基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。     

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。     

日本专家利用人工智能开发新程序使作弊无处可逃

以前,考试作弊一般只能靠监场老师现场抓获来取缔,而日本京都大学日前宣布,其研究小组利用人工智能开发出一款新程序,能够以很高的精度自动发现考试时考生是否偷看,从而使作弊无处可逃。京都大学的研究小组,利用人工智能领域的机器学习技术,并吸收此前的教师监考经验,开发出了这款新程序。该程序能计算参加考试者过去的成绩与考试问题难易度是否匹配、与其他考生答案的重叠程度等,然后将作弊嫌疑低的人逐     

寓教于乐 亲身参与

<正>开展好班组安全活动,对于提高职工安全意识,提升班组安全水平,保证企业安全生产有着重要意义。图为某班组开展视频安全学习活动。(图片由武钢金山店铁矿提供)班组是企业最基本的组织细胞,是企业日常生产活动的主要场所。开展好班组安全活动,对于提高职工安全意识,提升班组安全水平,保证企业安全生产有着重要意义。笔者建议,应从以下几点来丰富班组安全活动的形式,使班组安全活动切实发挥其应有的作用,让班组安全活动更有效。     

基于工作过程的“城镇污水处理厂运行管理”实践课程构建

阐述了基于工作过程构建"城镇污水处理厂运行管理"实践课程的总体思路,通过对工作岗位及工作内容的分析,归纳"城镇污水处理厂运行管理"实践课程的行动领域,完成"城镇污水处理厂运行管理"实践课程从学习领域到学习情境的转换,并简述课程的实施方案。     

基于深度学习的大数据空气污染预报

为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的.本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法.该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能.得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势.因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性.最后,通过实验证明新方法可以提高空气污染预报性能.     

人工智能与专家的故事

人工智能几起几落,一般认为这一轮热潮从2012年开始。这一年,Hinton和他的学生Alex Krizhevsky设计的Alex Net采用深度学习算法,在Image Net图像识别竞赛中获得冠军,图像错误识别率下降10多个百分比,同期的其他神经网络每次的成绩提升很少达到5%,立即引起业界对深度学习的极大关注。之后的两年时间,深度学习网络进一步把整体错误率下降至5%以内,达到了人眼的水平。随后,Google、Micro Soft、Facebook先后开源了自己的深度学习框架Tensorflow、CNTK和Caffe。一时间,国内外涌现了大量的人工智能创业公司。除了深度学习技术,GPU芯片、分布式计算、计算位数压缩等新的优化技术也加快了神经网络的训练和使用效率,人工智能应用从高性能数据中心向嵌入式设备发展。     

高校学生体育运动安全教育与管理探究——评《大学生运动伤病处理与安全研究》

当代高校非常重视大学生的身心健康成长,尤其强调大学生拥有强健的体魄.大学生通过体育运动方式,既可以锻炼身体,还可以调节情绪,让自己有更多的精力以及更好的精神状态去学习和生活.高校配置了大量的体育场地和设施,也开展了诸多的体育项目,大学生也愿意参加体育运动.不过在体育运动中,应高度重视安全教育和安全管理,这是大学生运动安全的保障.     

绿色全要素生产率省际空间学习效应实证

当前中国资源环境约束日益凸显,依靠全要素生产率成为解决这些问题的共识。然而仅仅依靠全要素生产率不能转变生产方式,关键在于区分绿色与非绿色偏向。研究使用中国省际面板数据,运用面板与动态空间面板模型方法,对比分析绿色全要素生产率、绿色"软技术"、绿色"硬技术"的影响机制。研究发现:1依靠全要素生产率驱动发展需要区别绿色与非绿色偏向;2必须注重绿色全要素生产率对绿色发展的作用及其运行机制;3不同偏向的绿色全要素生产率的省际空间学习效应不同;4绿色"软技术"对绿色发展贡献不充分。这就意味着,在当前中国资源环境约束日趋收紧的背景下,要区别绿色与非绿色全要素生产率的不同作用,否则将不能促进生产方式转变,实现绿色可持续发展。推动绿色可持续发展,一方面需要重视提升绿色全要素生产率的作用,另一方面需要重视绿色管理技术等绿色"软技术"对绿色发展的贡献。提升绿色全要素生产率,既要重视研发投入、人力资本投入,又要考虑技术市场、劳动智力结构、劳动者年龄结构的影响。提升绿色"软技术"的贡献率,改善绿色技术效率变动的吸纳能力。通过绿色全要素生产率的省际空间学习效应,实现中国省际区域间绿色可持续协同发展。此外,在引进吸收国外先进绿色技术时,既要重视对绿色"硬技术"的吸收,又要重视对绿色"软技术"的再学习。总之,"打铁还需自身硬",中国要继续鼓励支持绿色"硬技术"自主研发,巩固提升绿色"硬技术"对绿色发展的贡献。