优化Swin Transformer的塔式起重机销轴安全状态识别算法

为减小塔式起重机运行安全隐患，提高机器视觉检验销轴连接状态的准确率，提出一种优化Swim Transformer的塔式起重机销轴安全状态识别算法；首先通过采集工地现场塔式起重机销轴安全状态图像，创建数据集；其次对数据集中销轴安全状态分类，并进行独热编码；然后基于Swin Transformer算法，建立销轴安全状态的识别模型，构造和优化损失函数；再运用AdamW优化器更新梯度，经过1 000次训练迭代后得到最终模型；最后在所创建的销轴图像数据集上，进行试验验证。结果表明：所提优化算法提高了塔式起重机销轴安全状态识别能力：准确率为99.4%、平均精度为99.4%,平均召回率为99.4%,平均特异度为99.6%,呈现出良好的分类和泛化能力；同时明显优于ShuffleNet、DenseNet和EfficientNet等3种典型算法；与原Swin Transformer算法相比，准确率也提高了3.6%。     

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。     

基于期望理论的违章管理思维模式探讨

根据对违章行为的产生机理的分析,提出违章行为是违章者心理动机强度和对行为结果实现意图而不发生事故的可能性估计的函数,该违章行为函数与弗洛姆的期望理论有相通之处。弗洛姆的期望理论认为,增强某一目标的效价(V)或者提高某种目标实现的期望值(E),都可以驱动某相应行为的发生。根据违章行为函数和期望理论的分析,可以得出如下结论:降低违章行为者违章动机的强度(I)或者弱化违章行为者对违章成功结果的可能性估计(P)将会抑制违章行为的发生。该结论为在生产实践中有效地开展违章管理,提供了新的思路。     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

1种基于视频的油田危险区域入侵检测智能综合识别技术研究

为解决油田日常生产作业中缺乏危险作业区域的等级划分与自动识别方式以及缺乏人员踏入危险区域的识别方法.提出1种基于视频智能综合识别技术的全天油田危险区域入侵检测算法,该算法首先结合油田危险因素对油田危险区域进行危险等级的划分与危险区域的识别;然后,针对光照条件良好的白天场景,在训练数据集中融合油田作业区视频数据和公开行人...     

面向雾天的双先验兴趣区域车道线识别算法研究

为提高浓雾工况下车道线识别的准确率,开发一种基于改进暗通道优先和双先验兴趣区域(ROI)的雾天车道线识别跟踪算法。首先,依据改进暗通道优先算法对雾天图像静态ROI-I进行去雾处理;再按照Scharr滤波器和大津法得到该区域二值化图像,并通过Hough变换精确提取车道线;以此为基准,用Kalman预测器预测下一帧图像中车道线可能出现的动态ROI-II区域;最后采用改进的去雾算法对ROI-II区域去雾,利用B样条插值对该区域车道线进行拟合。结果表明,该算法在薄雾工况下的识别准确率可达99%,在浓雾工况下也能达到96%。     

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。     

基于多尺度卷积神经网络的两阶段火灾识别算法研究

基于机器视觉的火灾识别技术对于智慧消防具有极为重要的意义。针对火焰容易受到复杂背景、不同摄像角度等因素影响,本文提出一种基于多尺度卷积神经网络的火灾高精度识别算法。算法将火灾识别任务分解成前景提取与精准识别两个阶段。在前景提取阶段,算法结合火焰运动性特点,使用帧差法对火灾候选区域进行快速提取。在精准识别阶段,算法引入空间金字塔池化模块,设计多尺度卷积神经网络进行火灾识别,实现对不同火焰尺度图像的高精度检测。在实际数据集上进行仿真实验,本文所提出算法在图像和视频领域分别取得93.6%和94.9%的火灾识别准确率,这有力证明了本文算法的有效性。     

行人违章过街行为心理成因分析及预测

为深入了解行人在交叉口违章过街行为,调查影响行人在长周期信号控制交叉口违章过街的心理成因,采用计划行为理论(TPB)制作了行人违章过街心理行为问卷。利用此问卷,对上海居民进行过街违章心理研究,得到250个覆盖各年龄层的有效样本。信度效度分析验证了行人违章过街心理行为问卷能够用来解析行人的违章过街心理成因。在对问卷中自述违章过街行为和心理要素的聚类分析筛除明显隐瞒自身违章过街行为的行人后,对心理要素和现实行为违章行为进行判别分析。结果表明:问卷中2个TPB的心理要素:知觉行为控制和行为意向能够用来推测行人的实际违章行为,准确率为73.9%。其中,代表行人对交叉口交通情况和自身时间约束的心理要素知觉行为控制对行人违章行为有关键的影响。     

施工危险目标识别的注意转移过程特性分析

为掌握危险目标识别行为过程规律，提高行为绩效，减少事故发生，以眼动试验获取被试危险目标识别过程，运用计算机视觉显著性算法实现危险目标的早期视觉刺激模拟，以马尔可夫链理论融合自上而下和自下而上的危险目标识别注意过程，进而探究危险目标识别注视点在各注视区域的状态转移概率和平稳分布概率。研究分析了危险目标识别搜索、捕获和确认等活动的注意转移过程。结果表明：施工情境中，当事人更倾向采取先整体搜索、后局部分析的危险目标识别注意分配和转移策略，危险目标的捕获和确认以注意由转移到产生定向为标志；在危险目标识别过程中，当事人对危险目标的选择性忽视是危险目标识别绩效低的重要原因，注意资源分配需要进一步优化；最后，施工情境视觉显著性特征会影响当事人危险目标识别注意转移，影响识别效率。     

ST-GCN在建筑工人不安全动作识别中的应用

为准确及时地识别施工现场工人的不安全动作,运用计算机视觉的方法,结合图像识别技术和建筑安全知识,提出一种基于骨架的实时识别方法。将姿态估计算法与动作识别算法结合搭建组合模型,通过全面的数据进行模型训练,进而实现动作分类和不安全动作的识别,其中,AlphaPose用于姿态估计提取骨骼关键点坐标位置,时空图卷积网络(ST-GCN)用于动作识别,并通过试验进行验证。结果表明：该方法识别爬梯危险动作的准确率可以达到98.48%,同时,ST-GCN与支持向量机、随机森林、长短期记忆网络(LSTM)相比,具有更强的泛化能力。该方法通过对现场工人的不安全动作进行实时识别和预警,可改善传统安全管理模式,提高安全管理信息化水平。     

基于Kinect的地铁乘客不安全行为识别方法与实验*

为解决地铁视频监控技术对乘客不安全行为只记录不识别且较少考虑识别精确度的问题,提出1种基于Kinect传感器的高效识别方法。以Pelvis为向量起点和动作活动高频关节为终点构建识别特征向量;运用余弦定理获得标准动作与测试动作关节的最大角度差序列;以最大角度差为动作特征量建立相似度计算模型,运用动态时间规整算法（DTW）将初始结果转换为动作相似度。以相连关节法为对照组开展对比实验,结果表明:前者在抽烟、挥拳、挥手呼救等行为识别的准确度分别为91.7%,86.9%,89.2%,平均比对照组高4%以上,显著提高了地铁乘客不安全行为的识别率,可为地铁智能安全管控提供理论与技术依据。     

基于计划行为理论的航空维修人员违章行为研究

为深入剖析航空维修人员的违章行为产生原因,基于计划行为理论(TPB),构建航空维修人员违章行为模型,并提出研究假设。通过对国内航空维修单位的维修人员进行问卷调查,采用结构方程模型(SEM)建模技术,对航空维修人员违章行为模型及研究假设进行验证。结果表明:违章行为态度、主观规范和知觉行为控制,对航空维修人员违章行为意向有显著正向影响;道德义务对违章行为有显著负向影响;过去行为对违章行为无显著影响;个体背景因素对航空维修人员违章行为均有显著影响;行为态度和主观规范对违章行为的路径系数比较高,转变态度以及强化规范是减少或杜绝违章行为发生的重要途径。     

基于卷积神经网络的驾驶人行为识别方法研究

为探究汽车驾驶人非安全驾驶行为的识别问题,在简要分析现有驾驶人行为识别方法的基础上,提出一种基于卷积神经网络(CNN)的驾驶人行为识别方法,分析CNN前向传播与反向传播过程,给出处理驾驶人行为识别问题的CNN网络架构。结果表明:用该方法可识别,其平均识别率达97. 13%,相对于传统提取方向梯度直方图特征(HOG),并用随机森林(RF)分类的算法,该方法的识别率平均提高了3. 62%。     

输气站场人员“意图+轨迹”早期智能风险预警

为防止输气站场无关人员闯入作业区造成事故，提前预判人员可能的位置，提出一种融合人员行进意图和轨迹的人员位置早期智能预判方法，建立基于机器视觉的输气站场人员行动“意图+轨迹”早期智能风险预警模型；在收集人员行动图像的基础上，通过方向梯度直方图(HOG)提取人员头部方向特征，利用支持向量机(SVM)分类器分类识别头部方向，分为正常直行、观望中直行、意图转弯3种行进意图，根据头部方向初步判别其行进意图以预判行进方向；对识别出人员意图转弯的情形进行持续追踪，结合卡尔曼滤波算法预测人员短时行进轨迹，从而实现对不同风险情景的预测，达到分级早期预警的目的。研究结果表明：该方法辨识行人意图准确率为90.79%,预测与实际轨迹曲线间相关系数r₁为0.994 84,r₂为0.993 43,两者高度相关，准确率较高，能够实现输气站场无关人员闯入的早期智能监管。     

化学实验室动火实验无人值守行为识别方法研究

为实现化学实验室动火实验无人值守行为的智能化识别,提出基于目标检测算法的识别方法。定义动火实验无人值守行为并设计6组场景模拟方案,通过对3种不同行为模式进行模拟,构建模型训练与验证所需图像数据集,并基于目标检测算法构建化学实验室动火实验无人值守行为识别模型。研究结果表明：融合SimAM注意力机制且使用WIoU损失函数的模型识别精确率达0.996,召回率0.996,mAP@0.5为0.996;泛化能力测试精确率为0.891,召回率为0.783,mAP@0.5为0.821,融合SimAM注意力机制且使用WIoU损失函数后的模型的识别能力和泛化能力均得到明显提升。研究结果可为化学实验室动火实验无人值守行为识别与预警提供技术支撑。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

育文化 明责任 严考核

<正>在安全生产工作中,"违章行为"是指违反安全生产规章、制度的行为。想要杜绝违章行为,笔者认为,企业应重点从培育健康积极的安全文化、建立覆盖全员的安全生产责任体系、严格执行安全生产绩效考核3方面着手。图为某企业在基层生产单位中开展的人人签安全承诺活动。(图片由中国石化江汉油田工会提供)在安全生产工作中,"违章行为"是指违反安全生产规章、制度的活动与行为。2012年9月13日,湖北省武汉市东湖景园建筑工地发生了一起升降机坠落事故,梯内19名工人当场死亡。经事故调查,该升降机核定人数为12人,而事     

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。