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%。     

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。     

基于卷积神经网络的冲击地压预警方法研究*

为探究深度学习在冲击地压预警方面的应用前景,以新疆某冲击地压矿井为研究背景,将深度学习和专家评判运用到微震数据分析中,基于卷积神经网络构建冲击地压预警模型。充分利用一维卷积神经网络对时序数据有较强特征提取能力的优势,以微震数据及其特征参数作为输入,以专家评判值作为标签,借助Python-Keras框架实现冲击地压预警模型的构建和训练。研究结果表明:模型预警效果并不随着训练迭代次数的增加而逐渐最优,存在最优迭代次数,对于所建模型当迭代次数为30时测试集的冲击危险预测结果与专家评判结果基本吻合,同时说明模型可以较好地学习专家评判经验实现冲击地压预警。研究表明所建模型对研究时段内发生的5次大能量矿震事件均进行预警,其准确度较高,具有现场实际应用价值。     

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。     

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。     

基于交叉注意力的多源数据融合的气体泄漏检测

为解决单一传感器在管道气体泄漏检测时容易出现误报、漏报的问题,及时预警并反馈泄漏状况,提出一种基于交叉注意力的多源数据融合管道泄漏检测方法。首先,利用预训练的ShuffleNetV2模型提取热像仪数据的空间特征;然后,结合一维卷积神经网络(1DCNN)和双向门控循环单元(BiGRU),构建1DCNN-BiGRU模型,以提取气体传感器数据的时序特征;最后,运用交叉注意力捕获数据的时空关联性得到2个数据源的特征表示,通过残差方式进行特征连接后输入到分类层中,得到识别结果。结果表明:所构建的多源数据融合模型(SCGA)对气体识别准确率为99.22%,损失值在0~0.04内波动;与仅使用气体传感器数据的支持向量机(SVM)、1DCNN、BiGRU模型相比,准确率至少提升4.12%;与仅使用热图像传感器数据的MobileNetV3、ShuffleNetV2、ResNet18模型相比,准确率至少提升1.14%;与将时序特征和空间特征直接拼接的多源数据融合模型(SCG)相比,准确率提升1%。SCGA模型对气体识别具有较高精度。     

两类新型神经网络及其在安全评价中的应用

详细讨论小波神经网络(WNN)和模糊神经网络(FNN)的构造以及训练学习过程,并针对安全评价问题分别完成算例.典型算例表明:小波神经网络具有很好的逼近与映射能力,并且有很强的泛化能力;模糊神经网络将模糊数学与人工神经网络相互融合起来,有效提升了系统的智能功能.两类新型神经网络使得人-机-环境系统工程中的许多安全评价问题有了更广泛的量化工具,并具有安全评价的量化较准确的特点.     

基于BP神经网络的铁路货运安全风险评价研究

铁路货运安全是铁路货运质量的核心内容,现今铁路货物列车运行速度大幅提高,铁路货运产品种类不断丰富、总量不断增加,铁路货运安全风险管理面临更大挑战。反向传播(BP)神经网络算法相较于常规算法具有收敛快、计算精确和弱化人为因素影响等优点。针对铁路货运安全中存在的风险,建立适当的评价指标体系,使用模糊算法、层次分析法(AHP)量化样本数据,降低数据主观性,通过建立BP神经网络模型,评价铁路货运安全风险;以丰台货运中心的各项数据为例进行验证,结果表明:基于BP神经网络的铁路货运安全风险评价模型能够保证预测结果的准确性。     

基于SHEL模型和神经网络的空中交通管制风险预警研究

空中交通管制安全是确保飞行安全的重要因素。为提高空中交通管制系统的安全性,依据风险管理理论,建立了空中交通管制风险预警模型。根据SHEL模型对风险因素进行分析,建立了风险预警指标体系,在指标体系基础上引入神经网络评估方法,构建了空中交通管制风险预警模型,最后选取某基层空管机构数据样本,实现了预警模型的训练与检测。实例表明,预警结果与实际评价结果相吻合,达到了所需的精度。     

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于CNN的3D姿势估计在建筑工人行为分析中的应用

为实现建筑工人现场行为的自动化分析,采用卷积神经网络(CNN)检测3D人体姿势并根据现场条件对连续图像进行姿态估计;考虑到动态和杂乱的施工现场环境(部分遮挡等)及多变的工人行为,开发建筑工人姿势图像数据集,从定性和定量2方面综合测试算法性能;将所提出的方法用于施工作业姿势风险评估,利用视频中工人的3D姿势驱动人体生物力学模型,快速、定量计算工人作业时易损伤的部位。结果表明:该人体姿势估计方法具有较好的鲁棒性和较高的准确性,结合生物力学模型可实现更精细的工人行为分析与评估。     

基于SSA-CNN的长距离矿浆管道临界流速预测

针对长距离矿浆管道临界流速计算难度大、传统经验公式预测精度低且适用性差等问题,提出了一种基于麻雀搜索算法(SSA)-卷积神经网络(CNN)的矿浆管道临界流速预测模型。首先,分析矿浆管道临界流速的影响因素,选取4个主要影响因素作为模型特征;然后,利用SSA算法对CNN模型中的8个超参数进行迭代寻优,消除人为设置参数的不确定性;最后,将优化后的CNN模型用于临界流速的预测,以某一水平矿浆管道试验段为例进行实证研究。结果表明,SSA-CNN模型残差平方和为0.028 3,平均绝对百分误差为4.19%,平均绝对误差为0.054 0,与LSSVM、SSA-BP和CNN模型相比,该模型的预测精度更高,学习和泛化能力更强,为矿浆管道输送研究提供了一种新思路。     

基于卷积神经网络的高铬马氏体耐热钢老化与损伤分级研究

高铬马氏体因其优良的性能被广泛应用于超(超)临界机组的关键部件,准确判别其损伤及老化状态,对于提升机组运行安全具有重要意义.本文将深度学习方法引入材料分析领域,提出了基于卷积神经网络的马氏体损伤与老化分级模型,通过对现场金相显微镜和实验室金相显微镜拍摄的不同损伤级别的马氏体样本微观组织图片进行金相分析,由卷积神经网络自...     

基于粗糙集——粒子群神经网络的建设项目安全预测研究

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系.利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测.针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数.并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集--粒子群神经网络的建设项目安全预测系统.通过实例验证该系统的科学性和有效性.     

基于BP神经网络的民航机场安全预警研究

在完善、改进已有民航机场安全预警指标体系及其指标值的基础上,突破民航机场传统的危险预警模式,建立基于BP神经网络的民航机场安全预警模型.采用SPSS主成分分析法对模拟数据进行预处理,基于MATLAB软件实现网络模型的训练与检测,从而实现安全预警.研究表明此模型是可行有效的,可为研究机场安全预警问题提供新的思路和方法.     

基于CNN-aGRU融合模型的尾矿坝浸润线预测方法

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R²几项关键指标上,分别达到0.013 915 62、0.005 432、0.000 045、0.006 702、0.998 334,实现对浸润线变化态势快速精准预测。     

浅谈特种设备安全标识的重要性

最近北京西单商场一小孩乘坐自动扶梯时发生意外事故,引起了人们对乘坐自动扶梯的重视。人们对乘坐自动扶梯的安全要求认识不足,如何提高人们的安全警惕性和如何要求人们的安全行为尤其重要。