基于注意力机制的人群计数方法

为准确预测固定场景中的人群计数,在人群分析领域,采用一种融合注意力机制的卷积神经网络(CNN)进行人群计数,该模块结合空间域注意力和通道域注意力,空间域注意力可以编码整个图像的像素级上下文信息,以更准确地表达像素级别的密度图,而通道域注意力可以在不同的通道中提取更多的区分特征使网络显著表达人群的局部区域,并在多个公开数...     

基于GIS空间分析及深度学习的调车场安全识别系统

为实现调车场的智能化安全管理,首先基于调车作业的常见事故,分析了调车场系统中的人-机-环事故致因要素。利用GIS对调车场各空间组成要素进行建模,以获得调车场的电子地图与各组成要素的属性数据库。在此基础上,利用Arc GIS空间分析引擎对调车场对象的属性数据进行操纵分析,得出电路分路情况、道岔尖轨间隙特征、人员作业热点、货物空间分布等特征图层;并利用卷积神经网络(CNN)作为融合工具,以专家判定的危险区域为学习标签,大规模自动化提取各特征图层的特征,以达到自主学习专家知识的目的;最后,利用Ecd转化工具将训练的CNN识别引擎转化为栅格分类器,供GIS系统进行安全分类评估时调用,最终达到调车场自动安全分析的目的。经仿真数据验证,结果表明:在CNN的训练过程中,Dropout机制可有效控制过拟合现象,经训练的CNN在测试集的识别正确率为73. 81%; GIS系统能有效调用CNN,实现自动融合电子地图中的对象属性数据,完成调车场安全评估及展示。     

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。     

基于卷积神经网络的煤泥水外溢检测算法

为解决工厂煤泥水外溢这一难题,提出一种实时监督煤泥水外溢的解决方案。首先,构建基于深度学习的煤泥水外溢视频检测模型,利用卷积神经网络(CNN)提取煤泥水监测图像特征;然后,将提取到的特征代入模型进行训练,通过微调方法,使准确率不断提升;最后,采用相关评价指标评估模型的性能。结果表明：采用基于CNN的煤泥水外溢检测模型相较于传统的检测算法,在各项评价指标上可提高15%以上;在煤泥水外溢的严重程度上也能做出精准判断,各项评价指标均达到90%以上,有助于降低煤泥水外溢状况发生。     

基于改进Faster R-CNN的铁路客车螺栓检测研究

为确保铁路客车运行安全,提出一种基于快速区域卷积神经网络(Faster R-CNN)目标检测的客车关键部件图像缺陷检测算法,针对算法在小尺度螺栓检测方面存在的问题提出2点改进,首先,结合深度残差网络和Inception网络两者优点替换原VGG16网络,并增加上采样层,解决图像经过卷积网络特征信息流失严重的问题;其次,通过K-means++聚类算法优化区域建议网络(RPN)中锚点的尺寸和比例,提高生成建议区域的精确性,解决缺陷目标定位不准确的问题;最后,用创建的螺栓缺陷数据集进行对比验证。结果表明:改进后的算法检测准确率可达87.4%,相较原算法提高8.9%,且对于多目标缺陷与混淆目标,漏检率与误检率分别降低9.9%和11%。     

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。     

低分辨率自然场景文本识别

针对自然场景文本识别中低分辨率图像识别困难的问题,提出了超分辨率卷积循环神经网络算法(super-resolution-convolutional-recurrent neural network,SR-CRNN)。该算法是一个端到端的深度神经网络,包含超分辨率网络和文本识别网络:利用训练集的高低分辨率图像对训练超分辨率分支网络;然后通过特征融合,将经过监督训练获得的超分辨率模型特征加入文本识别网络;在文本识别网络,使用卷积神经网络和注意力模型对文本行进行识别。基于低分辨率文本图像数据集的实验结果表明,SR-CRNN的文本识别能够获得更好的效果。     

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。     

可燃性粉尘云的图像检测方法

近年来粉尘爆炸引起的安全生产事故频繁发生,在线检测粉尘易集聚场所的粉尘云浓度并进行预警,成为控制粉尘爆炸的关键手段,而目前粉尘浓度传感器在大空间粉尘云聚集场所存在安装与识别局限性。为此,提出基于深度学习的可燃性粉尘云图像检测方法;采用基于卷积神经网络(CNN)的Faster R-CNN模型,对可燃性粉尘云进行端到端的检测与识别;并通过建立的粉尘云标准浓度图像数据库验证模型的有效性。结果表明:Faster R-CNN模型具有较高的识别精度。     

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%。