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。     

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...     

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。     

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。     

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。     

一种分离式可降温安全帽设计

为了解决高温作业环境下安全帽内部微环境积热严重问题,运用ANSYS软件模拟分析了安全帽内部微环境积热的空间和时间分布情况。基于模拟结果,设计了一款分离式可降温安全帽,其由帽体、喷嘴、风管、风机和开关组成。在高温高湿环境下,模拟人员分别佩戴在帽衬带上装有温度传感器的普通安全帽和分离式可降温安全帽进行剧烈运动模拟高温作业人员高强度劳动,记录其温度变化。结果表明:分离式可降温安全帽有良好的降温效果,同时具有不破坏安全帽的结构和强度,几乎不增加安全帽重量,无噪声、无电磁辐射,拆装简便等优点。     

塑料安全帽识别标志印刷技术的研究

塑料安全帽是建筑、安装等部门作业工人的特殊劳动防护用品。进入施工现场都必须配戴。但是,由于安全帽上缺乏识别标志,各施工单位使用的安全帽又大同小异,给工地的生产管理造成了一定的难度。因此,许多施工单位都希望安全帽生产厂家或是经销单位能在安全帽上印刷比较醒目而又容易辨认的识别标志,如公司名称或工地名称等。由于塑料安全帽绝大部分都是以高密度聚乙烯树脂(HDPE)或是聚丙烯(PP)为原料注射     

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。     

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。     

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。     

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。     

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...     

基于图像识别的建筑工人智能安全检查系统设计与实现

为提高建筑工人作业前安全检查的效率和效果,减少事故发生。以图像识别技术为核心支撑,提出了建筑工人智能安全检查系统的结构、功能及运行流程,并对系统运行效果进行了测试。研究和测试表明:该系统具备身份识别、安全装备检查、作业行为能力检查功能,能实现建筑工人作业前的自动、智能安全检查。该系统的身份识别正确率为83.75%、安全帽识别正确率为96.25%、安全带识别正确率为63.75%。该系统具有硬件投入低、检测速度快、准确性高、应用场景广泛的特点。     

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。     

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IMU智能安全帽姿态估计

提出一种基于9轴IMU的智能安全帽姿态估计算法,实现智能安全帽实时姿态估计。通过对IMU采集到的物体加速度和物体所在地磁感应强度数据进行分解,得到物体静态四元数数据;然后根据物体角速度数据和四元数的微分关系对动态四元数进行估计,实现物体的姿态估计。同时,文中提出修正转轴补偿的方法,解决由于物体俯仰角为±π/2时分解四元数计算横滚角时出现的奇异值问题。实验结果显示,文中算法可以实现智能安全帽的姿态估计,在估算精度和实现性上均有良好表现。