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。     

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

基于YOLOv5s的外脚手架隐患智能动态检测

针对脚手架工程隐患人工巡检效率低、实时排查难的问题,提出一种基于深度学习的隐患实时检测方法。利用添加噪声、随机裁剪等数据增强方式扩充数据集,提高模型在复杂环境下的鲁棒性;基于YOLOv5s目标检测算法建立脚手架工程隐患图像识别模型并进行训练测试,与YOLOv4、Faster R-CNN进行对比,验证模型的有效性。结果表明,在脚手架工程隐患检测任务上,YOLOv5s模型的均值平均精度达到92.23%,较YOLOv4提升8.11百分点;检测速度达到97.01帧/s,较Faster R-CNN提升5倍。轻量的YOLOv5s网络模型适合部署于嵌入式智能监控中,实时采集现场数据并进行隐患分类识别,有效缩短隐患发现时间,研究结果可为脚手架工程监控预警平台提供研究基础。     

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。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

基于多标准和改进Siamese网络的相似航班号判断方法研究*

为了合理区分和有效识别不同航班号,首先提出基于多标准的判断准则,使用主成分分析法量化得到统一的相似度;其次建立改进的Siamese网络模型,获得文本的语义信息;最后采用文本之间的Jaro-Winkler距离客观修正网络对比损失函数,综合网络输出判定2个航班号的相似情况。研究结果表明:多标准准则判定方法速度快且通用性强,改进后的Siamese网络虽受到训练样本的直接影响,但收敛速度明显提高,识别率比原网络平均提高约2.7%,比多标准判断准则提高约3%。研究结果可为相似航班号识别与预警提供理论依据。     

考虑网络韧性的城市轨道交通故障恢复研究

为提升城市轨道交通的可靠性,提出一种基于区间修复的城市轨道交通故障恢复策略;以网络平均效率度量网络韧性性能函数,按不同折返区段分段处理失效线路,构建以网络韧性损失和恢复总时长最小为目标的城市轨道交通故障恢复模型,设计NSGA-Ⅱ算法求解模型;并以成都地铁网络为例,探讨环线失效和放射线失效2种场景下列车运行交路调整对网络恢复决策及网络恢复性能的影响。结果表明：提出的故障恢复方法能有效避免站点修复完成后仍需长时间等待其他站点修复完成才能接入线网运营的情况,考虑列车运行交路调整恢复方案的韧性损失比不考虑运行交路调整时减少28.3%;是否考虑列车运行交路调整对网络环线线路的故障恢复决策影响较大,对外围放射区域线路的故障恢复决策影响较小。     

视频中异常行为自动检测技术研究

为提升计算机对视频中异常行为的识别、判断能力，提供及时发现异常行为并阻止其造成更大损失的可能性，本文提出2种基于视觉低层特征设计的异常行为检测技术，利用混合高斯模型和区域像素灰度值判断运动目标是否进入危险高度，进而达到对攀高的检测；利用光流—聚类法和目标跟踪法实现初步、精确判断是否存在逆行行为。攀高实验中选取2个不同场景下的视频，逆行实验选取室外复杂环境中拍摄的视频进行检测，检测结果显示：攀高检测中，无误检；逆行检测中相较于传统光流法，误检率明显降低。     

铁路事故持续时长预测背景下的影响因素分析

为提高铁路事故持续时长预测能力及行车调度指挥水平,选取2006—2015年中国铁路事故报告数据为研究对象,根据事故持续时长特征,首先利用焦点损失(FL)和双向门控神经网络(BiGRU)的分类模型(FL-BiGRU)对事故直接致因进行分类;然后应用统计学方法最大信息系数进行相关性分析,得到与持续时长相关的前8个因素并选其作为预测指标;最后利用5种机器学习算法建立事故持续时长预测模型以验证相关性分析进行因子集筛选的合理性。结果表明:FL-BiGRU分类模型精确度达到94%;最大信息系数构建的预测指标体系能够显著提高预测模型的准确度,其中卡方检测决策树(CHAID)模型较其他模型预测性能最佳,准确度为79%;在实际工作中可用于辅助调度工作。     

基于APRIORI-TAN的交通事故伤害分析与预测*

为探究道路交通事故因素和事故伤害的相关性,以2 467起涉及人员伤亡的交通事故为数据集,运用Apriori算法分别挖掘事故伤害关联规则,并结合社会网络分析的可视化和核心-边缘分析构建受伤事故和死亡事故的关联规则网络。结果表明:事故伤害程度与事故时间、道路条件和交通环境等因素关系紧密,尤其死亡事故与碰撞固定物、人行横道事故、高速公路、高速道路、非市区、酒驾和超速存在高相关性。基于树型贝叶斯网络（TAN）构建事故伤害程度的预测模型,预测结果准确率可达87.56%。     

基于信息加工模型的管制员差错分类与分析

在Wickens的人类信息加工模型的基础上,加入注意功能、情景意识、内部和外部操作成形因素,建立了管制员信息处理模型。按照该模型,空中交通管制人为差错可按照认知领域分为感知与警觉性差错、短时记忆差错、长时记忆差错、判断与计划差错、响应选择差错和响应执行差错;影响管制员操作的情境条件可分为外部操作成形因素和内部操作成形因素。对以往空管人为差错的分析表明,在信息加工层面分类的人为差错更宜于确定差错的心理致因。基于该理论模型的差错分类系统可以改进人为差错分析的有效性和一致性,从而提高差错管理的有效性。     

基于粗神经网络的管制员工作差错风险预警模型

针对空中交通管制员工作差错风险类型,指出指标体系建构过程的动态性特征,从个人、团队、设备、环境及管理几个方面,建构预警指标体系,运用粗糙集在数据挖掘方面的优势,通过基于属性重要度的启发式约简算法,提取关键指标,剔除冗余指标,可以实现在不丢失关键预警监控对象的情况下,结合BP人工神经网络构建实时预警模型,既有利于加快运算速度,又有利于进行重点监控.经过实例仿真,粗糙集与BP网络结合建构的预警模型,能有效针对管制员工作差错风险进行实时预警监控.     

Errors of perception in air traffic control

Accurate and timely perception of visual and auditory information by air traffic controllers is critical to aviation safety. The aim of this research was to investigate the types of errors of perception that occur in air traffic control (ATC). The data were gathered from interviews with 28 UK area controllers and a review of 48 area and terminal control incidents involving loss of separation in the UK spanning three years. The data gave rise to a set of classifications, which form part of the technique for the retrospective analysis of human error (TRACEr). The results are discussed in terms of theory and empirical research. Key main implications for future automation are outlined, in terms of display design, automation reliability and the operation of multiple tools designed and developed separately.     

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。     

Estimation of air traffic longitudinal conflict probability based on the reaction time of controllers

To estimate air traffic longitudinal conflict probability influenced by human factors, an analytic model considering the reaction time of controllers is proposed. In the model, the decelerating process of two close flights is described, and the reaction time of controllers is considered a stochastic variable. Then one hundred data of the controller reaction time are collected and analysed. Maximum likelihood estimate is used for parameter estimation. The Anderson–Darling Goodness of Fit test is used for significance test. The results show that the reaction time of controllers fits lognormal distribution at levels of significance 0.05, 0.025, 0.01 and 0.005 respectively. Case study is then performed to certify the rationality of the model, and the impact of the controller reaction time on air traffic longitudinal conflict probability is shown.     

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...     

基于深度学习的污染场地作业人员着装规范性检测

为解决污染场地修复作业中缺乏统一的人员安全保障管理措施以及人工监管困难的问题，结合HSE理念提出1种基于优化Faster R-CNN的作业人员着装规范性检测算法。该方法在回归损失函数中引入L2正则项，既保证模型的泛化能力，又提高深层网络模型收敛速度。基于自建着装规范数据集（Dress Code Dataset）进行实验，评价算法检测时间和mAP等指标。结果表明:所提出的着装规范性检测算法检测时间为44 ms，mAP为88.17%，解决了传统检测算法中实时性和准确率低的问题，且模型具有更好的泛化性和鲁棒性。     

基于二元特征的断面交通数据异常检测与修正

为了确保交通数据的准确性以及为后续研究提供数据质量保障。提取断面交通数据的两元特征向量速度与流量,采用多元高斯模型拟合两元特征概率密度分布,并利用matlab训练模型,对测试数据集进行异常检测;针对检测出的异常数据点,引入小时窗口,建立修正数据集。随后在各修正窗口内采用波动性处理优化的灰色马尔可夫模型,对上述异常点进行修正。以汕昆高速K2077断面为例,对其采集数据进行模拟计算及分析,结果表明:多元高斯模型对断面交通数据的二元特征拟合效果良好,异常检测作用突出;引入修正窗口简化了数据修正的运算过程,避免了大量历史数据冗余使用;波动性处理优化弥补了灰色马尔可夫模型针对随机性数据性能下降的缺陷,大幅提升了数据修正的准确率。