwasserkamera verbunden. Die Datenerfassungseinheit ist so konfiguriert, dass sie Bilder und Videos von Unterwasserbildern und -videos erfasst. Die Datenkommentierungseinheit ist mit der Datenerfassungseinheit verbunden. Die Datenbeschriftungseinheit ist so konfiguriert, dass sie einen beschrifteten Datensatz erstellt, indem sie die Müllobjekte mit Begrenzungsboxen beschriftet, um eine Grundwahrheit zu schaffen. Die YOLOv8-Feinabstimmungseinheit ist operativ mit der Datenannotierungseinheit verbunden. Die YOLOv8-Feinabstimmungseinheit ist so konfiguriert, dass sie die Parameter des erstellten kommentierten Datensatzes anpasst, um die Eigenschaften des Unterwasser-Mülls zu lernen. Die Datenerweiterungseinheit ist operativ mit der YOLOv8-Feinabstimmungseinheit verbunden. Die Datenerweiterungseinheit ist so konfiguriert, dass sie die Vielfalt der Daten erhöht und unterschiedliche Unterwasserbedingungen berücksichtigt. Das Ergebnismodul ist betriebsmäßig mit der Unterwasserkamera, der Datenerfassungseinheit, der Datenkommentierungseinheit, der YOLOv8-Feinabstimmungseinheit und der Datenerweiterungseinheit verbunden. Das Ergebnismodul ist so konfiguriert, dass es eine Benutzerschnittstelle bereitstellt und den Zustand des Mülls unter Wasser überwacht und vorhersagt.The system (100) for real-time underwater debris detection using fine-tuned YOLOv8 is provided. The system includes an underwater camera, a data acquisition unit, a data annotation unit, a YOLOv8 fine-tuning unit, a data extension unit, and a results module. The underwater camera is configured to capture images or video images of the underwater environment. The data acquisition unit is operatively connected to the underwater camera. The data acquisition unit is configured to acquire images and videos of underwater images and videos. The data annotation unit is connected to the data acquisition unit. The data labeling engine is configured to create a labeled data set by labeling the garbage objects with bounding boxes to create a ground truth. The YOLOv8 fine-tuning unit is operatively linked to the data annotation unit. The YOLOv8 fine-tuning unit is configured to adjust the parameters of the created annotated dataset to learn the properties of the underwater debris. The data extension unit is operatively linked to the YOLOv8 fine-tuning unit. The data extension unit is configured to increase the variety of data and accommodate different underwater conditions. The results module is operatively connected to the underwater camera, the data acquisition unit, the data annotation unit, the YOLOv8 fine tuning unit and the data extension unit. The results module is configured to have a user interface and monitors and predicts the condition of debris underwater.
Die komplizierte und sich ständig verändernde Unterwasserumgebung wird berücksichtigt, wenn ein neuartiges und verbessertes YOLOv8-Unterwasser-Müllerkennungssystem (100) vorgeschlagen wird. Zunächst wurde der innovative UIE-Modul-Algorithmus vorgestellt, der die Verbesserung von Unterwasser-Müllfotos ermöglicht. Zweitens wurde ein neuartiger Merkmalsextraktionsalgorithmus vorgeschlagen, um schnell geeignete Merkmale aus den verbesserten Fotos zu extrahieren. Das System (100) verwendet einen Datensatz, der mAP@0.5 und mAP@0.5:0.95 erreicht 98,1 % bzw. 54,2 % und liegt damit 4,5 % bzw. 2,9 % über dem des ursprünglichen YOLOv8. Das System (100) ist ein sehr vorteilhafter allgemeiner Rahmen für die Unterwasser-Müllerkennung. Das verbesserte YOLOv8-Modell hat vielversprechende Ergebnisse bei der Erkennung von dichten Unterwasserobjekten gezeigt und könnte in großem Umfang für die Erkennung von Meeresobjekten in schwierigen Unterwasserumgebungen eingesetzt werden. Verbesserte Transformatorblöcke und effektivere Bildverbesserungstechniken könnten Gegenstand zukünftiger Forschung sein, um die Architektur des Netzwerks zu stärken und die Erkennungsgenauigkeit zu erhöhen.The complicated and constantly changing underwater environment is taken into account when proposing a new and improved YOLOv8 underwater debris detection system (100). First, the innovative UIE module algorithm was presented, which allows the improvement of underwater garbage photos. Second, a novel feature extraction algorithm was proposed to quickly extract appropriate features from the enhanced photos. The system (100) uses a dataset that achieves mAP@0.5 and mAP@0.5:0.95 at 98.1% and 54.2%, respectively, which is 4.5% and 2.9% higher than the original YOLOv8, respectively. System (100) is a very advantageous general framework for underwater debris detection. The improved YOLOv8 model has shown promising results in detecting dense underwater objects and could be widely used for detecting marine objects in challenging underwater environments. Improved transformer blocks and more effective image enhancement techniques could be the subject of future research to strengthen the network's architecture and increase detection accuracy.
BezugszeichenlisteReference List
- 100100
- Systemsystem
Claims (8)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE202023103167.6U DE202023103167U1 (en) | 2023-06-08 | 2023-06-08 | A system for real-time detection of underwater debris using the finely tuned YOLOv8 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE202023103167.6U DE202023103167U1 (en) | 2023-06-08 | 2023-06-08 | A system for real-time detection of underwater debris using the finely tuned YOLOv8 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE202023103167U1 true DE202023103167U1 (en) | 2023-06-19 |
Family
ID=87068247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE202023103167.6U Active DE202023103167U1 (en) | 2023-06-08 | 2023-06-08 | A system for real-time detection of underwater debris using the finely tuned YOLOv8 |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE202023103167U1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665080A (en) * | 2023-07-26 | 2023-08-29 | 国网江西省电力有限公司电力科学研究院 | Unmanned aerial vehicle deteriorated insulator detection method and system based on target recognition |
| CN117173542A (en) * | 2023-10-26 | 2023-12-05 | 山东易图信息技术有限公司 | Method and system for detecting and optimizing water floaters based on YOLOV8 model |
| CN117593674A (en) * | 2024-01-18 | 2024-02-23 | 南昌大学 | Real-time detection method for lightweight unmanned aerial vehicle aerial photography target |
| CN117593674B (en) * | 2024-01-18 | 2024-05-03 | 南昌大学 | Real-time detection method for lightweight unmanned aerial vehicle aerial photography target |
-
2023
- 2023-06-08 DE DE202023103167.6U patent/DE202023103167U1/en active Active
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665080A (en) * | 2023-07-26 | 2023-08-29 | 国网江西省电力有限公司电力科学研究院 | Unmanned aerial vehicle deteriorated insulator detection method and system based on target recognition |
| CN116665080B (en) * | 2023-07-26 | 2023-11-07 | 国网江西省电力有限公司电力科学研究院 | Unmanned aerial vehicle deteriorated insulator detection method and system based on target recognition |
| CN117173542A (en) * | 2023-10-26 | 2023-12-05 | 山东易图信息技术有限公司 | Method and system for detecting and optimizing water floaters based on YOLOV8 model |
| CN117593674A (en) * | 2024-01-18 | 2024-02-23 | 南昌大学 | Real-time detection method for lightweight unmanned aerial vehicle aerial photography target |
| CN117593674B (en) * | 2024-01-18 | 2024-05-03 | 南昌大学 | Real-time detection method for lightweight unmanned aerial vehicle aerial photography target |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE112016005059B4 (en) | Subcategory-aware convolutional neural networks for object detection | |
| DE202023103167U1 (en) | A system for real-time detection of underwater debris using the finely tuned YOLOv8 | |
| DE102017220307B4 (en) | Device and method for recognizing traffic signs | |
| DE60129872T2 (en) | Method for extracting titles from numerical images | |
| DE112019001310T5 (en) | SYSTEMS AND METHODS FOR REDUCING THE AMOUNT OF DATA STORAGE DURING MACHINE LEARNING | |
| DE102018130821A1 (en) | Method for assessing an environment of a motor vehicle using an artificial neural network with an aggregation unit; Control unit, driver assistance system and computer program product | |
| DE112016001830T5 (en) | Discovering companies from images | |
| CN104299009B (en) | License plate character recognition method based on multi-feature fusion | |
| DE112016002175T5 (en) | Entity-based temporal segmentation of video streams | |
| DE102018128531A1 (en) | System and method for analyzing a three-dimensional environment represented by a point cloud through deep learning | |
| DE112017005651T5 (en) | Device for classifying data | |
| DE112020004053T5 (en) | MIX, NOTE OR. PARTICIPATE AND ADJUST: VIDEO DOMAIN ADJUSTMENT THROUGH CLIP ORDER PREDICTION AND CLIP ATTENTION TRACKING | |
| DE102010016251A1 (en) | Detection method for a moving object and the command input method underlying the detection of the moving object | |
| DE102008041944A1 (en) | Data processing method for generation of data file and for testing authenticity of e.g. passport, involves inputting value set and associated information to learning module, and outputting classifier by learning module | |
| DE112019007762T5 (en) | Method for training a generative adversarial network, modified image generation module and system for detecting features in an image | |
| CN105023025B (en) | A kind of opener mark image sorting technique and system | |
| DE102017124600A1 (en) | Semantic segmentation of an object in an image | |
| DE212022000040U1 (en) | Logistics management system based on a two-dimensional code | |
| DE102010045744A1 (en) | Browse and extract digital images from digital video files | |
| AT515595A2 (en) | Method for optical recognition of characters | |
| DE102019129029A1 (en) | OBJECT DETECTION SYSTEM AND METHOD | |
| DE102018132627A1 (en) | Method for capturing an environment of a motor vehicle by means of temporal fusion of images through an artificial neural network; Control unit, driver assistance system; Computer program product | |
| DE102021128523A1 (en) | HIERARCHICAL IMAGE DECOMPOSITION FOR DEFECT DETECTION | |
| DE112021005555T5 (en) | MULTITASKING LEARNING VIA GRADUATION FOR EXTENSIVE HUMAN ANALYSIS | |
| DE102009060687A1 (en) | Method and device for computer-aided annotation of multimedia data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R207 | Utility model specification | ||
| R082 | Change of representative |
Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE |