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...     

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%。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

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...     

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;...     

复杂背景环境下基于SSD_MobileNet深度学习模型的火焰图像识别研究

针对现有的火灾火焰图像识别方法在光照和红花等类似火焰干扰的复杂环境下存在错检和漏检的问题, 提出一种基于SSD_MobileNet的复杂环境火焰区域标记方法。首先,将深度卷积神经网络SSD300的基础卷积网络VGG16替换为MobileNet网络,应用深度可分离卷积,降低网络参数,进而构建一种火焰图像检测的SSD_MobileNet模型;然后,迁移第一次训练模型所有的卷积层参数,初始化新的待训练模型;最后,加入新的数据样本用于削弱光照、红花等干扰对象的影响。通过与SSD300、以及深度学习的目标检测算法Faster R-CNN和YOLOv3-tiny对比,实验结果表明,构建的火焰检测和火焰区域标记SSD_MobileNet模型的综合性能优于Faster R-CNN和YOLOv3-tiny模型,更适用于实时火焰检测领域。     

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。     

安全帽的份量

编辑同志：时下,有不少人喜欢摆弄名牌衣服、皮包或珠光宝气的行头．却唯独看不起小小的安全帽．安全帽不仅在工作中为我们保护了脑袋,更多的是一个人对工作．对家的责任以及亲人对你平安的祈盼,盼望你安安全全的下班回家．     

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。     

基于作业环境分析的矿用安全帽改善研究

以煤矿洗选车间为调查对象,使用噪声仪、温湿度仪、粉尘仪等设备对工人的作业环境进行现场测量评价,采用问卷法对作业人员劳动防护用品的佩戴和使用行为进行了调查,分析了劳动防护用品使用中存在的主要问题,应用工业工程改善设计原则,设计出一种集耳塞、口罩、安全帽于一体的多功能安全帽,并进行了佩戴测试。结果表明,该安全帽对煤矿安全行为管理和工人的职业健康改善都具有一定的促进作用。     

结合深度学习与注意力机制的墙体安全检测模型

为解决传统建筑墙体检测采用人工目视方式效率低、成本高、危险性大的问题,提出利用无人机拍摄建筑外墙缺陷图像,采用卷积神经网络(Convolutional Neural Network, CNN)结合注意力机制实现对威胁建筑外墙安全缺陷的识别分类。从获取建筑外墙缺陷图像数据开始,制作缺陷图像数据集,以威胁墙体安全的缺陷为学习样本,构造浅层卷积神经网络,融入BAM(Bottleneck Attention Module)注意力机制,从卷积神经网络提取的浅层特征中提炼缺陷特征进行学习,实现建筑外墙的安全检测。经试验,多类安全问题检测正确率达到96.18%,所提出的模型相较传统的CNN、VGG 16、ResNet 18算法,检测正确率分别提高了3.36个百分点、3.92个百分点、14.6个百分点。研究表明,卷积神经网络结合注意力机制的方法可以避免局部缺陷丢失,提高检测正确率。     

基于FLUENT软件的安全帽内温度场分析

针对高温环境时多因素影响的安全帽内部温度场进行了研究,确定了其内部气体流动的守恒方程,使用FLUENT数值模拟软件进行了单因素的影响分析。以安全帽内的高温区域为指标,分析了不同工作环境时的温度场分布,研究结果可为安全帽的通风散热设计以及其高温区域分布提供理论依据。     

基于相对熵逆强化学习的飞行冲突解脱方法

针对航路上的飞行冲突解脱问题,提出了基于相对熵逆强化学习的飞行冲突解脱方法。首先基于相对熵的逆强化学习算法从历史飞行轨迹数据中学习隐含的管制员先验知识,并以奖励函数的形式进行量化表达。然后,将奖励函数引入基于深度强化学习的冲突解脱模型,以指引训练模型不断向与管制员解脱方案相似的方向更新。试验结果表明,解脱模型能够学习管制先验知识,且在测试集中冲突解脱率超过73%。研究对于减少管制员工作负荷和提升空中交通管制安全性有借鉴价值。     

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。     

基于ISODATA算法的水上交通事故黑点识别

针对水上交通安全问题,基于ISODATA算法和水上交通事故等级综合加权平均法,构建水上交通事故黑点识别模型。结合道路交通黑点及现有水上交通多发区的研究方法,定义水上交通事故黑点;采用ISODATA算法分析水上交通事故空间分布特征,实现对水上交通事故空间的构建;对水上交通事故等级梯度赋值,以量化事故的严重程度,利用等级综合加权平均法确定黑点阈值。并以深圳西部港区水上交通事故为例进行模型应用,共识别出10处事故黑点及其边界,表明水上交通黑点识别模型能有效识别水上交通黑点的空间分布及特征,为水上交通安全状态分析提供了一种度量方法。