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%。     

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。     

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。     

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。     

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。     

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。     

有限元在安全帽设计中的应用

安全帽可以防止高空坠落物对人员头部造成伤害。在材料和工艺一定的前提下,安全帽的结构对发挥安全帽的作用尤为重要。本文首先对安全帽作用机理及使用情况进行分析,指出改善安全帽帽壳缓冲性能有利于更好地发挥安全帽的作用。然后简要介绍ANSYS的建模方案以及网格划分和自由度约束情况,通过对安全帽的ANSYS有限元分析,得出安全帽的变形和应变图,并通过分析安全帽从最低端到顶端的变形和应变情况,指出安全帽在撞击过程中的能力吸收规律,根据分析数据提出建立双层安全帽帽壳的改进方案,并再次通过有限元分析得出变形和应变图,验证了双层安全帽帽壳在缓冲方面更有效果,这种分析结果可以为安全帽帽壳的设计提供参考。     

集合智能安全帽的建筑工人施工安全行为绩效考核及激励机制

为实时监控现场工人不安全行为，有效降低建筑事故发生率，实现主动的安全与组织管理模式，结合基于智能安全帽的施工人员不安全行为监测与管理系统，构建了工人安全行为绩效考核模型并设计激励机制。通过在温银施工项目的应用，进行了现场工人安全行为绩效的横向与纵向对比。研究结果表明:依据现场行为进行监控和绩效考核能够有效地改善工人的安全行为，有助于形成施工现场的安全生产竞争氛围，有助于建筑工地的安全管理。     

辐射制冷技术在安全帽上的应用研究*

为缓解夏季配戴安全帽导致的头部高温不适，采用具有光谱选择特性的辐射降温涂料对安全帽表面光学性能进行改性，经光学测试，安全帽的太阳辐射反射率由45%提升至89%，大气窗口发射率由92%提升至95%。对安全帽进行降温效果测试，并基于测试结果建立热力学模型。结果表明:在阳光直射下，改性安全帽内部温度低于普通白色安全帽，温差最大12.2 ℃；在热力学模型中，即使在夏季最热时间段（12∶00～14∶00），改性安全帽内部温度仍可比普通安全帽低8 ℃，预测平均评价值由普通安全帽的3.5降低至1.0，预测不满意百分比从100%降低至20%。     

工业安全帽抗冲击性能研究*

为研究安全帽安全性与保护性问题,利用落锤冲击实验,对不同材质安全帽吸能率、冲击力峰值进行研究。结果表明:随冲击能量增加,安全帽受冲击力峰值呈指数倍增长,吸能率呈指数倍下降;ABS树脂与玻璃钢材质安全帽头模受冲击力峰值小于HDPE材质安全帽;当冲击能量大于60 J,HDPE材质安全帽丧失保护功能;ABS安全帽能够承受最大冲击力能量值为70 J,玻璃钢安全帽最大承载力高于ＡＢＳ树脂安全帽。研究结果可为安全帽质量设计提供理论依据。     

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。     

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...     

基于自适应局部斥力与归一化面积损失的工程车辆目标检测*

为加强施工场景下的工程车辆安全监管,针对施工场景下工程车辆易互相遮挡、局部特征与全局特征相似以及场景环境复杂的问题,提出一种基于自适应局部斥力与归一化面积损失的工程车辆目标检测算法。其中自适应局部斥力损失可使待检测工程车辆与其他工程车辆目标框相排斥;归一化面积损失使网络学习集中在面积具有相对较大预测误差的工程车辆上;并结合聚类算法设定更适合工程车辆的锚框。研究结果表明:算法可实现在困难场景下对压路机、挖掘机、装载机3类工程车辆的快速准确检测与识别,具有较高的工程应用价值。