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。     

基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

融合人体关节点的安全帽佩戴检测

针对已有安全帽佩戴检测模型需求样本数据量大、易产生误检的问题,提出一种结合人体关节点检测和Faster R-CNN的安全帽佩戴检测模型;通过OpenPose从图像中定位人体头颈部位置并自动截取其周围小范围的子图像,然后利用Faster R-CNN检测子图像中的安全帽,最后分析安全帽中心点和头颈部节点之间的空间关系,进而判别是否正确佩戴安全帽。结果表明:相比传统目标检测方法,提出的增强检测方法有效降低了误检率,提高了环境适应性,同时,该方法在训练样本量较小时,召回率提高超过20%,准确率提高约10%,很大程度上减少了对训练样本的需求。     

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。     

人员安全帽佩戴轻量化检测方法研究

为有效减小安全帽检测算法的计算复杂度，并提高算法对于小目标的检测精度，提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量；设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力，优化对小目标的检测效果；通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比，该方法检测精度有明显提高、模型参数量显著下降，并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征，并自适应调整感受野，可以适应不同形状和尺寸的检测对象，提高检测精度。     

改性涂料安全帽降温性能及热舒适的优越性分析

为探究高温户外作业下改性涂料安全帽在我国不同地区的隔热降温效果差异，本文采用Fluent数值仿真技术结合我国4个不同地区(北京、广州、南京、西藏)的太阳辐射特性，对比研究了改性安全帽和普通安全帽的降温性能及热舒适性差异。结果表明：改性安全帽相比普通安全帽可使帽体表面温度降低10℃左右，同时帽内外部温差降低3～4℃，说明改性安全帽能够有效降低太阳辐射得热；对于4个不同地区，改性安全帽相比普通安全帽的帽内温度可降低5～7℃，并且当太阳辐射量大于1 200 W/m²时，改性安全帽的降温性能愈发显著。进一步研究发现，相比佩戴普通安全帽，佩戴改性安全帽可使人体TEQ指数降低7.6%～9.6%，说明佩戴改性安全帽能够扩大作业者可从事体力劳动的工作范围，可提高户外安全帽佩戴者的热舒适性。     

从管理人员不会戴安全帽说起

这不是笑话,而是一个真实的事,一次下车间劳动,见到安监科的同志教一名“老机关”怎样佩戴安全帽,联想到一些管理人员平时拿安全帽当摆设的现象,不由得想议论上几句。 安全帽的佩戴是有一定要求的,其保护作用与能否正确佩戴有直接关系的道理也是很明显的。按要求佩戴,安全帽才能在关键时刻保安全,反之,其保护作用就会大打折扣。因此,安全帽佩戴得不正确,表现出随意性,实质是拿着安全当儿戏。说它是安全工作中的一个薄弱点,或者是安全观念不强的一个反映,或者是自我安全保护意识不强的一种流露,都不为过份。     

北京市琉璃河劳保用品厂

北京市琉璃河劳保用品厂是生产安全帽的专业厂家，已通过ISO9001：2000国际质量体系认证，其中，维尼纶玻璃钢安全帽是我厂的专利产品，其是以不饱和聚酯树脂和维尼纶丝为原料，采用先进的生产技术和严格的检测手段精心制作而成，专利号：ZL99256868．4。此工艺在国内外均处领先地位．目前我厂是国内一家以维尼纶丝为原料生产安全帽的专业厂家。该产品不但具有传统安全帽的优点，而且在安全帽原料选择上实现了飞跃。取代了以玻璃丝为原料的安全帽的生产工艺。攻克了安全帽在佩戴时．由于玻璃丝引起的过敏反应的难题。     

进行汽车修理作业时是否需戴安全帽？

编辑同志：请问，进行汽车修理作业时是否需戴安全帽？国家对此有无相关规定？周洪臣先生：来函收悉。进行汽车修理作业是否需戴安全帽，应根据企业的具体情况来决定。如果是生产汽车的企业，在车间中工作时，工人必须佩戴安全帽。属于这一类企业的维修工人，应按企业规定，佩戴安全帽。     

基于作业环境分析的矿用安全帽改善研究

以煤矿洗选车间为调查对象,使用噪声仪、温湿度仪、粉尘仪等设备对工人的作业环境进行现场测量评价,采用问卷法对作业人员劳动防护用品的佩戴和使用行为进行了调查,分析了劳动防护用品使用中存在的主要问题,应用工业工程改善设计原则,设计出一种集耳塞、口罩、安全帽于一体的多功能安全帽,并进行了佩戴测试。结果表明,该安全帽对煤矿安全行为管理和工人的职业健康改善都具有一定的促进作用。     

创新生产和服务让安全帽显示个性和风采

作为头部防护用品的安全帽,在各类作业场所的使用是十分普遍的。多年来,在人们的印象中,安全帽的变化不大,科技含量也不高,因此,一些质次价廉的产品充斥在高风险的作业工地上,还有的一些安全帽,因为佩戴不舒服,又导致作业者不按要求佩戴等等。作为安全帽的生产者,能否在这一产品的生产和服务中有所作为,展示个性?近几年来,北京慧缘有限     

一种分离式可降温安全帽设计

为了解决高温作业环境下安全帽内部微环境积热严重问题,运用ANSYS软件模拟分析了安全帽内部微环境积热的空间和时间分布情况。基于模拟结果,设计了一款分离式可降温安全帽,其由帽体、喷嘴、风管、风机和开关组成。在高温高湿环境下,模拟人员分别佩戴在帽衬带上装有温度传感器的普通安全帽和分离式可降温安全帽进行剧烈运动模拟高温作业人员高强度劳动,记录其温度变化。结果表明:分离式可降温安全帽有良好的降温效果,同时具有不破坏安全帽的结构和强度,几乎不增加安全帽重量,无噪声、无电磁辐射,拆装简便等优点。     

谈谈安全帽

安全帽在保护劳动者头部在生产作业中免受损伤或减轻伤害方面,发挥了相当有效的作用。许多企业中工人都称安全帽为救命帽;建筑部门把它作为安全生产三宝之一,并规定进入作业场所必须佩戴。 在国外,工业管理比较先进的国家都明确规定:上至厂长,下至任何工作人员,只要进入厂区,都必须佩戴安全帽,而且对不同职务的人员,在其安全帽上,都做有明显的不同标记,以便于指挥。国外安全帽的品种很多,除一般工业用和军用外,还有乘车用安全帽(保护摩托车驾驶员和乘员)、电业专用安全帽、消防安全帽、运动防护帽(爬山、骑马、赛车等)。此外,国外还生产一些…     

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。     

YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究*

为防止煤矿工人吸入过量粉尘而导致职业性尘肺病,基于Keras框架利用YOLOv4 (you only look once)目标检测算法对井下人员佩戴防尘口罩情况进行高精度且快速的检测与识别,并与MTCNN(Multi-task convolutional neural network)和FaceNet构成的人脸识别算法相结合,进行煤矿工人口罩佩戴监测的研究。结果表明:模型对井下人员口罩佩戴有较高的检测精度,识别已佩戴口罩的矿井下作业人员的平均精度达到92.78%,识别未佩戴防尘口罩检测的平均精度为91.63%,与其他主流算法相比算法具有更好的鲁棒性和检测效果。研究结果为预防煤矿工人职业性尘肺病提供1种有效的技术手段。     

一种新型的嵌入式智能图像传感器设计

提出并设计一种新型的嵌入式智能图像传感器,该传感器具备一定的室外场景(主要为道路和公共场所)状态感知能力,适用于分布式智能视频监控系统.本文采用基于统计学习的方法实现了运动前景图像检测和阴影消除,并在此基础上完成运动目标行为分析,实现了关键区域保护、监控目标移动检测以及镜头遮挡保护等智能视频监控功能.本文所设计的视觉分析算法适用于复杂的室外环境,适合于实时计算.在算法的实现中充分利用了该嵌入式智能图像传感器硬件设计的优点,在实验中取得了良好的效果.     

完善安全帽防护功能

<正>在高处作业中,容易发生高处坠落、物体击打等事故。许多人认为,正确佩戴了安全帽后,在遭遇物体击打时,安全帽能有效地吸收能量,从而能够保护高处作业人员的头部安全,就万事大吉了。但是,在高处作业时,作业人员的头部经常上仰或左右倾斜,而许多高处坠落物体并不能每次都准确无误地砸中安全帽的顶部,而普通安全帽的侧面并不能提供足够的防护能力,可能会导致一些事故的发生。因此,针对高处作业人员使用的安全帽,增加一些特殊的检测标准,对保护高处作业人员的头部安