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。     

林火报警图像中火源点确定方法研究

通过分析早期森林火灾烟雾图像的运动特征,提出了一种基于数字图像处理技术的森林火灾火源点确定方法。通过对早期报警图像RGB模型进行分量提取并各自直方图均衡化,获得了其中烟雾区域和背景区域的灰度特征,进而根据烟雾区域的连通性选用区域生长法则,分割出独立的目标图像,最终使用深度优先搜索算法遍历整个烟雾区域,确定其最低像素点,即火源点,完成林火的自动定位。结果表明,此种定位方法的准确率达到90.8%。     

基于改进水平集算法的锅炉承压视觉预警技术

传统锅炉承压预警技术主要依靠人工巡查发现问题,在检测过程中受工作人员自身操作不稳定因素影响,存在故障预警实时性差、盲点多等问题,达不到相应的预警要求.针对此问题,提出基于改进采用水平集算法的锅炉承压预警技术.利用图像处理技术从图像中分割出锅炉承压关键部件,统计关键部件灰度值,并利用灰度值设定特征图像及初始轮廓,设计采用...     

基于LMD-BA-ELM的边坡变形时序非线性预测模型研究

为分析和预测边坡变形,基于局域均值分解(LMD)、蝙蝠算法(BA)和极限向量机(ELM)的基本原理,建立边坡变形时序非线性预测模型。用LMD法将边坡变形时序样本分解为多组相对平稳的分量;用BA对ELM的参数进行全局寻优,构建BA-ELM预测模型,并对各分量进行滚动预测,经叠加各分量预测值,得到边坡变形最终预测结果。以某露天矿边坡变形实际监测数据为例,进行多模型对比分析。结果表明:LMD-BA-ELM模型预测的平均绝对误差为0.151 0 mm,平均相对误差为1.287 3%,运行时间为7.614 3 s;能够充分挖掘边坡变形的内部规律,有效降低其非线性特征。     

基于视线追踪技术的工艺操作人员人为失误识别研究

为了对生产加工过程中工艺操作人员的不安全行为进行有效监控，及时避免因操作失误带来的工艺安全事故，开展基于视线追踪技术的工艺操作人员人为失误识别研究。通过设计眼动实验方案，利用视线追踪技术采集操作者在工艺流程控制过程中各类失误模式的眼动数据,并对采集的数据进行统计，提取失误行为的眼动特征，并建立人为失误智能识别方法，利用距离函数聚类实现现场操作人员失误状态的准确识别。研究结果表明:以被试样本在不同区域的视线停留时间百分比作为特征参数，并运用欧氏距离函数分类法判别人员操作状态，对操作人员的不安全行为能够准确识别。     

考虑颜色特征最优组合的CART决策树火灾图像识别方法*

针对火灾图像识别过程中颜色特征数量多、特征间相关性复杂、难以在多维特征融合过程中有效融合图像颜色特征等问题,提出1种考虑颜色特征最优组合的CART决策树火灾图像识别方法。首先,在Lab、RGB、HSV 3种色彩模式下基于图像颜色特征提取火灾图像特征序列;其次,分别在3种色彩模式下基于精细决策树与特征随机排列组合方法提取颜色特征中最优组合特征;最后,将提取的火灾图像最优组合特征序列作为CART决策树输入进行模型训练,并通过测试样本以及其他机器学习方法进行模型泛化能力的分析。研究结果表明:本文方法寻找出识别火灾图像的最优颜色特征组合为“Kb1+Var1+Kg+Kb2+Var2+Kh+Ks+Kv”;CART决策树方法对于火灾图像识别的测试准确度可达84.5%,其分类效果明显优于其他决策树类与集成树类方法;9折为最佳交叉验证折数,其测试准确度可达86.47%,与5折交叉验证相比明显提升14.77%。研究结果可为火灾图像识别提供方法基础。     

化学实验室动火实验无人值守行为识别方法研究

为实现化学实验室动火实验无人值守行为的智能化识别,提出基于目标检测算法的识别方法。定义动火实验无人值守行为并设计6组场景模拟方案,通过对3种不同行为模式进行模拟,构建模型训练与验证所需图像数据集,并基于目标检测算法构建化学实验室动火实验无人值守行为识别模型。研究结果表明：融合SimAM注意力机制且使用WIoU损失函数的模型识别精确率达0.996,召回率0.996,mAP@0.5为0.996;泛化能力测试精确率为0.891,召回率为0.783,mAP@0.5为0.821,融合SimAM注意力机制且使用WIoU损失函数后的模型的识别能力和泛化能力均得到明显提升。研究结果可为化学实验室动火实验无人值守行为识别与预警提供技术支撑。     

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。     

基于视野和投影修正技术的车辆纵向安全研究

针对现有机器视觉测距技术存在焦距选择不当,以及由特征点离地间隙造成的纵向测距精确性较低导致纵向预警时刻滞后的问题,提出一种基于视野修正和投影修正技术的用于测量同向行驶且有不可忽视的碰撞风险的2个车辆间纵向距离的方法。采用麋鹿试验分析发散态纵向识别区域模型不足,建立收敛态纵向预警区域模型,结合安全制动距离动力学仿真结果,计算出收敛态纵向预警区域模型对应的稳态成像焦距值,完成视野修正;利用静态参数拟合回归得出纵向误差函数,完成特征点投影修正,实现高精度纵向距离测量。运用靶源板静态试验进行测量验证。结果表明:文中所给方法在30~100m测量范围内的测量精确度平均相对误差低于3.5%,绝对误差小于2.6 m。     

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD-DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0. 096 m3/min,平均相对误差为2. 43%,预测精度有所提高。     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

基于改进GMM算法的林火烟雾识别研究

针对森林火灾烟雾场景光照突变时传统混合高斯模型(GMM)无法适应的问题,提出基于改进GMM的林火烟雾识别算法。通过六足机器人平台上的CCD摄像机读取当前帧图像,与混合高斯模型建立的前一个背景图像作差分得到变化区域,计算二值化后的变化区域中像素值为1的像素点占总像素点的比例,与设定的阈值相比较从而判别森林火灾场景中的光照是否发生突变。若场景内光照发生突变,采用一个较大的更新速率α,保持模型的稳定性;若场景内光照未发生突变,根据不同的情况自适应调整更新速率α的值,保证模型快速收敛。实验表明,改进的GMM算法可检测到场景中相对完整的动态烟雾区域,满足林火烟雾的检测要求,以期为图像处理在森林火灾巡检机器人上的应用和进一步研究提供参考。     

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。     

虚拟仪器技术在神经网络火灾识别模型中的应用研究

为降低火灾自动报警系统的误报、漏报率,基于BP神经网络算法,用LabVIEW虚拟仪器开发了一套智能火灾识别模型。在火灾探测区域内合理布置若干感温探测器,在火灾识别模型中,将探测到的温度场参数作为BP神经网络的输入,火灾发生与否作为输出,并对影响BP神经网络的各项参数和该模型的运行结果进行测试研究。仿真试验结果表明:选取42组训练样本,当网络训练到4 000次左右时,最大相对误差值达到目标值0.1,其中大部分相对误差值达到0.05以下,网络的实际输出值非常逼近样本的理想输出值;实际火灾试验表明:该火灾识别模型能够探测火灾的发生。     

智能视觉视角下DCS高危现场意外状况的识别方法研究

DCS分布式控制系统的高危现场意外状况仅仅以传感信号进行识别,很难保证识别过程的抗干扰性。为解决这一问题,提出基于智能视觉的DCS高危现场意外状况识别方法。采用计算机视觉特征方法采集DCS高危现场视觉图像,对视觉图像实施小波降噪预处理,提取降噪后DCS高危现场视觉图像边缘轮廓特征,根据该特征采用关键点帧扫描技术判断DCS高危现场关键点,完成DCS高危现场意外状况识别。实验结果表明,所提方法能够准确识别DCS高危现场的意外状况,具有效率高、抗干扰性强的优势。     

优化Swin Transformer的塔式起重机销轴安全状态识别算法

为减小塔式起重机运行安全隐患，提高机器视觉检验销轴连接状态的准确率，提出一种优化Swim Transformer的塔式起重机销轴安全状态识别算法；首先通过采集工地现场塔式起重机销轴安全状态图像，创建数据集；其次对数据集中销轴安全状态分类，并进行独热编码；然后基于Swin Transformer算法，建立销轴安全状态的识别模型，构造和优化损失函数；再运用AdamW优化器更新梯度，经过1 000次训练迭代后得到最终模型；最后在所创建的销轴图像数据集上，进行试验验证。结果表明：所提优化算法提高了塔式起重机销轴安全状态识别能力：准确率为99.4%、平均精度为99.4%,平均召回率为99.4%,平均特异度为99.6%,呈现出良好的分类和泛化能力；同时明显优于ShuffleNet、DenseNet和EfficientNet等3种典型算法；与原Swin Transformer算法相比，准确率也提高了3.6%。     

基于烟气脱硫的碱式硫酸铝吸收剂Al3+含量测量试验

为了准确测量碱式硫酸铝溶液中Al3+质量浓度,以PAN为指示剂,用CuSO4标准溶液反滴定EDTA,分析得到4个干扰因素的优化测量条件.结果表明,碱式硫酸铝溶液中Ca2+对Al3+质量浓度测量无干扰,最佳稀释倍数应以待测液稀释后Al3+质量浓度在0.141 ～0.423 g/L为目标确定,EDTA最佳过量程度为50％ ～ 150％,Al3+与EDTA最佳配位应控制pH=3.42～3.91、煮沸3～5 min.误差分析表明,试验平均方法回收率为98.86％,Al3+质量浓度实测值较理论值相对误差范围为-0.47％ ～-0.33％,标准偏差为0.002 g/L,相对标准偏差(RSD)小于1％,试验结果准确可靠、数据稳定.以XO作指示剂、锌盐溶液为标准溶液返滴定对比试验表明,由于受到Al3对指示剂的封闭作用,滴定终点难以判断,实测值较理论值相对误差范围为-2.62％ ～ 3.42％,测量结果平均准确度降低2.156％.     

基于集成算法的工贸企业安全预警系统优化

为了提高工贸企业安全预警预报能力,在构建了工贸企业生产安全预警指标体系的基础上,基于集成算法优化工贸企业安全预警系统.首先,将集成算法中的随机森林(RF)和XGBoost模型进行比较,基于随机森林来优化指标因素.为检验各指标因素之间是否存在相关关系,先用相关系数的方法计算各因素之间的相关程度,然后对其进行显著性检验;其次,在确定各指标因素的相关关系后,采用差分法解决序列相关性的问题;最后,基于差分得出的数据和优化后的指标,运用随机森林模型再次进行模拟,得出优化后预警模型的精度和平均绝对误差.结果 表明,在数据量较小的情况下,一定程度上随机森林的集成效果比XGBoost模型更佳.运用差分法解决各因素相关性问题后得到的数据及用RF优化后的指标因素,使得随机森林的企业安全预警模型精度得到提升,平均绝对误差显著降低.     

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。