基于多生理信号融合的疲劳驾驶检测研究

为减少交通事故，保障道路交通安全，提出一种能更加有效地检测驾驶人驾驶状态的方法。通过对疲劳状态进行等级划分，利用脉搏波信号(Photoplethysmographic signal, PPG)以及皮肤电反应信号(Galvanic Skin Response, GSR),实现多种生理信号融合，进而构建驾驶人的驾驶疲劳状态数据库。根据采集数据结合主观评测分析驾驶人状态变化规律，选取有效指标进行分析比较，以探究各个指标与疲劳程度的变化趋势。依据状态变化规律和特征，结合主观评测，分析驾驶人的疲劳状态。同时，设定疲劳状态等级，分为清醒、轻度疲劳和重度疲劳状态，构建隐马尔可夫(Hidden Markov Model, HMM)驾驶疲劳水平分级的疲劳评估模型。测试结果显示：训练后的HMM疲劳检测模型准确率为90%。     

车辆典型危险行驶状态识别与检测研究进展

为识别和检测车辆在行驶过程中可能出现的危险状态,及时给予驾驶员反馈和预警,使车辆始终保持安全的运行状态,重点从车辆典型危险行驶状态的识别、检测2个方面,梳理纵向及横向危险行驶状态及其表征参数,总结主要的识别与检测方法,并展望其未来研究趋势。结果表明:不同文献对驾驶事件的危险阈值划分原则差异较大,尚未形成统一的标准;隐马尔科夫模型(HMM)对危险驾驶事件的识别准确率相对较高;车辆典型危险行驶状态的几种识别方法各有优点和缺点,基于便携式设备和多传感器数据的识别方法相对较优,且基于多传感器数据融合的车辆危险行驶状态识别与检测是未来的重点研究方向。     

基于脑电信号模糊熵的驾驶疲劳检测分析

为减少因驾驶疲劳导致的交通安全事故,提出基于脑电(EEG)信号模糊熵(FE)的驾驶疲劳检测方法。开展在驾驶仿真模拟试验,采集28名被试模拟正常驾驶和疲劳驾驶的EEG信号;基于2种驾驶状态的EEG信号计算出FE值;运用随机森林(RF)、支持向量机(SVM)、决策树(DT)和K近邻(KNN)等4种分类器检测驾驶疲劳状态;利用多种性能指标及被试工作特征曲线(ROC)对驾驶疲劳检测结果进行分析比较。结果表明:基于疲劳驾驶状态下的EEG信号的FE值明显高于较正常驾驶状态下的值;4种分类器均可有效检测驾驶疲劳,其中K近邻的平均准确率达97.4%;基于EEG信号模糊熵的驾驶疲劳检测方法具有较好的鲁棒性和稳定性。     

基于向量自回归模型的水质异常检测研究

水质异常检测对保障用水安全具有重大意义。为了准确有效地判断水质异常,提出基于向量自回归(VAR)模型的多参数融合水质异常检测算法。VAR模型是自回归(AR)模型的一种扩展。通过AR模型和VAR模型跟踪和预测水质背景数据,计算预测残差,与设定阈值比较判断水质是否异常。结果表明,与基于AR模型的水质异常检测算法相比,基于多参数融合的VAR模型在水质背景数据跟踪上具有更好的准确性,能够实现较高的异常检出率和较低的异常误报率。     

Bi-PPYOLO tiny:一种轻量型的机场无人机检测方法

机场“黑飞”无人机的检测关系着整个机场的安全问题，机场现有基于雷达手段的无人机探测方法无法正确识别无人机的类型及个数。基于现有雷达探测无人机方法存在的缺点，对PPYOLO tiny目标检测方法在无人机检测中存在的问题进行改进，结合机场“黑飞”无人机的特性和硬件设备部署中模型参数量小的特性，提出了基于Bi-PPYOLO tiny的轻量型无人机检测方法，提出双锥台特征融合结构，并优化检测头部的锚框大小，有效提升了无人机的检测精度。经试验验证，该方法将平均检测精度P_mA从68.07%提升至76.71%,模型参数量为4.06 MB,推理速度为32.21帧/s。所提方法有助于轻量型无人机检测方法在光电设备上的部署与实施，与现有机场无人机探测手段共同保障机场安全。     

融合时域卷积网络和深度自编码器的VOCs数据异常检测

为了提升挥发性有机物(Volatile Organic Compounds, VOCs)数据异常检测精度，提出一种基于时域卷积网络的深度自编码器(TCN-DAE)异常检测的半监督方法，以对VOCs等空气污染物质量浓度异常值进行精准的检测。首先，使用时域卷积网络(Temporal Convolutional Network, TCN)作为深度自编码器(Deep Auto-encoder, DAE)的隐藏层，利用深层网络结构对高维、多源的时间序列数据进行高效地特征提取和数据重构。然后，通过对比重构误差与核密度估计法确定的阈值进行异常检测，其中重构误差大于此阈值则视为异常。最后，选取西安市城六区的VOCs、空气质量和气象等时间序列数据进行试验。结果显示：基于时域卷积网络的深度自编码器模型对多源、高维的时间序列具有较强的异常检测能力，在准确率、F₁分数、受试者工作特征曲线下面积(Area Under Curve, AUC)等异常检测性能指标上均优于双向长短期记忆网络(Bidirectional Long Short-term Memory, Bi-LSTM)、长短期记忆网...     

基于在线检测信息的储罐底板腐蚀状态智能评价方法

为了解决利用声发射在线检测技术对储罐底板腐蚀状态进行评价时,主要依赖检测人员经验的问题,使该项技术能更好地推广和应用,利用储罐底板在线检测的声发射信息和外观检查信息,并根据相关标准及专家经验,确定与储罐底板腐蚀状态相关的表征因素。采用遗传算法(GA)改进贝叶斯网络(BN)搜索方法,建立基于GA的BN智能评价方法。针对声发射在线检测信息和外观检查信息,分别建立基于标准用声发射因素、基于声发射因素和综合考虑声发射因素和外观检查因素的基于在线检测信息的储罐底板腐蚀状态评价模型。通过对测试样本的评价,对比声发射检测专家评价结果,其中基于在线检测信息的储罐底板腐蚀状态评价模型的准确率为96%,该模型能够对储罐底板腐蚀状态进行可靠的智能评价。     

机场净空区无人机扰航监管演化博弈研究

为确定无人机(UAV)操控者不安全飞行的影响因素及其演化路径,提升对机场净空区无人机扰航的监管水平,综合采用演化博弈理论和系统动力学(SD),探讨无人机扰航监管中行为选择的情境条件。从机场净空区无人机扰航事件的成因出发,构建机场安全监管部门和无人机操控者的博弈支付矩阵,分析博弈系统均衡点的局部稳定性;在此基础上建立SD模型,仿真分析不同参数变化对演化趋势和结果的动态影响。结果表明:对无人机操控者不安全飞行加强追踪、加大处罚力度,能够增加无人机安全飞行的概率;从监管涉及的主体和对象入手提高安全监管的有效性,有利于长效促进无人机安全飞行,减少机场净空区无人机扰航事件。     

深度学习下吊装作业工人防护装备及吊钩检测方法

为解决危大工程中吊装作业安全管理的问题,基于深度学习构建目标检测算法(You Only Look Once version 5,YOLOv5)网络模型,针对进入吊装作业区域内人员的防护装备进行多目标融合检测,并对吊钩在施工过程中的状态进行检测。在原始的检测网络模型中引入4种注意力机制,并通过5种训练模型的结果对比分析,进而选择卷积块注意力模块(Convolutional Block Attention Module, CBAM)最优模型。优化后的检测模型对安全帽的平均识别精度达86.5%,对反光衣的平均识别精度达83.0%,对吊钩的状态识别精度达92.0%。将训练好的人员检测模型和吊钩检测模型打包成exe执行文件,应用到施工安全管理人员的中控平台,可帮助管理人员更好地判断吊装作业的工作情况,进而及时进行风险管控。     

基于驾驶员指标的驾驶员风险感知水平评价

为准确评价驾驶员风险感知水平,获取不同交通流状态、不同交叉口几何特性、不同干扰情况下驾驶员反应数据、心电生理数据、眼动数据以及行驶过程中车辆性能数据、车辆行为数据、与其他车辆交互情况等,从驾驶员生理、物理指标2个方面分析风险评价指标,在风险感知量化、情景提取和行为分析基础上建立评价指标体系;运用隐马尔可夫模型(HMM)预测驾驶员风险感知量化值,并分析不同风险感知量化值下的驾驶行为参数,得到风险感知量化值的观察序列,进而验证模型有效性。结果表明:用该模型预测驾驶员风险感知量化值能达到85%以上的准确率。     

基于改进YOLOX的变电站工人防护设备检测研究

为解决电气工人防护设备检测问题,通过改进YOLOX算法,提出检测工作人员防护设备的模型。首先在预测部分改进损失函数,为解决损失函数计算存在的缺陷,对IOU损失的计算方法进行改进,根据防护设备任务特性,通过调整各种类型损失函数的权重,增加对模型误判的惩罚,对模型进行优化;其次在算法主干网络中引入CBAM注意力模块提高神经网络对工人防护设备的感知能力;最后在算法Neck部分,将UpSample结构用于多尺度特征融合,加强网络的细节表达能力,从而提升对小目标困难样本的检测精度。研究结果表明：改进后的YOLOX模型平均精度均值达到87.24%,与已有YOLOX模型相比提升2.46%,具备有效性,适用于变电站工人防护设备检测。研究结果可为电气工人提供更高的防护装备检测精度。     

复杂建筑空间人员应急疏散的无人机引导模型研究*

为提升紧急情况下复杂建筑空间中应急疏散引导的疏散效率,采用仿真模拟方法,提出1套可适用于复杂建筑空间人员应急疏散的无人机引导模型,该模型通过改进传统算法和构建新方法,实现无人机空间遍历移动规则寻优、无人机引导路径寻优以及基于“障碍物空间场域”建筑空间区域划分。研究结果表明:相较于没有无人机引导,采用单无人机和多无人机协同引导疏散,可大幅缩短整体疏散时间,有效减少疏散路径当量长度,提高疏散效率并保证路径安全,为无人机在应急救援和疏散的应用提供新思路。     

基于多点关联性的尾矿坝位移监测序列异常值诊断*

针对尾矿坝位移监测序列中噪声和真实异常值的区分问题,提出1种基于多点关联性和改进孤立森林（IF）算法的异常数据诊断模型。通过IF算法对监测序列中的各样本点异常程度进行量化计算,引入云模型（CM）算法确定IF量化的异常得分与异常概念的相互映射关系以实现异常点的初步诊断,根据Apriori算法计算多测点序列间的关联性,找出强关联序列组合,结合序列关联性以及异常点诊断结果区分噪声与真实异常值。以某尾矿坝位移监测序列为例进行模型验证。研究结果表明:基于多点关联性的异常诊断模型能够有效区分尾矿坝位移监测序列中的噪声与真实异常值,提高监测系统的准确性。     

基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法

为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上的差分得到1组24维的特征参数向量,利用这些特征参数向量训练构建各类事件对应的混合高斯隐马尔可夫识别模型,进而实现对微震信号的自动识别分类。研究结果表明:运用基于梅尔倒谱系数的微震信号识别分类方法对矿山实际微震数据进行测试,微震事件的识别分类准确率达到92.46%,具有较高的准确性,为实现微震监测系统的实时性分析提供了技术支持。     

基于SSD网络的电梯内电动自行车检测研究*

为减少因电动自行车违规操作而造成的消防安全事故,杜绝电动自行车进电梯的违规行为,基于深度学习SSD目标检测网络,使用VGG16、EfficientNet、MobileNet 3种主干网络,研究SSD网络对电梯内电动自行车检测的可行性,分析比较3种网络的检测效果,并提出基于双摄的检测方法,进一步提高电梯场景下检测准确度,减少误检误报警。研究结果表明:SSD检测网络对电梯内电动自行车检测效果良好,其中SSD_MobileNet网络更适用于工业领域,双摄检测方法的检测准确率均大于90%。     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

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。