基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

基于YOLOv5s的城镇森林交界域火灾探测模型

为精准监控城镇森林交界域火灾及定位其空间分布,提出基于改进YOLOv5s网络的城镇森林交界域火灾目标探测模型。首先收集城镇森林交界域火灾图像,利用图像注释工具标注出目标探测数据集;然后将坐标注意力(CA)机制引入YOLOv5s的主干网络,增强模型的方向及位置信息感知,以精准定位出城镇森林交界域火灾起火点;最后以准确度、召回率、平均准确度为评价指标,在自建数据集上进行训练、测试。模拟结果表明：改进的YOLOv5s模型整体性能提升,在城镇森林交界域火灾目标探测中,建筑物火灾平均精确度增加了0.8%,森林火灾则增加了1.3%。     

基于AM-LSTM的飞行区航空器滑行轨迹预测与冲突识别

为解决航空器点源定位难以有效预测而引发冲突风险愈来愈多的问题,构建基于注意力机制(AM)和长短期记忆网络(LSTM)的时间序列轨迹预测模型AM-LSTM,预测未来短时间内飞行区航空器的瞬时点源位置;在此基础上,根据航空器型号和滑行航向对其进行轮廓扩展,以航空器速度作为安全距离权重,通过射线法实现轮廓冲突的判定;并以乌鲁木齐地窝堡机场为例进行验证,利用训练完成的轨迹预测模型预测飞行区航空器滑行轨迹,以识别航空器轮廓间的滑行冲突。结果表明：AM-LSTM预测模型能够准确预测飞行区航空器运动轨迹。未来3 s内轨迹位置预测的平均位移误差为1.05 m,轨迹点位置预测精准性可达94.37%,故能在轨迹预测的基础上精确识别滑行冲突风险,有利于保障飞行区的安全运行。     

林火报警图像中火源点确定方法研究

通过分析早期森林火灾烟雾图像的运动特征,提出了一种基于数字图像处理技术的森林火灾火源点确定方法。通过对早期报警图像RGB模型进行分量提取并各自直方图均衡化,获得了其中烟雾区域和背景区域的灰度特征,进而根据烟雾区域的连通性选用区域生长法则,分割出独立的目标图像,最终使用深度优先搜索算法遍历整个烟雾区域,确定其最低像素点,即火源点,完成林火的自动定位。结果表明,此种定位方法的准确率达到90.8%。     

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。     

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。     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。     

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%。     

基于红外热成像的隧道火焰检测技术研究

精准的火焰检测是有效避免火灾发生的关键,针对传统的火灾探测算法在公路隧道等大空间环境中存在及时性与准确性相互制约的问题,通过研究隧道火焰初期在图像中呈现的静态和动态特征,提出了一种基于红外热成像的公路隧道火灾初期火焰检测方法。利用温度阈值获取疑似火焰区域,根据红外图像在引导滤波器作用下降噪,同时利用区域增长法分割疑似火焰区域;从疑似区域中提取的特征值构成特征向量,进行数据归一化提高SVM收敛速度;利用人工蜂群算法优化参数。结果表明:ABC-SVM能够实现公路隧道火灾初期的火焰识别,检测正确率相较于RBF方法提升了2.26%,运行时间缩短了2.29 ms;检测正确率相较于SVM方法提升了0.87%,运行时间缩短了2.22 ms。本方法可以对初期隧道火灾进行快速、有效检测,并有良好的环境适用性。     

基于可视监控的入侵识别方法研究

研究了基于视频监控条件下的入侵检测方法。分析了帧间差,背景差分及高斯模型在提取目标检测区域内运动物体的性能。提出了运动区域斜率结合运动趋势和活动范围作为入侵特征判据的方法。采用MATLAB实现了程序设计,经验证该方法可在视频监控的同时实时截取图像数据帧,并能有效地区分人与其他运动物体,具有较高的识别准确性。     

基于介度熵的机场飞行区关键冲突点识别*

为了探究机场航班流量增大和作业车辆增多而导致机场飞行区内频繁出现活动目标冲突情况，提出1种基于介度熵的机场飞行区关键冲突点识别方法。首先，以飞行区内活动目标为节点，活动目标之间的潜在冲突关系为连边，建立飞行区交通态势网络模型。然后，采用介度熵法评价交通态势网络中各活动目标的冲突指数，得到冲突指数最大的活动目标即关键冲突点。最后，将介度熵法与度中心性、介数中心性和邻接信息熵3种识别方法进行对比，并以西安咸阳国际机场为例进行验证。研究结果表明:识别飞行区关键冲突点时，介度熵法较其他3种方法更有效。通过建立飞行区交通态势网络，采用介度熵法识别飞行区关键冲突点并进行调配，一定程度上可以有效预防冲突发生，保障飞行区运行安全。     

基于扩展分形特征的图像型火灾检测

针对火灾检测中存在的不稳定及误判率高的问题,提出一种基于扩展分形特征的图像型火灾检测算法。首先在图像的HSI颜色空间进行火焰疑似区域的分割,然后采用文中提出的扩展分形特征计算方法计算图像扩展分形特征,利用该特征对目标事物对比度和大小尺寸敏感的特性,对火焰区域进行再次分割,得到最后的火焰区域。实验结果表明,该算法运行效率较高、误报率较低,适用于多种场合的火灾检测。     

智能视觉视角下DCS高危现场意外状况的识别方法研究

DCS分布式控制系统的高危现场意外状况仅仅以传感信号进行识别,很难保证识别过程的抗干扰性。为解决这一问题,提出基于智能视觉的DCS高危现场意外状况识别方法。采用计算机视觉特征方法采集DCS高危现场视觉图像,对视觉图像实施小波降噪预处理,提取降噪后DCS高危现场视觉图像边缘轮廓特征,根据该特征采用关键点帧扫描技术判断DCS高危现场关键点,完成DCS高危现场意外状况识别。实验结果表明,所提方法能够准确识别DCS高危现场的意外状况,具有效率高、抗干扰性强的优势。     

基于ROI检测的视频监控图像增强方法

视频监控技术的主要内容之一就是监视特定场景中是否有新目标出现。为突出图像中的感兴趣区域(Region OfInterest-ROI),提出了一种基于ROI的视频监控图像增强方法,首先检测视频图像中的运动目标区域,然后仅对该感兴趣区域进行图像增强处理,相比于传统针对全图的图像增强算法,既减少了算法运算量,同时还可保证可疑目标的增强效果。     

深度学习技术创新实践

本文介绍一种基于深度学习的视频找人技术,通过采集视频监控系统的图像进行图像模式识别分析,即可实现人员、车辆的视频追踪及人群的动态特征,并提取出特征区域的深层关系值,进行无监督学习,准确区分真实目标和噪声,利用多目标追踪技术来避免逐帧进行目标确认,大幅减少了计算量,有效降低了弱小目标的漏检率及噪声的误报率,提升了视频处理速度与识别的准确率,能够运用于各种复杂的场景。     

一种改进的帧差法实现火焰目标分割

针对传统船舶火灾报警系统采用的传感器在远离火灾源时很难探测到初期火灾的特性,提出了利用摄像头模式识别的方法来探测火源的构想,将顶置鱼眼摄像头作为图像传感器,在一个较大的范围内探测初期火灾,提出了一种基于火焰闪点位置的交叉性与聚合性的帧差算法,实现火焰目标分割识别.该方法是在实时视频流中,对连续两帧图像进行帧差,根据闪点位置的交叉性排除运动物体的干扰,再根据闪点的聚合程度排除一部分游离的干扰闪点,最后得到疑似火焰区域.对疑似火焰区域二值化、抽取轮廓、再由种子点位置确定火焰外形.此法能够高效地从视频图像中分割出火焰,从而为火灾的初期预防报警提供高效识别手段.     

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。     

多作业场景下个体防护装备自动检测研究

为实现对企业作业现场人员个体防护装备(Personal Protective Equipment, PPE)正确穿戴的精准监管，采用YOLOv5模型和单阶段目标检测算法，设计并开发了一种辅助作业现场PPE自动检测与研判的管理系统。通过对某企业工作全流程的调研和分析，明确了存在遮挡物、密集多目标、远距离目标及光照不均匀4类典型的作业场景及检测环境特征。基于不同作业场景下的监控设备完成数据采集，并建立了4种PPE的数据集。通过YOLOv5目标检测模型的训练和测试，融合现有的监控平台，实现了作业过程人员PPE使用情况的动态、快速研判。研究表明，系统对目前企业典型作业场景PPE使用情况的检测平均精确度为99.5%,同时兼顾了检测速度和运行成本，有效提升了企业现场安全管理效能。     

基于深度学习的吸烟行为实时检测

为预防在禁烟场所因吸烟引发的火灾事故，提出了一种基于YOLOv5s的改进算法，利用改进算法对摄像头获取的图像进行逐帧检测，实现吸烟行为的实时检测。首先，将转换器(Transformer)引入网络颈部中，增强网络对多尺度目标的检测能力；其次，加入坐标注意力(Coordinate Attention, CA)模块，丰富网络提取的特征图信息，增强特征图信息表达能力；最后，增加一个小目标检测层，提高网络对香烟小目标的检测能力，降低网络对小目标的漏检率。此外，构建了一个多场景下的吸烟行为数据集，并对马赛克(Mosaic)数据增强策略进行改进，改善原有数据增强方式丢失目标的问题。试验结果表明，改进后的算法在精确率、召回率和平均精确率上相比原模型均有所提升，在多目标和小目标场景下的实际检测效果对比原模型有明显改善，同时检测速度满足实时性要求，改进后的模型能够更好地应用于吸烟行为实时检测任务。     

考虑颜色特征最优组合的CART决策树火灾图像识别方法*

针对火灾图像识别过程中颜色特征数量多、特征间相关性复杂、难以在多维特征融合过程中有效融合图像颜色特征等问题,提出1种考虑颜色特征最优组合的CART决策树火灾图像识别方法。首先,在Lab、RGB、HSV 3种色彩模式下基于图像颜色特征提取火灾图像特征序列;其次,分别在3种色彩模式下基于精细决策树与特征随机排列组合方法提取颜色特征中最优组合特征;最后,将提取的火灾图像最优组合特征序列作为CART决策树输入进行模型训练,并通过测试样本以及其他机器学习方法进行模型泛化能力的分析。研究结果表明:本文方法寻找出识别火灾图像的最优颜色特征组合为“Kb1+Var1+Kg+Kb2+Var2+Kh+Ks+Kv”;CART决策树方法对于火灾图像识别的测试准确度可达84.5%,其分类效果明显优于其他决策树类与集成树类方法;9折为最佳交叉验证折数,其测试准确度可达86.47%,与5折交叉验证相比明显提升14.77%。研究结果可为火灾图像识别提供方法基础。