基于YOLOv3的电网作业人员安全帽佩戴检测

为了有效监测电网作业人员不规范佩戴安全帽行为,提出1种基于YOLOv3的电网作业现场安全帽佩戴检测方法。针对安全帽佩戴规范性问题,构建正确佩戴、不正确佩戴和未佩戴安全帽3种情况下的图像样本库;并利用该数据库对YOLOv3模型进行训练与测试,结合模型参数、样本比例及算法对比分析,开展电网作业人员安全帽佩戴检测算例。结果表明:YOLOv3模型检测精度能够达到92.59%,同时模型每秒可检测15张图片,在复杂作业场景下能够实现有效检测,可为避免电网作业人员安全隐患提供技术参考。     

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。     

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。     

基于计算机视觉的高处临边作业安全巡检

为解决建筑施工现场高处作业中安全管理人员巡检工作时存在的危险性高、效率低、识别场景复杂等问题,利用卷积神经网络(CNN)技术,提出一种高处临边安全防护装备的巡检方法,该方法结合计算机视觉,检测高处临边人员安全帽、安全带等安全防护装备的佩戴情况以及防护网是否破损;同时在YOLOv5算法基础上修改注意力模型,并开发轻量化检测软件。结果表明：轻量化后,模型尺寸降低到1.9 MB,相较于修改前减小86.8%。在图形处理器(GPU)运行环境下单帧图片检测时间优化到40～50 ms,相较于修改前减少65%～80%,大幅提高检测速度。     

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KPCA算法的环网柜故障检测方法

为保证供电系统的安全运行,针对智能电网中环网柜故障检测模型精度低,非线性变量泛化能力差等问题,提出了一种基于KPCA算法的环网柜故障检测建模方法。PCA算法是故障检测的常用方法,为了解决非线性问题,使用核函数建立核主元模型提取环网柜系统的非线性冗余信息,通过非线性映射将输入空间映射到特征空间,再计算特征值问题。将构建的KPCA模型应用于环网柜系统故障检测,采集环网柜内的多变量信息和环境变量信息,将变量数据空间分解为2个正交互补子空间,分别在特征空间构造T~2统计量和残差空间构造Q统计量进行监控,实现环网柜系统的故障报警。经过对正常数据和故障数据的仿真实验结果表明,该KPCA算法在准确检测故障的前提下,能够有效降低模型的故障误报率,改善了环网柜故障检测效果。     

煤矿作业人员系统风险知觉能力量化分析

为了定量分析煤矿作业人员风险知觉能力,采用Wickens模型分析风险知觉能力和人因失误作用关系,基于此,结合模糊痕迹理论,提出了基于三角模糊数的信号检测理论,从危险信号辨识敏感性(α)和反应偏好(β)两个指标对煤矿作业人员风险知觉能力进行评价。以某煤矿机电作业人员为例,设计调查问卷,并利用基于三角模糊数的信号检测理论对机电作业人员风险知觉能力进行分析。结果表明,所提出方法可用于评价煤矿井下作业系统中人员的风险知觉能力,能为提升煤矿作业人员风险知觉能力提供参考。     

多作业场景下个体防护装备自动检测研究

为实现对企业作业现场人员个体防护装备(Personal Protective Equipment, PPE)正确穿戴的精准监管，采用YOLOv5模型和单阶段目标检测算法，设计并开发了一种辅助作业现场PPE自动检测与研判的管理系统。通过对某企业工作全流程的调研和分析，明确了存在遮挡物、密集多目标、远距离目标及光照不均匀4类典型的作业场景及检测环境特征。基于不同作业场景下的监控设备完成数据采集，并建立了4种PPE的数据集。通过YOLOv5目标检测模型的训练和测试，融合现有的监控平台，实现了作业过程人员PPE使用情况的动态、快速研判。研究表明，系统对目前企业典型作业场景PPE使用情况的检测平均精确度为99.5%,同时兼顾了检测速度和运行成本，有效提升了企业现场安全管理效能。     

嵌入式智慧工地安全帽检测系统设计与实现

针对施工作业人员不佩戴安全帽的问题,设计了一种基于计算机视觉的嵌入式智慧工地安全帽检测系统并进行了实用性的算法改进,解决了人力检测效率低下、标准不一的问题,同时提升了在目标检测领域小目标检测的精度。介绍了人工和传统算法在安全帽佩戴监管方面的弊端以及嵌入式系统的优势,详细介绍了算法优化的方法以及本系统的实验结果。     

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。     

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。     

基于改进的YOLOv4安全帽佩戴检测研究

为了加强建筑工人佩戴安全帽情况的检测,防止安全事故的发生,提出1种改进的轻量级YOLOv4安全帽佩戴检测算法,用于运行在移动设备端,降低现场部署的条件;制作1个8 000幅图像的数据集,用于训练和评估安全帽检测算法;为了评估改进的YOLOv4的性能,从5个不同建筑工地采集到600张施工人员图像和60条施工视频作为验证集;根据建筑工地不同的视觉条件对图像进行分类,用于验证本文算法在不同外界环境下的性能。结果表明:改进后的模型检测速度是YOLOv4的3.4倍,可用于实时检测施工人员在不同施工现场条件下是否佩戴安全帽的情况,有利于提高安全检查和监督水平。     

基于改进飞蛾扑火算法的应急资源调度研究*

为解决多灾害点应急资源调度问题,构建不同路况下运输消耗成本最低、装车时间最少的多目标应急资源调度模型,基于双自适应因子改进飞蛾扑火算法,克服传统飞蛾扑火算法存在的局部最优而早熟收敛、种群多样性低而全局寻优性能差的问题,提高算法的寻优性能和求解精度,并求解应急资源调度问题,获得各灾害点高效应急资源配置方案。研究结果表明:与经典飞蛾扑火优化（MFO）算法以及基于Levy飞行的飞蛾扑火优化（LMFO）算法相比,基于双自适应因子的改进MFO（DAMFO）算法模型求解精度更高,研究结果可为制定合理高效的应急资源调度方案提供依据。     

1种基于视频的油田危险区域入侵检测智能综合识别技术研究

为解决油田日常生产作业中缺乏危险作业区域的等级划分与自动识别方式以及缺乏人员踏入危险区域的识别方法.提出1种基于视频智能综合识别技术的全天油田危险区域入侵检测算法,该算法首先结合油田危险因素对油田危险区域进行危险等级的划分与危险区域的识别;然后,针对光照条件良好的白天场景,在训练数据集中融合油田作业区视频数据和公开行人...     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

基于深度置信网络的管网泄漏故障诊断方法研究

针对当前管网系统数据量大不利于传统模型方法诊断故障的问题，设计了1种基于深度置信网络的管网故障诊断算法。首先，对管网数据结构以及管网系统运行状态进行分析，选取管网主要数据作为故障诊断网络的输入，确定相应运行状态作为诊断网络输出；其次，设计了基于多个受限制玻尔兹曼机与Softmax分类器级联的深度置信网络，并且利用对比散度算法和BP算法对模型进行预训练与调优，使模型参数达到全局最优；最后，通过实验测试确定所设计的深度置信网络的训练迭代次数与网络层数，使算法诊断准确率达到最优。研究结果表明:提出的基于深度置信网络的管网故障诊断算法对管网故障诊断可以达到良好的诊断结果，泄漏预测准确率在验证集样本上可达96.87%，在管网泄漏检测方面，相较于传统基于模型的方法优势明显。     

基于GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。