基于YOLOv3的电网作业人员安全帽佩戴检测

为了有效监测电网作业人员不规范佩戴安全帽行为,提出1种基于YOLOv3的电网作业现场安全帽佩戴检测方法.针对安全帽佩戴规范性问题,构建正确佩戴、不正确佩戴和未佩戴安全帽3种情况下的图像样本库;并利用该数据库对YOLOv3模型进行训练与测试,结合模型参数、样本比例及算法对比分析,开展电网作业人员安全帽佩戴检测算例.结果表...     

人员安全帽佩戴轻量化检测方法研究

为有效减小安全帽检测算法的计算复杂度,并提高算法对于小目标的检测精度,提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量;设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力,优化对小目标的检测效果;通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比,该方法检测精度有明显提高、模型参数量显著下降,并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征,并自适应调整感受野,可以适应不同形状和尺寸的检测对象,提高检测精度。     

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8000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;...     

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。     

网络攻击检测中的机器学习方法综述

在详细介绍网络攻击检测机器学习原理的基础上,对现有的各种方法进行了评述,并结合网络攻击检测系统的应用需求,阐述了网络攻击检测系统机器学习技术的发展方向。     

基于深度学习的复杂作业场景下安全帽识别研究

为有效预防由于个人防护缺失所造成的事故,着力探究复杂作业情况下施工人员安全帽佩戴情况的智能化识别.提出在Faster R-CNN目标检测算法的基础上,针对小目标的安全帽识别问题通过增加锚点提升检测能力,为解决数据集中类别不平衡问题采用Focal loss替代原本的损失函数,为解决安全帽预测区域不匹配问题,引入ROI A...     

嵌入式智慧工地安全帽检测系统设计与实现

针对施工作业人员不佩戴安全帽的问题,设计了一种基于计算机视觉的嵌入式智慧工地安全帽检测系统并进行了实用性的算法改进,解决了人力检测效率低下、标准不一的问题,同时提升了在目标检测领域小目标检测的精度。介绍了人工和传统算法在安全帽佩戴监管方面的弊端以及嵌入式系统的优势,详细介绍了算法优化的方法以及本系统的实验结果。     

集合智能安全帽的建筑工人施工安全行为绩效考核及激励机制

为实时监控现场工人不安全行为,有效降低建筑事故发生率,实现主动的安全与组织管理模式,结合基于智能安全帽的施工人员不安全行为监测与管理系统,构建了工人安全行为绩效考核模型并设计激励机制。通过在温银施工项目的应用,进行了现场工人安全行为绩效的横向与纵向对比。研究结果表明:依据现场行为进行监控和绩效考核能够有效地改善工人的安全行为,有助于形成施工现场的安全生产竞争氛围,有助于建筑工地的安全管理。     

安全帽冲击吸收检测评估及判别水平建议

测量准确度是测量系统测量质量的重要指标。在安全帽冲击吸收测量过程中,影响测量准确度的因素很多,包括测量仪器、操作程序、测量人员、环境及软件等。由于安全帽的冲击吸收性能测试是破坏性试验,被测样本不能重复使用;     

融合人体关节点的安全帽佩戴检测

针对已有安全帽佩戴检测模型需求样本数据量大、易产生误检的问题,提出一种结合人体关节点检测和Faster R-CNN的安全帽佩戴检测模型;通过OpenPose从图像中定位人体头颈部位置并自动截取其周围小范围的子图像,然后利用Faster R-CNN检测子图像中的安全帽,最后分析安全帽中心点和头颈部节点之间的空间关系,进而判别是否正确佩戴安全帽。结果表明:相比传统目标检测方法,提出的增强检测方法有效降低了误检率,提高了环境适应性,同时,该方法在训练样本量较小时,召回率提高超过20%,准确率提高约10%,很大程度上减少了对训练样本的需求。     

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。     

辐射制冷技术在安全帽上的应用研究*

为缓解夏季配戴安全帽导致的头部高温不适,采用具有光谱选择特性的辐射降温涂料对安全帽表面光学性能进行改性,经光学测试,安全帽的太阳辐射反射率由45%提升至89%,大气窗口发射率由92%提升至95%。对安全帽进行降温效果测试,并基于测试结果建立热力学模型。结果表明:在阳光直射下,改性安全帽内部温度低于普通白色安全帽,温差最大12.2 ℃;在热力学模型中,即使在夏季最热时间段（12∶00～14∶00）,改性安全帽内部温度仍可比普通安全帽低8 ℃,预测平均评价值由普通安全帽的3.5降低至1.0,预测不满意百分比从100%降低至20%。     

基于循证安全管理的行为安全管理模式研究

为解决传统行为安全管理实践中存在的决策信息匮乏、管理结构固化的问题,寻求行为安全管理的新模式。首先,探讨传统模式中各环节存在的缺陷;其次,引入循证安全管理新方法,确定循证视角下的行为安全管理的4个基本要素及3个实施步骤,在此基础上构建循证行为安全管理新模式,划分并定义5级行为安全管理环节;对新模式的特点及要求做扼要阐述,最后以某生产加工企业为例对新模式进行简单应用说明。     

边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

基于多尺度排列熵和极限学习机的风机叶片覆冰故障检测方法*

针对风机叶片结冰故障检测中状态数据维度高和检测率低的问题,提出1种使用功率数据驱动的多尺度排列熵（multiscale permutation entropy,MPE）和极限学习机（extreme learning machine,ELM）的风机叶片结冰故障检测方法。首先,使用多尺度排列熵提取功率数据的多重尺度特征,得到特征向量;随后,采用极限学习机,结合环境温度,对结冰故障进行检测;最后,通过使用某风电场的数据采集与监视控制系统（supervisory control and data acquisition,SCADA）对数据进行仿真。研究结果表明:所提方法的故障检测率达到100％,同时虚警率仅有0.14％,表明所提方法在风机叶片的覆冰故障检测中的有效性。研究结果可为风机叶片覆冰故障检测提供1种有效方法。     

基于机器学习的恐怖袭击事件后果预测方法研究

恐怖袭击事件通常会造成严重的人员伤亡、财产损失和社会影响,针对在不同场景下发生恐怖袭击所造成的后果进行预测是目前应对恐怖袭击事件急需解决的问题之一。利用多源数据,首先基于随机森林算法对恐怖袭击事件是否造成死伤进行分类预测,进而基于岭回归算法预测事件造成的具体死伤人数。研究结果表明:随机森林在测试集上对有死伤事件的召回率达到0.85,岭回归预测死亡和受伤人数的平均绝对误差分别小于1人和2人。研究结果可为反恐资源配置优化、预防恐怖袭击事件和减少其造成的损害提供辅助决策支持。     

基于结构方程模型的地铁乘客安全行为影响因素分析

为了研究地铁乘客安全行为的影响因素,通过对北京、上海、广州、深圳等城市的地铁乘客的多项安全指标的抽样调查,建立了关于乘客安全行为的结构方程模型,研究了影响地铁乘客安全行为的主要因素。结果表明:良好的地铁安全氛围能有效提高乘客的安全知识水平、安全动机、安全心理水平、安全参与行为水平;安全参与行为水平同时受到乘客安全知识水平和乘客接受安全培训状况的影响,其中,乘客安全知识水平的高低取决于乘客接受安全培训状况;安全服从行为则与安全动机存在较强的正相关关系;乘客的安全心理水平只跟地铁安全氛围有关,安全氛围越好,乘客安全心理水平越高,安全知识作为中介变量同时影响着安全氛围与安全参与行为、安全培训与安全参与行为、安全氛围与安全动机以及安全培训与安全动机之间的关系,提高乘客安全知识水平是提高乘客安全行为水平的重要途径。