基于改进YOLOv5s的综采工作面人员检测算法

为了智能监控井工煤矿综采工作面危险区域人员闯入和安全帽佩戴问题，避免监控视频受粉尘干扰、光照不均等因素影响图像检测精度的问题，提出一种基于改进YOLOv5s的目标检测算法(简称YOLOv5s-DPE),并建立相关模型。首先，在颈部网络部分，采用深度可分离卷积(DwConv)替换普通卷积，降低参数量和计算量；然后，引入改进的路径聚合网络(PANet)提升特征提取能力，替换边界框损失函数完全交并比(CIOU)为有效交并比(EIOU),提升检测准确率；最后，选取综采工作面视频中的人员图像进行检测，选取煤矿井下人员闯入和安全帽佩戴监控视频作为检测数据集，并进行训练和验证。结果表明：对比初始YOLOv5s算法模型，YOLOv5s-DPE算法模型的参数量下降14.2%,浮点数计算量下降7.6%,算法网络模型大小下降12.5%,均值平均精度(mAP)@0.5提升到93.7%,mAP@0.5∶0.95提升到65.8%,YOLOv5s-DPE模型对小目标检测效果更好，误检漏检等情况有所减少。     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。     

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。     

基于视觉图像的飞行区大型目标监视方法改进研究

机场飞行区现使用的场面监视方法存在着定位偏差较大、不稳定、易跳变、皆为点源定位等问题。针对这些问题,设计了基于视觉图像的飞行区监视方法,实现快速准确的目标检测和轮廓定位,使飞行区监视更加稳定精确。提出了一种基于MobileNetV3和YOLOv5的网络模型(以下称为MobileNetV3-YOLOv5),即在YOLOv5的主干中使用MobileNetV3,来提高对目标的检测速度和准确度;提出了一种基于优化特征点提取的改进定向快速旋转简报(Oriented FAST and Rotated BRIEF,ORB)算法,将图像分割成多个区域,分别提取每个区域的特征点,从而提高目标识别框内区域的特征点识别数量,再进行特征点聚类筛选,最后根据识别目标类型采用最小包围盒进行轮廓划分,得到目标的轮廓定位。试验结果表明：MobileNetV3-YOLOv5方法对比原始YOLOv5模型,在识别目标准确率方面提升5百分点,在效率方面提升14张/s;同时在0～60 m的范围内,轮廓估计误差仅为2.9%;体现了所提出的监视方法的有效性,可以提升飞行区监视定位准确性和运行安全性。     

基于Faster R-CNN的海底管道智能检测方法

为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信号的关键特征;其次,基于多模态数据增强来提升检测模型的泛化能力;然后,基于多模态数据增强后的样本训练改进的Faster R-CNN网络,建立最优的智能检测模型;最后,以试验场和渤海在役管道为例,验证所提方法的有效性。结果表明：所提方法的平均检测精度可达93.8%,相较原始的Faster R-CNN算法提高8%,且平均交并比达到0.75,能够精准地实现海底油气管道多目标检测,保障海底管道的安全运行。     

基于改进YOLOX的变电站工人防护设备检测研究*

为解决电气工人防护设备检测问题,通过改进YOLOX算法,提出检测工作人员防护设备的模型。首先在预测部分改进损失函数,为解决损失函数计算存在的缺陷,对IOU损失的计算方法进行改进,根据防护设备任务特性,通过调整各种类型损失函数的权重,增加对模型误判的惩罚,对模型进行优化;其次在算法主干网络中引入CBAM注意力模块提高神经网络对工人防护设备的感知能力;最后在算法Neck部分,将UpSample结构用于多尺度特征融合,加强网络的细节表达能力,从而提升对小目标困难样本的检测精度。研究结果表明:改进后的YOLOX模型平均精度均值达到87.24%,与已有YOLOX模型相比提升2.46%,具备有效性,适用于变电站工人防护设备检测。研究结果可为电气工人提供更高的防护装备检测精度。     

复杂背景环境下基于SSD_MobileNet深度学习模型的火焰图像识别研究

针对现有的火灾火焰图像识别方法在光照和红花等类似火焰干扰的复杂环境下存在错检和漏检的问题, 提出一种基于SSD_MobileNet的复杂环境火焰区域标记方法。首先,将深度卷积神经网络SSD300的基础卷积网络VGG16替换为MobileNet网络,应用深度可分离卷积,降低网络参数,进而构建一种火焰图像检测的SSD_MobileNet模型;然后,迁移第一次训练模型所有的卷积层参数,初始化新的待训练模型;最后,加入新的数据样本用于削弱光照、红花等干扰对象的影响。通过与SSD300、以及深度学习的目标检测算法Faster R-CNN和YOLOv3-tiny对比,实验结果表明,构建的火焰检测和火焰区域标记SSD_MobileNet模型的综合性能优于Faster R-CNN和YOLOv3-tiny模型,更适用于实时火焰检测领域。     

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 Align代替ROI Pooling操作中2次量化产生的误差,从而提升检测模型准确性,最后在构建的复杂作业场景下安全帽数据集的基础上进行网络性能评估。结果表明:基于改进后的Faster R-CNN网络框架mAP提高了15%,为智能化管控施工现场个人防护用品佩戴问题提供了有效精准化的识别方法。     

低分辨率自然场景文本识别

针对自然场景文本识别中低分辨率图像识别困难的问题,提出了超分辨率卷积循环神经网络算法(super-resolution-convolutional-recurrent neural network,SR-CRNN)。该算法是一个端到端的深度神经网络,包含超分辨率网络和文本识别网络:利用训练集的高低分辨率图像对训练超分辨率分支网络;然后通过特征融合,将经过监督训练获得的超分辨率模型特征加入文本识别网络;在文本识别网络,使用卷积神经网络和注意力模型对文本行进行识别。基于低分辨率文本图像数据集的实验结果表明,SR-CRNN的文本识别能够获得更好的效果。     

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero＿DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks, FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的...     

基于边缘检测的分液过程监测与终点识别

为解决实验室高耗时操作无人值守问题,提出一种复杂背景透明玻璃仪器内分液过程监测及终点识别算法。利用摄像头采集实验室分液操作画面,采用Canny算子进行边缘检测,获取分液操作的容器区域;为避免分液过程中红绿蓝(RGB)色彩空间多通道特征混合影响,将目标区域画面实时转化为灰度图像;通过全局灰度图像熵随时间变化趋势监测分液进程,并利用图像熵变化曲线最大值判断分液终点。结果表明：基于掩膜裁剪区域一维灰度图像熵终点识别方法与科学家肉眼判断时间平均绝对误差为0.80 s,判断过程更具备稳定性;与基于全画面算法对比,掩膜算法终点判别平均绝对误差降低19.50 s,相对误差降低90.96%,说明复杂背景对终点识别干扰显著;与基于RGB色彩空间图像熵相比,终点判别平均绝对误差降低7.10 s,相对误差降低89.87%,说明纹理信息在终点判别过程中起主要作用。     

基于YOLOv5s的城镇森林交界域火灾探测模型

为精准监控城镇森林交界域火灾及定位其空间分布,提出基于改进YOLOv5s网络的城镇森林交界域火灾目标探测模型。首先收集城镇森林交界域火灾图像,利用图像注释工具标注出目标探测数据集;然后将坐标注意力(CA)机制引入YOLOv5s的主干网络,增强模型的方向及位置信息感知,以精准定位出城镇森林交界域火灾起火点;最后以准确度、召回率、平均准确度为评价指标,在自建数据集上进行训练、测试。模拟结果表明：改进的YOLOv5s模型整体性能提升,在城镇森林交界域火灾目标探测中,建筑物火灾平均精确度增加了0.8%,森林火灾则增加了1.3%。     

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。     

基于扩展分形特征的图像型火灾检测

针对火灾检测中存在的不稳定及误判率高的问题,提出一种基于扩展分形特征的图像型火灾检测算法。首先在图像的HSI颜色空间进行火焰疑似区域的分割,然后采用文中提出的扩展分形特征计算方法计算图像扩展分形特征,利用该特征对目标事物对比度和大小尺寸敏感的特性,对火焰区域进行再次分割,得到最后的火焰区域。实验结果表明,该算法运行效率较高、误报率较低,适用于多种场合的火灾检测。     

面向雾天的双先验兴趣区域车道线识别算法研究

为提高浓雾工况下车道线识别的准确率,开发一种基于改进暗通道优先和双先验兴趣区域(ROI)的雾天车道线识别跟踪算法。首先,依据改进暗通道优先算法对雾天图像静态ROI-I进行去雾处理;再按照Scharr滤波器和大津法得到该区域二值化图像,并通过Hough变换精确提取车道线;以此为基准,用Kalman预测器预测下一帧图像中车道线可能出现的动态ROI-II区域;最后采用改进的去雾算法对ROI-II区域去雾,利用B样条插值对该区域车道线进行拟合。结果表明,该算法在薄雾工况下的识别准确率可达99%,在浓雾工况下也能达到96%。     

1种机器人工作区域协同搜索避障巡检策略

为解决工作区域搜索待操作目标的不确定性以及单一策略无法解决障碍物区域多搜索目标遍历与避障的问题，提出1种随机与固定搜索相结合的协同巡检策略。该策略在重点监测点通过引入非线性收敛因子及动态权重策略的改进灰狼优化算法遍历多任务点进行固定路线搜索；在非重点监测区域为差速转向移动机器人赋予三视野扫描线，并运用其灵活转动的特点进行随机路线搜索；通过交互式人工标记的方法定位搜索目标点并对其进行标记，运用改进灰狼优化算法对标记出的多目标点进行遍历顺序规划及D*算法避障到达；通过5个国际通用工程函数仿真测试改进的灰狼优化算法。结果表明:改进的灰狼优化算法能加快收敛速度，增强模型的求解精度，加强算法的稳定性，同时验证随机与固定相结合的区域协同搜索避障巡检策略的有效性。     

深度学习下吊装作业工人防护装备及吊钩检测方法

为解决危大工程中吊装作业安全管理的问题,基于深度学习构建目标检测算法(You Only Look Once version 5,YOLOv5)网络模型,针对进入吊装作业区域内人员的防护装备进行多目标融合检测,并对吊钩在施工过程中的状态进行检测。在原始的检测网络模型中引入4种注意力机制,并通过5种训练模型的结果对比分析,进而选择卷积块注意力模块(Convolutional Block Attention Module, CBAM)最优模型。优化后的检测模型对安全帽的平均识别精度达86.5%,对反光衣的平均识别精度达83.0%,对吊钩的状态识别精度达92.0%。将训练好的人员检测模型和吊钩检测模型打包成exe执行文件,应用到施工安全管理人员的中控平台,可帮助管理人员更好地判断吊装作业的工作情况,进而及时进行风险管控。     

基于自动种子区域生长的火焰分割算法

在存在壁面反射的低照度火灾环境中,传统的火焰分割算法如颜色分割、运动检测等,在进行火焰分割时造成过分割现象,分割的效果不理想,影响后续的火灾正确识别。针对上述问题,提出了一种基于自动种子区域生长(Automatic Seeded Region Growing,ASRG)的火焰分割算法。首先将从火灾视频中获取的火灾图像从RGB颜色空间转换到YCbCr颜色空间,在Y通道中采用较大自适应阈值背景减法将火灾图像二值化,分别将可疑火焰像素点的横坐标和纵坐标按大小进行排序,取排序后的中间值作为种子点,再由原RGB火灾图像转换而成的灰度图像中,以该种子点进行区域生长,最后将区域生长后的火焰分割图像与采用较小自适应阈值背景减法得到的火焰分割图像进行交集处理,得到最终的火焰分割图像。实验表明ASRG算法在存在壁面反射的低照度火灾环境中,火焰分割效果好,有效解决了该环境下的火焰过分割问题,同时在其他火灾环境中也有较好的火焰分割效果。     

基于卷积神经网络的煤泥水外溢检测算法

为解决工厂煤泥水外溢这一难题,提出一种实时监督煤泥水外溢的解决方案。首先,构建基于深度学习的煤泥水外溢视频检测模型,利用卷积神经网络(CNN)提取煤泥水监测图像特征;然后,将提取到的特征代入模型进行训练,通过微调方法,使准确率不断提升;最后,采用相关评价指标评估模型的性能。结果表明：采用基于CNN的煤泥水外溢检测模型相较于传统的检测算法,在各项评价指标上可提高15%以上;在煤泥水外溢的严重程度上也能做出精准判断,各项评价指标均达到90%以上,有助于降低煤泥水外溢状况发生。