基于深度学习算法的叉车危险操作行为检测

随着物流仓储行业快速发展及叉车数量的不断增多，针对叉车作业过程中存在的人员碰撞、挤压、坠落等潜在风险，迫切需要对危险行为进行及时检测和预警。为解决人员值守易漏报误报及传统方法检测精度低的问题，建立基于图像特征识别的叉车检测深度学习模型和算法。通过采集、处理现场视频图像素材，完成模型的训练及性能评价，建立相应的报警规则和报警阈值，搭建测试环境并进行仿真测试，开发相应的软件系统。结果表明:模型检测速率为130 ms/帧，人员靠近叉车准确率为85.6%，叉车举升人员准确率为83.7%，达到良好的实践效果。     

钻井作业典型违章行为视频监控智能分析技术研究

针对钻井现场视频监控人工值守工作量大、存在遗漏、海量视频数据缺乏实时报警等问题,在识别筛选严重事故后果及高概率违章事件的基础上,利用卷积神经网络算法研发视频智能分析技术,开发了钻井视频智能分析与报警系统,研制了配套的便携式视频监控终端及视频分析服务器,对现场直接作业、溢流监测坐岗等过程进行实时行为检测。现场应用表明,该系统可有效识别抽烟、人员离岗等现场典型违章行为,提升了钻井安全管理智能化水平。