基于深度学习的复杂作业场景下安全帽识别研究

为有效预防由于个人防护缺失所造成的事故,着力探究复杂作业情况下施工人员安全帽佩戴情况的智能化识别.提出在Faster R-CNN目标检测算法的基础上,针对小目标的安全帽识别问题通过增加锚点提升检测能力,为解决数据集中类别不平衡问题采用Focal loss替代原本的损失函数,为解决安全帽预测区域不匹配问题,引入ROI A...     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多,导致存储和速度问题突出,很大程度上限制了其在一些硬件平台上使用的问题,基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构,构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据,采用数据增强的方法来增加数据量,制作火灾火焰图像数据集,形成学习样本,并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点,且具有良好的抗干扰能力,有效缓解了当前卷积神经网络中存在的存储和速度问题。     

基于深度学习的建筑工人安全帽佩戴识别研究

建筑工人头部伤害是造成建筑伤亡事故的重要原因。佩戴安全帽是防止建筑工人发生脑部外伤事故的有效措施,而在实际工作中工人未佩戴安全帽的不安全行为时有发生。因此,对施工现场建筑工人佩戴安全帽自动实时检测进行探究,将为深入认知和主动预防安全事故提供新的视角。然而,传统的施工现场具有安全管理水平低下、管理范围小、主要依靠安全管理人员的主观监测并且时效性差、不能全程监控等一系列问题。针对上述现状,提出了一种基于Tensorflow框架,具有高精度、快速等特性的Faster RCNN方法,实时监测工人安全帽佩戴状况。为评估模型性能,收集了6 000张图像用于模型的训练与测试,结果表明,该模型识别工人安全监测中佩戴安全帽工人的平均精度达到90. 91%,召回率达到89. 19%;识别未佩戴安全帽工人的精度达到88. 32%,召回率达到85. 08%。同时,针对工人未佩戴安全帽而进入施工现场的违规行为,通过施工现场入口处监控摄像头截取视频流图像帧,设置检验试验,验证了本方法在施工现场实际应用的有效性。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于CNN的化工园区火灾火焰图像识别研究

为及时发现化工园区火灾事故,降低事故损失,利用卷积神经网络(CNN)建立化工园区火灾实时检测系统。基于CNN-YOLOv5算法训练化工园区火灾数据集和普通火灾数据集,分析对比2个数据集的损失值、召回率、精度和类别平均精度。其中,化工园区火灾数据集的损失值和召回率略低,但精度和类别平均精度高于普通火灾数据集,证明通过CNN检测化工园区火灾的可行性。结果表明：基于火灾检测结果,借助PyQt5程序框架设计化工园区火焰图像识别软件系统,可实现对化工园区火灾火焰图像和视频的识别应用,扩大该方法适用范围。基于CNN的YOLOv5目标检测算法可以实时检测化工园区火灾,其检测方法具有便携性、检测结果具有可靠性,可提高化工园区的安全管理水平。     

复杂环境下楼房的控制爆破拆除

介绍了在复杂环境下五层砖混结构大楼的爆破拆除,并对爆破方案的选择,参数的选取进行了分析和论述,可供类似工程参考.     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

复杂环境下烟囱折叠爆破拆除

本文利用一工程实例,介绍了下烟囱定向折叠爆破拆除倒塌方向、分段时间间隔的控制,及保证烟囱顺利倒塌的一些安全措施。     

复杂环境下的控制爆破安全技术

城市控制爆破中碰到了作业空间小、周围环境复杂、对爆生灾害控制要求高等问题。通过对问题的分类分析,结合实际工作情况提出了分区爆破、孔外孔内同时微差爆破、合理控制微差时间等手段,有效地克服了环境困难,成功地完成了爆破工作。     

基于属性识别模型的建筑物火灾危险性评价

建筑物是一个集人员与财产于一体的系统,一旦发生火灾,后果不堪设想.利用层次分析法并结合属性识别理论,建立了建筑物火灾危险性的层次-属性识别模型.聘请10位专家对建筑物火灾危险性的评价指标体系的24项指标进行评价,利用层次分析法确定各评价指标的权重以计算综合属性测度区间,应用置信度准则和评分准则对建筑物火灾危险性进行属性识别.并对某大学3#教学楼的火灾危险性进行了评价,得出火灾危险性等级为危险性较小,安全性较好,也说明了该建筑物需要进一步采取安全措施,加强安全管理,提高其安全程度,避免火灾事故的发生.     

基于机器学习的热释放速率实时预测方法

火灾态势的实时感知对提升消防救援指挥与决策水平有非常重要的意义。为实现火源热释放速率的实时预测,通过丙烷气体燃烧实验获取火焰体积和高度的实时数据,选取MATLAB中精细高斯SVM做分类训练,建立了基于图像处理的热释放速率预测模型。结果表明,训练完成后的模型可以根据3 s内的火焰体积/高度数据预测得到实时的燃料流量,获取相应的火源热释放速率。该预测模型在已知数据集和未知数据集上都表现出了较高的准确性,为火灾态势发展预测提供了理论和技术基础,有很好的应用前景。     

基于深度学习算法的叉车危险操作行为检测

随着物流仓储行业快速发展及叉车数量的不断增多,针对叉车作业过程中存在的人员碰撞、挤压、坠落等潜在风险,迫切需要对危险行为进行及时检测和预警。为解决人员值守易漏报误报及传统方法检测精度低的问题,建立基于图像特征识别的叉车检测深度学习模型和算法。通过采集、处理现场视频图像素材,完成模型的训练及性能评价,建立相应的报警规则和报警阈值,搭建测试环境并进行仿真测试,开发相应的软件系统。结果表明:模型检测速率为130 ms/帧,人员靠近叉车准确率为85.6%,叉车举升人员准确率为83.7%,达到良好的实践效果。     

基于深度学习的污染场地作业人员着装规范性检测

为解决污染场地修复作业中缺乏统一的人员安全保障管理措施以及人工监管困难的问题,结合HSE理念提出1种基于优化Faster R-CNN的作业人员着装规范性检测算法。该方法在回归损失函数中引入L2正则项,既保证模型的泛化能力,又提高深层网络模型收敛速度。基于自建着装规范数据集（Dress Code Dataset）进行实验,评价算法检测时间和mAP等指标。结果表明:所提出的着装规范性检测算法检测时间为44 ms,mAP为88.17%,解决了传统检测算法中实时性和准确率低的问题,且模型具有更好的泛化性和鲁棒性。     

基于高斯过程机器学习算法的矿柱稳定性分析

矿柱是地下矿山支撑顶板围岩、维持采场稳定的关键结构要素。为迅速准确地判别矿柱稳定性,选取矿柱宽度、矿柱高度、矿柱宽高比、矿岩单轴抗压强度和矿柱承受载荷作为影响指标,利用高斯过程机器学习算法建立矿柱状态与其主要影响因素之间的非线性映射关系,进而提出一种基于高斯过程二元分类(GPC)的矿柱状态识别模型。结合工程实例,以40组样本数据进行训练,以10组样本数据对该模型进行检验,并与ANN和SVM进行对比。结果表明,矿柱状态识别的高斯过程模型是科学可行的,该模型具有参数自适应化获取、分类精度高、计算复杂度低等优点,还可对矿柱状态判别结果的不确定性或可信度进行定量化评价。     

基于深度学习的输煤皮带故障视觉检测方法研究

为了更好地检测皮带跑偏、撕裂和异物干扰等严重影响皮带安全运行的故障状态,围绕相关问题产生的原因及检测方法开展深入研究,通过对纵/横向裂缝、异物的检测分析、实验,提高基于视觉的检测精度。提出基于Canny边缘检测算法的皮带跑偏检测算法;基于深度学习的横向与纵向撕裂检测,尤其对于裂缝与纵向纹理区分不明显情况,提出一种红光透射的判别方式;基于最小距离分类算法将识别异物转换为分类问题,利用机器学习的方法对样本进行训练并建立无异物阈值,通过提取特征,最后利用最小距离分类算法得到有无异物的结果。研究结果表明:提出的视觉检测系统可以实时高效地检测出输煤皮带常见的3种故障,可进一步保障运输系统安全运行。     

基于强化学习的城镇燃气事故信息抽取方法

为解决因城镇燃气事故调查报告标注样本缺乏,从而影响命名实体识别性能这一问题,提出基于BiLSTM-CRF+强化学习的燃气事故领域命名实体识别方法。首先在数据预处理阶段,采用基于文本结构的主旨段落抽取方法,识别事故调查报告的关键段落;其次在模型训练阶段,采用BiLSTM-CRF+强化学习模型,实现城镇燃气事故命名实体识别模型训练;最后利用城镇燃气事故调查报告作为试验数据进行验证。研究结果表明:经由强化学习模型降噪后,实体识别模型的综合评价指标提高5.76%,主旨段落识别方法相比Word2vec特征表示方法,使模型的综合评价指标提升7.17%。     

石化企业火灾危险性模式识别模型研究

石化企业具有易燃、易爆危险性等特点,一旦发生事故,后果相当严重.考虑到影响石化企业火灾危险性因素较多,从生产过程、储存过程、运输过程、消防设施与安全管理五个方面探讨了石化企业火灾危险性模式,运用层次分析法确定了石化企业火灾危险性模式识别指标的权重.将SPA理论与最优化原理相结合,提出了同异反最优模式识别模型,并将其与现有的最大联系测度方法应用于某石化企业危险性模式识别中.实例应用表明,同异反最优模式识别模型从整体上判断石化企业危险性模式,较最大联系测度方法更为科学、合理.