基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

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。     

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。     

完善安全帽防护功能

<正>在高处作业中,容易发生高处坠落、物体击打等事故。许多人认为,正确佩戴了安全帽后,在遭遇物体击打时,安全帽能有效地吸收能量,从而能够保护高处作业人员的头部安全,就万事大吉了。但是,在高处作业时,作业人员的头部经常上仰或左右倾斜,而许多高处坠落物体并不能每次都准确无误地砸中安全帽的顶部,而普通安全帽的侧面并不能提供足够的防护能力,可能会导致一些事故的发生。因此,针对高处作业人员使用的安全帽,增加一些特殊的检测标准,对保护高处作业人员的头部安     

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。     

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。     

基于计算机视觉的高处临边作业安全巡检

为解决建筑施工现场高处作业中安全管理人员巡检工作时存在的危险性高、效率低、识别场景复杂等问题,利用卷积神经网络(CNN)技术,提出一种高处临边安全防护装备的巡检方法,该方法结合计算机视觉,检测高处临边人员安全帽、安全带等安全防护装备的佩戴情况以及防护网是否破损;同时在YOLOv5算法基础上修改注意力模型,并开发轻量化检测软件。结果表明：轻量化后,模型尺寸降低到1.9 MB,相较于修改前减小86.8%。在图形处理器(GPU)运行环境下单帧图片检测时间优化到40～50 ms,相较于修改前减少65%～80%,大幅提高检测速度。     

高坠事故的预防

落实“三宝”防护措施安全帽、安全带、安全网是建筑行业广大职工公认的安全“三宝”,挽救过千万职工的生命,必须正确使用。1.进入施工现场的人员必须戴安全帽。一是安全帽必须符合国家标准;二是要正确佩戴,尤其是要系好帽带,防止脱落,使其在高处坠落或物体打击时起到保护作用。2.高处作业人员必须系好安全带。凡在2m 以上高处作业,必须系好合格的安全带,有的高处作业点没有挂安全带的条件时,施工负责人应为工人设置挂安全带的安全拉绳、安全栏杆等,并     

YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究*

为防止煤矿工人吸入过量粉尘而导致职业性尘肺病,基于Keras框架利用YOLOv4 (you only look once)目标检测算法对井下人员佩戴防尘口罩情况进行高精度且快速的检测与识别,并与MTCNN(Multi-task convolutional neural network)和FaceNet构成的人脸识别算法相结合,进行煤矿工人口罩佩戴监测的研究。结果表明:模型对井下人员口罩佩戴有较高的检测精度,识别已佩戴口罩的矿井下作业人员的平均精度达到92.78%,识别未佩戴防尘口罩检测的平均精度为91.63%,与其他主流算法相比算法具有更好的鲁棒性和检测效果。研究结果为预防煤矿工人职业性尘肺病提供1种有效的技术手段。     

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。     

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%。     

基于改进PWM控制的电网运行安全调制策略研究*

为了提高电网运行抗负载扰动能力和空载能力,提出基于改进PWM控制的电网运行安全调制策略。首先,分析电网不平衡的实际情况,再采用三相PWM整流器负序电压不平衡控制策略,获取电网不对称时PWM整流器不平衡单周控制数学模型,保障电网电压滤除零序电压后的分量;利用改进功率平衡控制策略,在原有控制算法上加入负载电流前馈,解决采样延时对电流内环的响应速度造成影响导致的控制性能不佳,优化控制结果,实现电网运行安全调制。研究结果表明:所研究策略能够实现电网电压不平衡状态下的电网运行安全调制,并且具有良好的抗负载扰动能力和空载能力。     

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...     

核电站FDA安全管理信息流系统模型的构建研究

为了从安全信息的角度完善核电站的事故致因机理,并在实践中加强核电站的安全管理,首先以安全信息为视角,以系统安全行为链为主线,建立核电站FDA安全管理信息流系统模型,该模型由运行操作人员、核电站企业、国家核安全局3条子链和1条必要安全信息主链构成;然后结合模型和核电站具体工作流程,分析得到3个子事故域和1个总事故域,并归纳出核电站安全运行各阶段所需的必要安全信息;最后结合事故域,分析模型在核电站安全管理中的实际应用价值。     

建筑施工高处吊篮作业安全防护预警模型研究

为提升高处吊篮作业的安全防护水平,为建筑施工安全防护预警模型研究提供理论支持,针对安全防护不足和缺位对高处吊篮作业的不利影响,建立高处吊篮作业安全防护预警指标体系。通过对作业人员的筛选,作业信息采集及数据化处理,构建基于SVM（支持向量机）的高处吊篮作业安全防护预警模型。最后,通过对历史样本数据仿真模拟验证模型的适用性和可行性。研究结果表明:建筑施工高处吊篮作业安全防护预警模型的仿真模拟结果与实际结果相比较为吻合,从安全防护审批、个体防护用品、安全防护设施、安全防护标识、心理生理防护及作业条件防护6个方面进行分析构建的安全防护预警模型可为高处吊篮作业提供预警支持,并可作为建筑企业安全管理系统的一部分,推广至其他特种作业领域。     

电网企业本质安全管理体系构建研究

为了深化电网企业本质安全管理,采用文献检索、理论分析、对比研究等方法,提出本质安全型电网企业和电网企业本质安全管理体系的概念,并分析其内涵特点;根据电网企业管理实际,借鉴优秀企业实践,研究提出构建本质安全管理体系的“圈层”模型;设计构建涵盖4大方面33项要素的国网江苏省电力有限公司本质安全管理体系框架;按照各层级、各直属单位的实际管控要求,策划提出构建1个“圈层”模型、1个建设规范、1套手册（省、市、县分层级）、1系列制度标准的本质安全管理体系落地路径;最后,以国网江苏省电力有限公司为例,提出关键要素的完善建议,对指引其持续提升本质安全水平具有一定指导作用。     

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。