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。     

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。     

基于深度学习的输煤皮带故障视觉检测方法研究

为了更好地检测皮带跑偏、撕裂和异物干扰等严重影响皮带安全运行的故障状态,围绕相关问题产生的原因及检测方法开展深入研究,通过对纵/横向裂缝、异物的检测分析、实验,提高基于视觉的检测精度。提出基于Canny边缘检测算法的皮带跑偏检测算法;基于深度学习的横向与纵向撕裂检测,尤其对于裂缝与纵向纹理区分不明显情况,提出一种红光透射的判别方式;基于最小距离分类算法将识别异物转换为分类问题,利用机器学习的方法对样本进行训练并建立无异物阈值,通过提取特征,最后利用最小距离分类算法得到有无异物的结果。研究结果表明:提出的视觉检测系统可以实时高效地检测出输煤皮带常见的3种故障,可进一步保障运输系统安全运行。     

基于改进深度学习网络对裂缝检测研究

提出了一种运用于混凝土裂缝检测的模型yolov5-slC,该方法建立在yolov5模型的基础上,改进yolov5s网络结构,将普通卷积替换为轻量卷积GSConv,在此基础上继续引用slimneck结构,降低网络复杂度的同时并未丧失精度,缩短检测时间,减少计算量;引入轻量化上采样算子CARAFE,减少了计算开销。与原yolov5s相比,该方法的mAP₅₀提高了3.5百分点,mAP₉₅提高了9.4百分点。在试验数据集和补充数据集进行可视化对比,yolov5-slC均表现良好,能高效精确地为混凝土裂缝检测提供新方法。     

基于YOLO-V3算法的加油站不安全行为检测

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明：引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。     

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...     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点,但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题,提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法,有效解决了数据集数据量不足、数据类型不平衡的问题。同时,还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案,并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明,利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能,3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化,有利于其在嵌入式设备中部署。     

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。     

基于图像学习的透明构件缺陷检测方法研究

光学PC板、玻璃幕墙等透明构件中存在的气泡、缺胶等先天缺陷严重影响着设备的运维保障。因此,提出了一种透明构件缺陷检测方法。首先,基于视觉图像特性分析了透明构件缺陷检测机制;其次,改良了高斯滤波模型,建立了边缘特征检测模型,并确立了缺陷区域分割模型,以降低环境条件的干扰;再次,在进行缺陷区域分级的基础上,建立了依据缺陷特性的强特征参数优选方法,以提高缺陷的精准分类效果;最后,搭建了双通道图像检测试验平台对典型试验对象进行了测试验证,验证了视觉图像学习方法应用于透明构件缺陷检测的有效性和实用性。     

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%。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于层次分析法的厂内机动车叉车事故分析

近些年来，叉车在物流领域中的应用越来越广泛，但是随之而来也出现了大量的叉车事故，这不仅影响了人们的生产工作，更重要的是还威胁到了人们的生命安全。为此，笔者搜集了24起恶性叉车事故，对其进行了分析，并在此基础之上，结合笔者对此问题的理解，运用层次分析法．对导致叉车事故的原因进行了分析排序，得出叉车安全管理上作的重点。     

基于多周期的危险品多式联运路径优化研究

为了更有效地规划危险品运输路线，研究了由多个路径期组成的危险品公铁联运网络扩张问题。以总成本和风险最低为目标，建立混合整数概率鲁棒模型，利用模拟退火算法对模型进行求解，并将多周期动态规划方法与单周期方法进行对比，分析了多周期动态规划方法对危险品联运网络以及路径决策的影响。研究结果表明:规划危险品的运输路线时，采用多周期的公铁联运网络，总运输成本明显优于单周期规划方法。     

基于叠加-触发原理的铁路危险品运输系统风险场形成机理研究

引入风险场理论研究铁路危险品运输系统风险形成机理，基于系统风险因素识别，建立铁路危险品运输系统风险势函数及对应的风险场强模型，采用触发器原理分析了风险场叠加后的风险形成机理。研究结果表明:内部风险场承受体风险势和风险场强均为代数加和叠加；外部风险场分为单一和多风险源2类，风险势均表现为代数加和叠加，风险场强叠加均满足平行四边形法则。风险状态的变化直接作用于内、外风险场承受体，内部风险场承受体全部或部分崩溃，将导致铁路危险品运输系统失效，其释放的风险场能量将会对外部风险场承受体系统进行攻击，导致外部风险场承受体的部分或整体失效，进而产生风险级联效应。     

基于STAMP-ISM的铁路危险品运输系统风险-事故分析方法*

为预防铁路危险品运输系统事故的发生,采用STAMP-ISM模型分析铁路危险品运输系统风险-事故。首先,利用STAMP模型详细分析事故,得到控制结构的相关安全约束、不充分控制行为及产生原因,以及系统的安全动态变化;其次,采用ISM分析事故致因因素之间的关联关系并划分层级;最后,基于STAMP和ISM分析结果提出系统改进方案。以我国一起匿名夹带事故为背景进行案例研究,结果表明,ISM模型的加入可深入挖掘事故因素间的相互关系,为事故致因因素重要度划分层级,分析结果及建议更具针对性。     

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。     

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数据集,弥补油田作业区入侵样本不足的问题,有效地增加模型的泛化性;针对光照条件差的黑夜场景,使用三帧差分法,背景减除法等算法对运动目标进行检测。研究结果表明:本文提出算法较YOLOv5方法的精度更高,在不同油田场景下精度可达91.83%,已在油田作业现场进行部署与应用。