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。     

建筑工人个体安全能力影响因素效用量化研究

为加强对工人不安全行为的管理,保障建筑施工安全,利用结构方程模型(SEM)建模方法研究建筑工人个体安全能力与影响因素间的效用关系。从个体特质和工作环境2方面进行分析,得到技能素质、心理状态、生理状态等16个影响因素。以工作环境的8个影响因素作为外源潜伏变量,其余8个影响因素作为内生潜伏变量,构建建筑工人个体安全能力SEM。利用问卷调查所得数据对模型进行拟合与修正,实现影响因素效用的客观量化。研究结果表明:建筑工人的个体安全能力主要取决于其技能素质;工作环境中,效用最大的因素是施工现场的安全资源配备;当前建筑行业的安全培训与安全文化建设工作还有待进一步开展。     

基于YOLO-V3算法的加油站不安全行为检测

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明：引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。     

情绪对建筑工人不安全行为影响的认知试验

为深入解析情绪对不安全行为的影响作用机制，探究情绪控制视角下的不安全行为矫正方法。从信息认知过程入手，结合眼动追踪技术和情绪唤醒方法，基于个体信息认知模型，设计情绪对建筑工人不安全行为的影响试验，通过测量不同情绪状态下工人的注意力分配、隐患识别和风险倾向，采用眼动热点图和方差分析(ANOVA),探究情绪在信息认知加工过程中对建筑工人不安全行为的具体影响。研究结果表明：在认知过程的信息获取阶段，正性情绪能够促进工人对现场危险的感知活动，而在信息分析阶段，正性情绪比负性情绪的工人具有更为显著的不安全行为倾向；基于个体信息认知的情绪不安全行为模型，正性情绪状态下的建筑工人更倾向于有意不安全行为，而负性情绪状态下的建筑工人则更倾向于无意不安全行为。建议施工企业应根据工人的情绪状态采取针对性的不安全行为管控措施，提高现场安全管理效率。     

建筑工人不安全行为发生机理研究

为梳理建筑工人不安全行为发生机理,对相关文献资料进行分析,基于建筑工人个体视角确定相关影响因素并构建不安全行为发生机理理论模型。结合现场访谈对模型进行修正后,采用结构方程模型处理问卷数据并对假设进行验证,最终确定建筑工人不安全行为发生机理。结果显示:安全认知与安全能力对建筑工人不安全行为影响关系显著,安全意识对建筑工人不安全行为影响关系不显著,且安全能力的影响程度要高于安全认知。     

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。     

基于CNN的3D姿势估计在建筑工人行为分析中的应用

为实现建筑工人现场行为的自动化分析,采用卷积神经网络(CNN)检测3D人体姿势并根据现场条件对连续图像进行姿态估计;考虑到动态和杂乱的施工现场环境(部分遮挡等)及多变的工人行为,开发建筑工人姿势图像数据集,从定性和定量2方面综合测试算法性能;将所提出的方法用于施工作业姿势风险评估,利用视频中工人的3D姿势驱动人体生物力学模型,快速、定量计算工人作业时易损伤的部位。结果表明:该人体姿势估计方法具有较好的鲁棒性和较高的准确性,结合生物力学模型可实现更精细的工人行为分析与评估。     

基于生理指标的建筑工人攀登作业疲劳实验研究*

为研究攀登作业建筑工人生理疲劳状态的评测指标,提出1种基于生理指标的建筑工人攀登作业疲劳测度实验方法。首先,设计实验测量建筑工人的心率、皮肤温度、舒张压、收缩压4项生理指标,结合Brog’s RPE主观疲劳程度量表研究建筑工人生理疲劳的变化;其次,提取上述4项指标的平均值和标准差作为生理指标特征值,利用静息状态下生理指标特征值和疲劳状态下生理指标特征值进行方差分析、球形检验、T检验筛选出与疲劳相关的特征值;最后,利用支持向量机构建疲劳检测模型。研究结果表明:上述8项生理指标特征值与攀登作业工人疲劳具有显著相关性,疲劳检测模型的准确率为96.875%,研究结果可对攀登作业人员疲劳评估和疲劳预警具有实践性意义。     

煤矿岗前人员不安全状态智能检测系统研究*—以红柳林煤矿为例

为从根本上降低煤矿从业人员实施不安全行为的概率,在充分考虑煤矿从业人员不安全个体状态是诱发其不安全行为的主要原因的基础上,设计开发一套矿工不安全状态智能检测系统。首先,对2007—2022年期间各高危行业安全事故调查报告和专家研究进行归纳,总结得出煤矿从业人员不安全状态的影响因素,构建包括生理状态、心理状态以及个体能力状态在内的3个一级指标和15个二级指标体系;其次,通过相应的表征模型对不安全状态影响因素进行深入剖析;最后,基于构建的从业人员不安全状态倾向数据库,建立煤矿岗前不安全状态智能检测系统。研究结果表明:在下井工作前对从业人员个体状态进行智能检测,能够实现矿工不安全状态“早发现、早干预”,能够有效地降低人因事故发生率,研究结果对煤炭行业安全管理具有重要的参考价值。     

基于Faster R-CNN的海底管道智能检测方法

为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信号的关键特征;其次,基于多模态数据增强来提升检测模型的泛化能力;然后,基于多模态数据增强后的样本训练改进的Faster R-CNN网络,建立最优的智能检测模型;最后,以试验场和渤海在役管道为例,验证所提方法的有效性。结果表明：所提方法的平均检测精度可达93.8%,相较原始的Faster R-CNN算法提高8%,且平均交并比达到0.75,能够精准地实现海底油气管道多目标检测,保障海底管道的安全运行。     

建筑施工安全类群管理模式研究——基于潜在类别模型

为了弥补现存"普适化"管理模式无法适应个性凸显的施工人力环境的缺陷,提出应充分考量个体特征差异建立类群管理模式(Group Management Model,GMM)。首先,整理归纳相关文献,确定了建筑工人个体素质测评指标及测量量表;然后,利用潜在类别分析方法对收集到的486份有效数据进行统计归类,将建筑工人归纳为"认知缺陷型"、"明知故犯型"和"优质型"3个类群,比例分别为40.96%、36.72%和22.32%。最后,就不同类群的建筑工人提取其潜在特征并进行详细的特征分析并据此制定针对性的管理措施,可为实现施工安全的精细化管理目标、提高制度的有效性和管理效率、降低管理成本提供科学的理论支撑。     

非正式群体安全氛围对建筑工人安全行为的影响

为探索建筑行业非正式群体安全氛围对建筑工人行为的影响，基于已有文献，结合人际关系理论和群体动力学理论，构建非正式群体安全氛围与建筑工人安全行为的影响机制模型。通过问卷回收和筛选，得到有效问卷465份，并采用结构方程模型(SEM)和Bootstrap法进行实证研究和假设检验。结果表明：非正式群体安全氛围显著正向影响建筑工人安全行为；非正式群体自发形成的行为规范以及建筑工人的个体行为意向在非正式群体安全氛围与建筑工人安全行为之间发挥显著中介作用。从结果来看，要想降低建筑行业事故率，对于在建筑行业中所形成的非正式群体因素不容忽视，且应该时刻关注建筑行业中的非正式群体行为规范，并积极引导非正式向正式靠拢，改变建筑工人个体不正确的行为意向，才能进一步减少建筑行业安全事故的发生。     

基于班组安全氛围的建筑工人不安全行为预测

为拓展安全氛围在施工安全管理中的应用,提高建筑工人不安全行为可预测性,提出一种基于班组安全氛围预测建筑工人不安全行为的方法。通过文献研究获取班组安全氛围7个维度,并将其作为输入构建人工神经网络模型,利用问卷数据对模型进行训练、测试与仿真,最后通过实际案例验证模型实用性。研究结果表明:模型均方误差为0.015 4,目标输出与预测输出相关系数R大于0.9,该模型可有效用于建筑工人不安全行为预测,并在实际工程案例中准确识别出3个不安全行为因素。     

基于CNN的化工园区火灾火焰图像识别研究

为及时发现化工园区火灾事故,降低事故损失,利用卷积神经网络(CNN)建立化工园区火灾实时检测系统。基于CNN-YOLOv5算法训练化工园区火灾数据集和普通火灾数据集,分析对比2个数据集的损失值、召回率、精度和类别平均精度。其中,化工园区火灾数据集的损失值和召回率略低,但精度和类别平均精度高于普通火灾数据集,证明通过CNN检测化工园区火灾的可行性。结果表明：基于火灾检测结果,借助PyQt5程序框架设计化工园区火焰图像识别软件系统,可实现对化工园区火灾火焰图像和视频的识别应用,扩大该方法适用范围。基于CNN的YOLOv5目标检测算法可以实时检测化工园区火灾,其检测方法具有便携性、检测结果具有可靠性,可提高化工园区的安全管理水平。     

基于TNPE的智能电网虚假数据注入攻击检测*

为实现智能电网中虚假数据注入攻击的实时检测,提高电力系统运行的安全性,采用1种基于时序近邻保持嵌入的方法,对正常状态下采集到的电网历史量测数据建立离线模型,得到T2统计限,将实时数据通过模型获得的T2统计量与离线模型的统计限进行对比,若超过统计限,则说明存在虚假数据注入攻击。该方法在提取局部空间结构特征的基础上,可同时获得与时间相关的动态特征。在IEEE30节点测试系统上进行仿真实验,并与ICA,PCA,NPE方法进行比较。结果表明:所提方法有高达100%的检测率,且有较低的误报率,能够有效应用在虚假数据注入攻击的检测中。     

基于突变理论的建筑工人不安全行为研究

为有效减少建筑工人的不安全行为,在分析不安全行为各影响因素的基础上,结合不安全行为形成机理图,从突变理论的全新视角构建建筑工人不安全行为尖点突变模型,验证了该模型诠释建筑工人不安全行为形成规律的合理性,并利用该模型对建筑工人不安全行为形成过程进行分析,解释建筑工人在个体心理和准环境因素交互作用下行为的渐变-突变过程。最后提出了建筑工人不安全行为的防御措施、靶向干预点和补救策略。     

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。     

人机协作中安全手套佩戴检测的模式识别研究

为了更有效、智能地解决人机协作中的安全问题,以人手安全作为人机协作安全的代表,提出了一种基于模式识别技术的人机协作人手安全检测模型。人机协作中,安全手套对于人手保护不可或缺。模型首先通过机器对人手图像获取、人手特征提取形成人手状态训练集,再利用支持向量机训练形成人手安全分类器,以达到智能地判断人机协作中人手是否戴安全手套。选取人机协作现场照片为样本源,采集工人不安全行为场景数据,验证应用基于模式识别的方法智能检测人机协作中工人佩戴是否安全手套的可行性。实例验证结果表明,人手安全分类器可以有效地判断人手的安全状态并能及时控制机器,准确率达到96. 12%。     

建筑工人安全态度及其影响因素研究

为研究建筑工人安全态度及其影响因素,基于学术界广泛接受的态度定义,分析建筑工人安全态度内涵,在此基础上,编制安全态度测量表并对100名建筑工人进行问卷调查,其结果证明所编量表有效;基于已有研究成果,将安全态度影响因素分为个人、作业岗位和管理3个方面,包括年龄、性别、工作年限等34个影响因素,用相关性分析和主成分分析方法,找出安全态度的主要影响因素,并构建建筑工人安全态度综合影响因素模型。结果表明,工作年限、薪酬福利和合同类型等15个因素对安全态度影响作用显著;对于个体、作业岗位和管理3方面综合影响因素,对安全态度影响最大的是管理综合影响因素。     

不安全行为信息在建筑工人群体中的传染机制

为探究不安全行为信息在建筑工人群体中的传染路径与影响效应,根据社会信息加工理论、计划行为理论和社会传染理论,在文献研究的基础上,通过理论假设,构建以工友不安全行为信息为自变量,以行为态度、主观规范和感知行为控制3种行为认知因素,以及不安全行为意向为中介变量的建筑工人不安全行为信息传染机制理论模型。通过开发测量量表、编制调查问卷收集数据,基于271个有效样本,利用验证性因子分析与结构方程模型建模分析方法实证检验理论模型。研究结果表明：工友有意不安全行为和工友不安全沟通行为通过6条传染路径诱发新的不安全行为;相较于工友不安全沟通行为,工友有意不安全行为作为传染源时的传染效应更强;管理者通过控制传染信息源和弱化传染媒介可有效抑制不安全行为信息在建筑工人群体中的传染效应。