暑假趣闻

放暑假的第一天,我便迫不及待地拉着朋友一同出去散心,终于解脱了期末学习的压力,我们需要去庆祝一下。我们骑着自行车打算在这美丽的长白山小镇转一圈,顺便欣赏一下美丽家乡的风景,途中,我们来到了工人湖,好长时间没有来这里放松了,怎料原本清澈湍急的河流,现在却是目不忍睹,河流中时不时有被河水溃来的垃圾,河     

未雨绸缪 励志转型为企业植入互联思维——访深圳市景阳科技股份有限公司总经理吴玲

正深圳市景阳科技股份有限公司自2002年成立以来,一直从事专业安全技术防范领域的技术研发及市场服务,作为中国主流的安防厂商,景阳致力于为客户提供一流的技术、高品质的产品和专业的服务。当互联网潮流凶猛来袭时,景阳积极转变思路,谋求转型,在企业发展的道路上稳步前进。     

暑假查网吧

暑假来临了,老师建议我们过一个绿色暑假,可怎样才能过一个有意义,有价值的健康暑假呢？这时,爷爷提议道：“这样吧,你以后就陪我一起去查网吧吧!”     

学先进事迹 促改革创新——吉林省安监局干部到四平红嘴集团参观新农村建设

9月27日,吉林省安监局局长金华、纪检组长李忠效、副局长卜庆安,副巡视员符庆洙、崔晓群等领导带领机关干部及事业单位负责人到全省新农村建设示范单位——四平红嘴集团参观学习。省安监局负责帮扶的东丰县3个乡     

车间安全管理应向交通管理学习

我们过马路时,有时会看到某人站在十字路口,手里拿着小旗子,做为交通“协管员”,这些人多是由于违反交通规则而受到的一种处罚,什么时候这些交通违章者抓到下一违章的人,就可以离开这个“协管”岗位了。     

国外如何保障列车安全

在技术成熟的日本、德国和法国,高速列车发生故障也并不罕见,特别是在它们的运营初期。对于我们而言,除了学习其他国家成熟的安全保障技术外,还需要学习它们处理故障以及安抚乘客的态度和经验。日本：绝不允许犯相同的错误案例1：     

语义分割的传送带跑偏视频检测算法

为避免在选煤厂进行作业分类时,因矿道传送带跑偏而造成严重的生产事故问题,提出一种融合高斯边缘投影的语义分割视频检测算法,来作为实时监测传送带跑偏的解决方案。首先,通过高斯滤波预处理算法,减少视频图像噪点对神经网络的影响;然后,构建融合高斯投影的径向基神经网络结构,增强图像的边缘信息,并将高斯投影融合至网络中以实现语义分割;最后,在保证识别检测效果的同时尽可能降低网络的计算消耗。结果表明：通过验证分析选煤厂矿道工作视频的试验场景,该算法能够准确识别检测传送带位置,进而实现传送带跑偏警告;同时算法在实现有效功能的同时,较典型的语义分割深度学习模型计算资源消耗更少,计算效率更高。     

基于SSD网络的电梯内电动自行车检测研究*

为减少因电动自行车违规操作而造成的消防安全事故,杜绝电动自行车进电梯的违规行为,基于深度学习SSD目标检测网络,使用VGG16、EfficientNet、MobileNet 3种主干网络,研究SSD网络对电梯内电动自行车检测的可行性,分析比较3种网络的检测效果,并提出基于双摄的检测方法,进一步提高电梯场景下检测准确度,减少误检误报警。研究结果表明:SSD检测网络对电梯内电动自行车检测效果良好,其中SSD_MobileNet网络更适用于工业领域,双摄检测方法的检测准确率均大于90%。     

基于迁移学习算法的深部爆破振动速度预测

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R²)以及LR-TrAdaboost算法分别进行预测和对比。结果表明：3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R²分别降低了60.5%、43.9%;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R²在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性...     

基于深度学习的近岸海浪等级视频监测

深度学习是机器学习的重要研究领域,同时作为大数据的有效处理和分析工具越来越受到关注。以多源长时间序列近岸海浪视频环境数据为样本,波浪仪同步测量海浪等级数据为图像标签,构建了面向海洋环境适用于深度学习的海浪训练集、测试集。通过数据扩增技术对视频监测数据进行预处理,提高模型泛化能力,依据视频的相关性,引入误差函数,优化模型灵敏度,提出了适用于海洋领域海浪等级深度学习模型架构（Wave-CNNs）,最后将提出的改进深度学习模型应用于3000样本海浪图像训练集,并通过300样本海浪图像测试集对结果进行验证,实验结果表明,算法对3个等级海浪识别精度达到了66.6%,优于传统Bayes及SVM方法。