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YOLOv5s的外脚手架隐患智能动态检测

针对脚手架工程隐患人工巡检效率低、实时排查难的问题,提出一种基于深度学习的隐患实时检测方法。利用添加噪声、随机裁剪等数据增强方式扩充数据集,提高模型在复杂环境下的鲁棒性;基于YOLOv5s目标检测算法建立脚手架工程隐患图像识别模型并进行训练测试,与YOLOv4、Faster R-CNN进行对比,验证模型的有效性。结果表明,在脚手架工程隐患检测任务上,YOLOv5s模型的均值平均精度达到92.23%,较YOLOv4提升8.11百分点;检测速度达到97.01帧/s,较Faster R-CNN提升5倍。轻量的YOLOv5s网络模型适合部署于嵌入式智能监控中,实时采集现场数据并进行隐患分类识别,有效缩短隐患发现时间,研究结果可为脚手架工程监控预警平台提供研究基础。     

基于CNN的化工园区火灾火焰图像识别研究

为及时发现化工园区火灾事故,降低事故损失,利用卷积神经网络(CNN)建立化工园区火灾实时检测系统。基于CNN-YOLOv5算法训练化工园区火灾数据集和普通火灾数据集,分析对比2个数据集的损失值、召回率、精度和类别平均精度。其中,化工园区火灾数据集的损失值和召回率略低,但精度和类别平均精度高于普通火灾数据集,证明通过CNN检测化工园区火灾的可行性。结果表明：基于火灾检测结果,借助PyQt5程序框架设计化工园区火焰图像识别软件系统,可实现对化工园区火灾火焰图像和视频的识别应用,扩大该方法适用范围。基于CNN的YOLOv5目标检测算法可以实时检测化工园区火灾,其检测方法具有便携性、检测结果具有可靠性,可提高化工园区的安全管理水平。     

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。     

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明：生成的个性化检测模型在准确度P、召回率R和综合评价指标F₁值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。     

辐射对流散热下大尺寸三元锂电池热模型

为精准界定热失控发展过程中锂电池热聚集特征，采用理论和试验相结合的方法，研究热滥用引发的大尺寸三元锂电池热模型。首先，依据能量守恒定律，明确电池热模型中的加热片产热量Q_e、化学反应产热量Q_f、电能释放产热量Q_j和环境散热量Q_d这4个热量参数，进而基于物理热量计算公式(Q=CMΔθ)和集总参数法，构建大尺寸三元锂电池由热滥用引发的热模型；其次，对模型参数获取进行理论分析，研究4个热量参数对电池热累积变化的重要度；最后，结合试验数据，将研究区间以点(t_i,θ_i)进行分区，确定表面传热系数h的值，进一步验证辐射对流散热下热失控锂电池热模型。结果表明：总产热量Q_w为12.88×10⁵ J,总散热量Q_d为6.60×10⁵ J,其中，辐射散热量为2.91×10⁵ J,对流散热量为3.69×10⁵ J,利用热模型计算出的热量理论预测热失控峰...     

基于查表插值算法的高压CO2管道泄漏瞬态特性数值模拟

为准确高效地模拟高压CO₂管道泄漏的瞬态特性，基于Fluent仿真平台，利用用户自定义真实气体模型(User Defined Real Gas Model, UDRGM)和用户自定义函数(User Defined Function, UDF),结合查表法和双线性插值法建立CO₂的真实气体模型，并将压力驱动的Lee模型通过用户自定义函数嵌入Fluent求解器来模拟CO₂的非平衡相变过程，建立了高压CO₂管道泄漏的非平衡相变数值模型。通过与Botros等的试验数据进行对比分析，验证了该模型的准确性。在此基础上，对比了上述模拟方法与编译S-W(Span-Wagner)状态方程模拟方法的精度和效率，最后使用本模型研究了不同初始压力对高压CO₂管道泄漏瞬态特性的影响。结果表明：两种模拟方法精度接近，最大相差为7.37%,但提出的模拟方法效率明显优于编译S-W状态方程的模拟方法，计算时间相较缩短约86.9%;初始压力为11.27 MPa的最大总出口质量流量比4.36 MPa的大7.24 k...     

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero＿DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks, FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的...     

基于卷积神经网络的安全标识分类算法研究

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明：当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。     

联合Transformer注意力机制的PM2.5浓度预测网络研究

应用深度学习技术进行PM_2.5浓度预测方法的研究，提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块，高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM_2.5浓度数据开展预报试验，结果表明，相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM_2.5浓度的时空相关性，具有更优预测性能。     

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。     

面向液氨泄漏应急救援区域的XGBoost预测方法研究

液氨发生泄漏事故后，随着扩散距离的增加，会对人员和环境造成严重的危害。为便于发生泄漏事故后，快速展开应急救援工作，对液氨泄漏事故应急救援区域预测方法开展研究。通过PHAST(Process Hazard Analysis Software Tool)软件模拟液氨泄漏事故工况，建立基于极端梯度提升(Extreme Gradient Boosting XGBoost)的液氨泄漏应急救援区域预测模型。利用网格搜索结合K折交叉验证进行超参数调优，并与随机森林、决策树模型性能进行对比分析。研究结果显示：以预测ERPG-2标准下液氨泄漏扩散距离为例，XGBoost模型预测性能最佳；与决策树和随机森林相比，XGBoost模型的E_MAPE分别减少了4.19个百分点和2.37个百分点，E_RMSE分别减少了66.74和2.93;基于优化后XGBoost模型液氨泄漏事故应急救援区域预测模型，预测结果R²为0.997 8,E_RMSE为50.37,E_MAPE为2.61%,基本满足工程实践应用。     

基于模糊DEMATEL-BN的管制单位动态风险评估

为研究管制单位风险的动态性，提高风险评估的准确性，预防风险事故的发生，提出基于毕达哥拉斯模糊、试验与评估实验室(Decision Making Trial and Evaluation Laboratory, DEMATEL)、贝叶斯网络(Bayesian Network, BN)和模糊损失率的管制单位动态风险评估模型。首先识别管制单位风险因素；其次应用毕达哥拉斯模糊和DEMATEL模型探究风险因素之间的相互关系；再次将因素间的相互关系映射到BN,构建管制单位风险演化过程；然后确定先验概率，并以前兆数据作为输入信息，推导计算管制单位的动态风险概率；最后利用模糊损失率量化风险后果，计算管制单位的动态风险评估值。以某管制单位为例，对构建的管制单位动态风险评估模型进行了实证研究。结果表明：特情处置预案不合理等高严重后果概率持续上升的风险因素是该管制单位的风险管控的重点；t₁～t₅时间段该管制单位的动态风险评估值从1.035×10^-2上升到1.106 3×10^-2。构建的管制单位动态风险评估模型克服了管制传...     

卷积神经网络在燃气管道故障诊断中的应用

为了提高燃气管道泄漏故障的诊断能力,判断燃气管道故障泄漏的类型,将深度学习神经网络应用到燃气管道故障诊断领域,提出了一种基于卷积神经网络与softmax分类器的燃气管道故障诊断技术。选取燃气管道故障中的9种特征参数作为模型的原始输入量,经过卷积神经网络的特征提取、参数重构、soft-max分类,最终达到诊断的效果。将得到的卷积神经网络模型应用在实验室的燃气管道故障泄漏检测系统中,结果表明,这种模型在燃气管道故障识别中的准确率稳定在92. 54%,与BP神经网络相比该方法有明显的准确率和稳定性。     

N2/CO2混合气体对丙烯爆炸特性的影响

为了研究N₂、CO₂及其混合气体对丙烯爆炸特性的影响，使用可燃气体爆炸极限试验装置，将气体按一定比例进行混合，从爆炸极限与危险度、临界氧体积分数和惰化效果3个方面研究了N₂/CO₂混合气体对丙烯爆炸的影响。结果表明：1)N₂和体积比分别为2∶1、1∶1、1∶2的N₂/CO₂混合气体，以及CO₂的添加对丙烯的爆炸均有抑制作用，且使丙烯的爆炸范围缩小，爆炸危险度减小，变化趋势近似为线性；2)随着惰性气体体积分数的增加，爆炸极限对应的氧体积分数呈下降趋势，CO₂惰化丙烯比N₂惰化丙烯时的临界氧体积分数提高了约1.87个百分点；3)结合爆炸三角形图，对比发现，在5种不同的比例下，CO₂惰化丙烯时的爆炸区域面积最小，表明CO₂对丙烯的抑爆效果更好。     

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Swin Transformer的弱监督人群计数研究

为降低人群聚集引发安全事故的概率,解决完全监督方法数据标注成本高,而现有弱监督方法性能欠佳的问题,提出一种基于Swin Transformer的弱监督人群计数模型。首先,引入具有全局感受野且能够有效提取语义人群信息的Transformer模型,来应对基于卷积神经网络(CNN)的弱监督人群计数方法感受野有限、性能欠佳的问题;然后,采用具有层级设计并且拥有多尺度、层次化计算图像特征能力的Swin Transformer模型作为主干网络,以加强对不同尺度特征的学习,使模型能够更好地应对人群尺度变化的问题;最后,选择只需要人群数量作为监督信息的弱监督方式进行训练,避免对图像中每个人的头部进行标注这一繁琐易错的工作。结果表明：所提模型在ShanghaiTech Part A、ShanghaiTech Part B、UCF-QNRF数据集上的平均绝对误差依次为66.1、8.7、97.1,均方误差依次为106.2、14.9、165.8,在主流数据集上计数性能较好;该模型的性能优于此前的弱监督方法和部分完全监督方法。     

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。     

严重冲突场景下山区双车道公路货车跟驰风险预测

为预测严重冲突场景下山区双车道公路货车跟驰事故风险，基于视频轨迹数据、实测交通流数据、道路线形数据及交通事故数据，采用双变量冲突极值模型、轻量型梯度提升机，构建严重冲突场景下山区双车道公路货车跟驰事故风险实时预测(Truck Following Accident Risk Real-Time Prediction, TFARRP)模型，并利用耦合度模型分析变量耦合程度。研究显示：碰撞时间(Time to Collision)为5.418 s,后侵入时间(Post Encroachment Time)为0.512 s,这是严重冲突场景阈值；TFARRP模型准确率高达95.000%;平均车头时距(A_HD)、两车间距(T_CD)、货车平均速度(T_AS)、及货车横向偏移(T_LO)对TFARRP模型的重要度都超过了10%;当监测到A_HD<21.11 s、T_CD<35.00 m、T_AS<29.00 km/h或T_LO     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。