基于卷积神经网络的安全标识分类算法研究

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明：当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。     

基于Swin Transformer的弱监督人群计数研究

为降低人群聚集引发安全事故的概率,解决完全监督方法数据标注成本高,而现有弱监督方法性能欠佳的问题,提出一种基于Swin Transformer的弱监督人群计数模型。首先,引入具有全局感受野且能够有效提取语义人群信息的Transformer模型,来应对基于卷积神经网络(CNN)的弱监督人群计数方法感受野有限、性能欠佳的问题;然后,采用具有层级设计并且拥有多尺度、层次化计算图像特征能力的Swin Transformer模型作为主干网络,以加强对不同尺度特征的学习,使模型能够更好地应对人群尺度变化的问题;最后,选择只需要人群数量作为监督信息的弱监督方式进行训练,避免对图像中每个人的头部进行标注这一繁琐易错的工作。结果表明：所提模型在ShanghaiTech Part A、ShanghaiTech Part B、UCF-QNRF数据集上的平均绝对误差依次为66.1、8.7、97.1,均方误差依次为106.2、14.9、165.8,在主流数据集上计数性能较好;该模型的性能优于此前的弱监督方法和部分完全监督方法。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

基于DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题，提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据，利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征，建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果，基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果，再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型，开展风门开闭扰动试验，验证方法的可行性。结果表明：在测试集上的识别准确率较高，对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量，可继续增加方法识别的准确率。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。     

基于关联规则的塔式起重机事故致因网络模型研究

为揭示塔式起重机事故致因机理，由事故调查报告提炼关键要素，运用关联规则方法挖掘致因因素间耦合关系并提取其强关联规则；基于复杂网络理论，构建塔式起重机事故致因网络模型，通过模块度、平均路径长度、节点度及中介中心度分析网络拓扑特性，识别关键节点及其交互机理。结果表明，塔式起重机事故网络具有较明显社团结构，人因和管理层因素与事故连接紧密，存在违规/违章操作、相关专业资质不足及未有效落实安全制度等问题，需对关键节点采取针对性干预控制措施，及时切断风险传播链路，减少事故发生。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

基于Multi-class SVM的车辆换道行为识别模型研究

自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。     

公共场所行人异常行为识别方法综述

为明确公共场所行人异常行为识别理论与技术研究进展,首先,借助中国知网(CNKI)和Web版引文数据库(WOS),给出公共场所行人异常行为广义定义与泛在特征,将常见异常行为划分为危害行为、不合群行为和违规行为3类;其次,从数据和技术基础视域,将现有异常行为识别方法划分为人工设计法、人体骨架法、红绿蓝(RGB)图像法和可穿戴传感器法4类;然后,梳理国内外主流人群异常行为数据集,分析相关算法在数据集上的性能表现;最后,从可用数据集和数据融合检测等方面总结现有研究方法局限性,给出未来研究方向与优化建议。研究结果表明：4类异常行为识别方法各有其优缺点;异常行为识别领域缺乏行为种类丰富、定义清晰、高质量的人群异常行为数据集;未来研究应聚焦稳健性强、准确率高的异常行为识别方法、模型及算法;探索多维数据融合互补检测方法,提升异常行为识别理论成果的应用场景的自洽性和自适应性,提高公共场所人群安全治理水平。     

基于改进Faster R-CNN的铁路客车螺栓检测研究

为确保铁路客车运行安全,提出一种基于快速区域卷积神经网络(Faster R-CNN)目标检测的客车关键部件图像缺陷检测算法,针对算法在小尺度螺栓检测方面存在的问题提出2点改进,首先,结合深度残差网络和Inception网络两者优点替换原VGG16网络,并增加上采样层,解决图像经过卷积网络特征信息流失严重的问题;其次,通过K-means++聚类算法优化区域建议网络(RPN)中锚点的尺寸和比例,提高生成建议区域的精确性,解决缺陷目标定位不准确的问题;最后,用创建的螺栓缺陷数据集进行对比验证。结果表明:改进后的算法检测准确率可达87.4%,相较原算法提高8.9%,且对于多目标缺陷与混淆目标,漏检率与误检率分别降低9.9%和11%。     

基于视频分析的空管员违规行为识别方法*

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型（AR-ResNeXt）,基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

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。     

2016—2020年建筑塔式起重机事故统计分析

为探索我国建筑塔式起重机事故发生规律,采取条形图、柱状图及其他图表等方法对2016—2020年塔式起重机事故进行统计与分析,选取事故方式与原因的分布规律作为数据。通过“2-4”模型对每个事故的原因进行分析,找出近年来发生事故的规律有：塔吊作业过程中发生的事故数占事故总数一半以上;员工安全意识淡薄占70%以上;安全理念不足的越多,事故越容易发生。通过对塔式起重机事故发生规律的研究,为安全管理系统提供准确的保障。     

基于二维图像识别油田违章行为监测技术研究

为了在油田施工作业过程中及时准确地发现施工人员的违章行为，保证油田的安全生产，提出一种基于二维图像识别油田违章行为的监测技术。该技术采用一种目标检测与关键点定位的多任务联合学习算法，提高传统算法的准确率；采用目标属性二次分析的方法识别目标精细情况；采用目标追踪与时序人体行为分析方法实时跟踪人的行为动作。并通过不同场景的2 367例样本的应用显示，识别准确率80%以上，召回率75%以上，表明该技术对一般违章行为识别的准确率较高。     

基于优化Bagging-LSSVM模型的冲击地压预测

为准确预测冲击地压危险性,提出一种优化Bagging算法动态集成的最小二乘支持向量机(LSSVM)的预测模型。在设计和优化Bagging-LSSVM模型流程的基础上,引入经典分类数据集,验证模型的可行性,并通过试验得出实现模型最优分类条件下的基分类模型数的最小值。综合考虑冲击地压的主要影响因素,确定其评判指标;以重庆砚石台煤矿的35组实测数据为试验样本,利用核主成分分析(KPCA)消除指标间的相关性,对比分析样本数据处理前后应用模型的预测效果;比较优化Bagging-LSSVM模型、优化Bagging-SVM模型和LSSVN模型预测冲击地压危险性的准确率。结果表明:经KPCA处理后的样本相较于原始样本,其应用于优化Bagging-LSSVM模型的预测准确率更高,耗时更少;且优化Bagging-LSSVM模型预测冲击地压危险性的准确率高于其他模型。     

基于深度学习的吸烟行为实时检测

为预防在禁烟场所因吸烟引发的火灾事故，提出了一种基于YOLOv5s的改进算法，利用改进算法对摄像头获取的图像进行逐帧检测，实现吸烟行为的实时检测。首先，将转换器(Transformer)引入网络颈部中，增强网络对多尺度目标的检测能力；其次，加入坐标注意力(Coordinate Attention, CA)模块，丰富网络提取的特征图信息，增强特征图信息表达能力；最后，增加一个小目标检测层，提高网络对香烟小目标的检测能力，降低网络对小目标的漏检率。此外，构建了一个多场景下的吸烟行为数据集，并对马赛克(Mosaic)数据增强策略进行改进，改善原有数据增强方式丢失目标的问题。试验结果表明，改进后的算法在精确率、召回率和平均精确率上相比原模型均有所提升，在多目标和小目标场景下的实际检测效果对比原模型有明显改善，同时检测速度满足实时性要求，改进后的模型能够更好地应用于吸烟行为实时检测任务。