基于YOLOv5s的外脚手架隐患智能动态检测

针对脚手架工程隐患人工巡检效率低、实时排查难的问题,提出一种基于深度学习的隐患实时检测方法。利用添加噪声、随机裁剪等数据增强方式扩充数据集,提高模型在复杂环境下的鲁棒性;基于YOLOv5s目标检测算法建立脚手架工程隐患图像识别模型并进行训练测试,与YOLOv4、Faster R-CNN进行对比,验证模型的有效性。结果表明,在脚手架工程隐患检测任务上,YOLOv5s模型的均值平均精度达到92.23%,较YOLOv4提升8.11百分点;检测速度达到97.01帧/s,较Faster R-CNN提升5倍。轻量的YOLOv5s网络模型适合部署于嵌入式智能监控中,实时采集现场数据并进行隐患分类识别,有效缩短隐患发现时间,研究结果可为脚手架工程监控预警平台提供研究基础。     

基于垂直数据格式的企业隐患预警方法研究

企业在事故隐患排查治理过程中积累了大量隐患数据,为挖掘其潜在价值,实现事故隐患预警预控,针对隐患类型多、数量大的特点,应用垂直数据格式挖掘算法对高维隐患数据进行关联规则挖掘,并利用Kulc和不平衡比(IR)减小隐患出现频率差异对规则的影响;在此基础上,设计基于关联规则的隐患预警评估模型,并对预警信息进行可视化处理,最终构建完整的企业隐患预警方法。以130家机械制造企业的53 029条隐患数据为例,验证所建预警方法的可行性。结果表明,该方法对事故隐患预警的准确率为80.62%。     

结合TF-IDF的企业生产隐患关联预警及可视化研究

为有效利用企业在日常管理中积累的大量生产事故隐患记录,实现隐患预警,解决人工分析数据效率低、主观性强等问题,构建结合词频率-逆文档频率(TF-IDF)的企业生产隐患关联预警可视化模型。首先,运用先验(Apriori)关联规则算法挖掘各隐患间的潜在联系,获取信息中的隐藏价值;然后,引入TF-IDF算法优化关联规则,找出隐患间的关键规则;最后,运用可视化技术直观地展现挖掘结果。研究表明:可视化模型能快速、准确地实现隐患预警;对关联规则的优化,解决了Apriori算法支持度依赖性强的问题;挖掘结果能为企业安全管理者提供整改方向与依据。     

基于信息融合与GM的石油罐区安全监控预测模型

近年来,石油罐区安全事故发生频率呈不断上升趋势。为有效增强罐区安全监控预警系统监测数据的可靠性,并实现对事故的早期预警,基于多传感器信息融合技术和灰色模型(GM)理论,建立出石油罐区安全监控预测模型。首先,研究了基于递推最小二乘法改进的最优加权融合算法,并将其作为一级(特征级)融合模型,其次,介绍分析了灰色预测理论及GM(1,1)模型的实现过程,最后建立出基于GA-BP神经网络算法的二级(决策级)数据融合模型,并得到石油罐区安全监控预测模型。     

基于空间单元分析的装配式建筑施工安全预警模型

为提高装配式建筑施工的安全绩效,针对装配式建筑施工安全监测与预警问题,分析施工现场人的不安全行为、物的不安全状态以及不安全的环境及这3类危险源交叉关联情境;以单元空间为对象,提取各类危险源的动态信息,构建空间单元危险特征向量;采用支持向量机(SVM)分类算法建立装配式建筑施工空间单元安全预警模型。研究结果表明:空间单元安全监测与预警模型具有良好的泛化能力,可识别实际工程项目空间单元的安全风险。     

基于数据挖掘技术的事故隐患预警方法研究

为改良企业既有隐患排查治理方法,提高辨识效率,提升整改效果,应用并优化数据流滑动窗口模型、等价类变化算法、变化挖掘算法等数据挖掘技术,构建1种关联隐患预警方法,该方法以企业历史隐患数据为基础,通过挖掘实时隐患数据的关联规则,发布关联隐患的类型、存在可能性和变化模式等预警信息,指导企业进行针对性排查和整改。最后,以72家安全管理性质相似企业的28 957项隐患数据为例,验证该方法可行性。研究结果表明:该方法不但能挖掘关联隐患类型及其变化模式,而且预警准确率随置信度水平提升而不断提高。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

FMF的火焰显著性检测

为准确定位火源点,实现火灾预警,提出一种基于人眼视觉注意机制的实时监测火灾预警方法。首先,根据图像对抗理论,提取视频序列中每一帧图像的亮度和颜色特征;其次,运用像素级显著性检测算法,构建描述特征信息的多尺度空间高斯金字塔;然后,运用跨尺度特征相加方法,融合中心-邻域对比度金字塔,得到静态显著性图;最后,结合动态帧差法,将多特征融合(FMF)算法得到的显著性图作动态帧差,寻找视频帧中属于火焰的区域,在公开的数据集上就4种评价指标与6种代表性算法作对比。结果表明:FMF算法通过显著性分析方法描述多尺度空间特征信息,其鲁棒性更强;与6种算法相比,FMF算法在准确率和漏检率上有较明显的优势,且能准确识别与定位火焰,防范火灾的发生。     

基于时间序列ARMA模式识别的基坑监测预警优化研究

本文分析了传统监测预警模式的特点,为优化深基坑工程传统监测预警模式提出基于时间序列ARMA模型对地铁深基坑变形进行多重防线监测预警。在大量监测数据的基础上,利用时间序列ARMA模型对基坑沉降变形进行预测,对比分析预测值与实际值。根据武汉唐家墩地铁站基坑水事故特征,研究ARMA模式数据的变化,预警深基坑工程施工风险,并进行综合风险分析,以达到全面预防涌水事故的目的。     

信息融合技术在火灾探测中的应用研究

为减少火灾探测中的误报警,基于信息融合技术对火灾传感器输出的信息进行处理。充分利用火灾探测系统的在线和离线数据,采用改进的主元分析法(PCA)、粗糙集(RS)理论、支持向量机(SVM)等3种方法的融合与互补,通过对系统的输入数据进行简化,消除原有信息的各分量之间的相关性,降低特征信息维数;实施最优最小约简,特征提取优化;构造自适应核函数,确定最优分类超平面,进行样本训练,获得火灾探测结果。从数据级、特征级、决策级3个层次上实现火灾信息融合。结果表明:该方法减少了融合过程中的信息损失,降低了计算的复杂性,有效地提高了火灾探测系统的可靠性和准确度。     

基于多测点关联分析的工作面瓦斯浓度实时预警

为有效分析矿井瓦斯监测数据以拓展监控系统功能,实现工作面瓦斯浓度的有效预警,研究基于多测点实时监测数据关联分析的工作面瓦斯(甲烷)浓度预警方法。通过分析瓦斯实测数据的统计特征,以及利用贝叶斯网络方法分析工作面与其关联监测点瓦斯实测数据构成时间序列的关联特征,确定基于实时监测数据的瓦斯预警指标及其预警阈值,进而分析瓦斯浓度异常情况,实现基于监测数据分析的实时、动态量化预警。实例分析表明,将该方法应用于工作面瓦斯浓度预警,结果显示了瓦斯浓度持续偏大时段反映出的异常情况,符合实际瓦斯浓度变化趋势。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

融合VR-眼动的施工现场隐患识别视觉注意与搜索特征研究

为探究施工现场隐患识别视觉注意与搜索特征,提升识别绩效水平,融合虚拟现实(Virtual Reality, VR)和眼动追踪技术,开展VR施工场景内的隐患识别试验,收集不同隐患识别经验群体的眼动数据;运用统计学方法,对比分析累计注视时间、注视百分比等眼动指标的差异性,揭示隐患识别经验与注意力资源分配方式的内在联系;基于眼动轨迹匹配法,聚类首次视觉搜索轨迹,结合施工现场空间布局,探究隐患识别经验影响下搜索习惯的差异。结果表明：经验知识水平对隐患识别绩效具备驱动作用,但隐患专业度过低则会弱化经验知识的效果;被试的注意资源大多集中于具有视觉显著性特征的无关要素,仅有小部分分配于隐患,然而,具有较高经验知识水平的被试对隐患信息更加敏感,分配于隐患的注意资源占比更高;相较于新手组同一区域多次重复的搜索习惯,专家组大多采用某一区域的详细搜索再切换到下一区域的方式。     

基于多源数据融合的石油罐区安全监控模型

由于单一传感器在石油罐区安全监控中容易受到外界因素影响从而产生误差,为提高传感器检测结果的可靠性和罐区安全监控预警的准确性,基于多源数据融合技术,建立罐区安全状态预警模型。首先,介绍了多源数据融合技术的3个层级:数据级融合,特征级融合和决策级融合,以及目前各领域常见的数据融合方法;其次,建立了基于最优加权融合算法的一级融合模型和基于BP神经网络算法的二级融合模型;最后,得到石油罐区安全监控数据融合模型,并为进一步的实践应用打下了理论基础。     

基于深度学习的吸烟行为实时检测

为预防在禁烟场所因吸烟引发的火灾事故，提出了一种基于YOLOv5s的改进算法，利用改进算法对摄像头获取的图像进行逐帧检测，实现吸烟行为的实时检测。首先，将转换器(Transformer)引入网络颈部中，增强网络对多尺度目标的检测能力；其次，加入坐标注意力(Coordinate Attention, CA)模块，丰富网络提取的特征图信息，增强特征图信息表达能力；最后，增加一个小目标检测层，提高网络对香烟小目标的检测能力，降低网络对小目标的漏检率。此外，构建了一个多场景下的吸烟行为数据集，并对马赛克(Mosaic)数据增强策略进行改进，改善原有数据增强方式丢失目标的问题。试验结果表明，改进后的算法在精确率、召回率和平均精确率上相比原模型均有所提升，在多目标和小目标场景下的实际检测效果对比原模型有明显改善，同时检测速度满足实时性要求，改进后的模型能够更好地应用于吸烟行为实时检测任务。     

脚手架的使用和维护

脚手架在使用时应注意下列事项 :( 1 )脚手架上堆放的材料必须整齐平稳 ,不要过载。( 2 )登高作业上下时 ,都应从规定的扶梯、通道上行走 ,决不要图方便利用脚手架或绳索上下爬登。( 3)在脚手架上进行多层作业时 ,上下作业的位置要岔开 ,或铺设安全防护挡板 ,把几层作业面隔开。( 4 )不得在脚手架上使用梯子或其它类似的工具来增加作业高度。( 5)当在电源线附近操作时 ,应特别小心 ,防止触电和摔下。( 6)在脚手架上砌墙时 ,不能向外砍砖 ,以防碎砖掉下伤人。不要从脚手架上随意抛下物体。为确保脚手架在整个施工过程处于完好状态 ,应对脚手…     

融合多源数据的ABC-SVM快速路交通事件检测

为保证城市快速路段的畅通,建立一种基于蜂群算法-支持向量机(ABC-SVM)融合多源交通数据的城市快速路交通事件检测方法。首先通过分析路段实际情况,选取不同检测器的数据作为事件检测模型的输入值;然后利用蜂群算法(ABC)对支持向量机(SVM)分类模型中的参数进行优化,获得最优的交通事件检测模型,模型的输出结果为检测路段是否发生交通事件;最后结合成都市三环城市快速路路段上采集到的多源交通数据进行实例验证。结果表明,利用ABC-SVM方法进行事件检测的效果优于BP神经网络的方法。     

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性，将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题，根据实车运行中的电池状态数据，选择电池的单体电压最高值、单体电压极差等作为关键预测对象；利用费舍尔计分和最大信息系数(MIC)进行特征选择，采用样本卷积和交互网络模型(SCINet)实现关键状态预测；基于预测的状态，建立多分类随机森林(RF)模型，对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力，如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

基于BA-WNN的滑行道安全风险预警方法

为更有效地实现具有复杂性、时变性及非线性的机场滑行道安全风险预警,降低事故发生率,针对小波神经网络(WNN)训练过程易陷入局部最优以及训练不稳定等影响预测准确性问题,采用蝙蝠算法(BA)优化WNN,设计和实现基于BA-WNN的滑行道安全风险预警方法,并将其与BP神经网络(BPNN)、WNN、遗传算法优化小波网络(GA-WNN)等3种方法进行有效性对比。结果表明:BA-WNN方法的预警准确率最高(约为84%),在所有工况下误警率都较低。     

一种基于红外图像特征融合的高温铝液模拟泄漏监测算法

高温熔融铝液泄漏是炼铝工业最严重的危害之一。借助FLIR A310红外热像仪开展试验研究,搭建了高温铝液泄漏模拟试验平台,建立模拟泄漏标准数据集,提出了一种基于红外图像特征融合的高温铝液模拟泄漏监测算法。利用HOG和LSS描述子分别提取图像梯度边缘和相似形状等几何特征并进行特征向量融合,弥补HOG单一特征检测的不足,将融合的特征向量送入训练好的RBF核函数支持向量机分类识别。融合算法试验性能最优,测试集的查准率、查全率和F1分别为94. 31%、93. 52%和93. 91%。LSS的高维特征向量影响监测时间,步长为15、维度为5 280时,可以实现特征降维与识别准确率的平衡。最后,探究了特征融合描述子对相机距离的敏感性,3. 5 m可实现最佳识别效果;200张图片的监测时间稳定在48. 59 s左右。