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。     

深度学习下吊装作业工人防护装备及吊钩检测方法

为解决危大工程中吊装作业安全管理的问题,基于深度学习构建目标检测算法(You Only Look Once version 5,YOLOv5)网络模型,针对进入吊装作业区域内人员的防护装备进行多目标融合检测,并对吊钩在施工过程中的状态进行检测。在原始的检测网络模型中引入4种注意力机制,并通过5种训练模型的结果对比分析,进而选择卷积块注意力模块(Convolutional Block Attention Module, CBAM)最优模型。优化后的检测模型对安全帽的平均识别精度达86.5%,对反光衣的平均识别精度达83.0%,对吊钩的状态识别精度达92.0%。将训练好的人员检测模型和吊钩检测模型打包成exe执行文件,应用到施工安全管理人员的中控平台,可帮助管理人员更好地判断吊装作业的工作情况,进而及时进行风险管控。     

基于YOLOv3的电网作业人员安全帽佩戴检测

为了有效监测电网作业人员不规范佩戴安全帽行为,提出1种基于YOLOv3的电网作业现场安全帽佩戴检测方法.针对安全帽佩戴规范性问题,构建正确佩戴、不正确佩戴和未佩戴安全帽3种情况下的图像样本库;并利用该数据库对YOLOv3模型进行训练与测试,结合模型参数、样本比例及算法对比分析,开展电网作业人员安全帽佩戴检测算例.结果表...     

关于新国标GB/T 29510-2013的思考

本文对2014年2月刚生效的新国标GB/T29510-2013《个体防护装备配备基本要求》的一些背景情况及内容做了介绍,主要包括PPE配备基本原则和以作业现场职业危害因素辨识与危害水平评估为基础制定PPE配备方案的工作程序,并探讨了新标准的应用价值,即标准在推动用人单位依据作业现场实际情况开展PPE配备和使用管理中所发挥的作用,和帮助职业健康监管部门监督企业选好、用好PPE,进而落实用人单位保护劳动者健康的主体责任过程中可发挥的功能。     

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。     

基于人工智能视频分析的选煤厂安全管理研究

为提高选煤厂安全监控的智能化水平,降低人力值守消耗,利用深度神经网络构建面向选煤厂安全管理的人工智能(AI)视频分析系统,首先,设计深度神经网络算法,实时检测分析典型场景视频目标,构建监控预警管理系统;然后,建立人、机、环的视频安全预警机制,实现对选煤厂现场作业人员不安全行为的视频分析、物的不安全状态的视频识别和环境危险因素的视频判断。结果表明:该系统通过对人、机、环信息的获取、处理和反馈,能够实现及时预警消除安全隐患,提高作业过程的安全系数。     

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。     

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

油田作业现场风险智能识别模式研究

<正>本文结合油田作业现场特点，将目标检测等技术运用于视频监控系统中，开展油田作业现场监控系统智能化，推动油田作业现场安全高效生产。当前，油田作业现场大多己经安装了视频监控系统，但仍然沿用了传统的人工视频监控方式，这种系统只能实时显示监控画面以及视频录像保存，遇到突发情况大都采用事后调取相关视频资料方式进行查询，对风险产生以及工人违反操作规程进行作业无法真正做到实时预防或干预。     

石化企业作业票证移动定位签发系统的研发与应用

为了解决石化企业作业现场作业许可票证现场签发与监管存在的问题,强化企业员工、承包商人员在生产现场作业前凭票作业、落实作业过程中的安全防范措施,规范作业前票证的填写、签发和现场监护,提出了基于防爆手持终端的石化企业作业票证移动定位签发系统的设计思路,并介绍了系统功能要求。通过企业试点应用表明,利用本系统可有效解决企业作业票证填写不规范、不到现场签发或事后补票和补签等问题,实现了作业票证定时间、定位置、定人员和定单位的"四定"签发,同时还实现了票证的实时监控与信息化监管,取得了较好的效果。     

基于改进的YOLOv4安全帽佩戴检测研究

为了加强建筑工人佩戴安全帽情况的检测,防止安全事故的发生,提出1种改进的轻量级YOLOv4安全帽佩戴检测算法,用于运行在移动设备端,降低现场部署的条件;制作1个8 000幅图像的数据集,用于训练和评估安全帽检测算法;为了评估改进的YOLOv4的性能,从5个不同建筑工地采集到600张施工人员图像和60条施工视频作为验证集;根据建筑工地不同的视觉条件对图像进行分类,用于验证本文算法在不同外界环境下的性能。结果表明:改进后的模型检测速度是YOLOv4的3.4倍,可用于实时检测施工人员在不同施工现场条件下是否佩戴安全帽的情况,有利于提高安全检查和监督水平。     

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。     

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。     

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%。     

基于视觉图像的飞行区大型目标监视方法改进研究

机场飞行区现使用的场面监视方法存在着定位偏差较大、不稳定、易跳变、皆为点源定位等问题。针对这些问题,设计了基于视觉图像的飞行区监视方法,实现快速准确的目标检测和轮廓定位,使飞行区监视更加稳定精确。提出了一种基于MobileNetV3和YOLOv5的网络模型(以下称为MobileNetV3-YOLOv5),即在YOLOv5的主干中使用MobileNetV3,来提高对目标的检测速度和准确度;提出了一种基于优化特征点提取的改进定向快速旋转简报(Oriented FAST and Rotated BRIEF,ORB)算法,将图像分割成多个区域,分别提取每个区域的特征点,从而提高目标识别框内区域的特征点识别数量,再进行特征点聚类筛选,最后根据识别目标类型采用最小包围盒进行轮廓划分,得到目标的轮廓定位。试验结果表明：MobileNetV3-YOLOv5方法对比原始YOLOv5模型,在识别目标准确率方面提升5百分点,在效率方面提升14张/s;同时在0～60 m的范围内,轮廓估计误差仅为2.9%;体现了所提出的监视方法的有效性,可以提升飞行区监视定位准确性和运行安全性。     

把职工的健康放在首位

正企业必须坚持"以人为本"的原则,把职业健康放在首位,切实加强安全培训,提高劳动保护力度,改善作业环境及工艺技术,使用监测监控系统,从而确保作业人员的健康。图为某企业一线作业现场。(图片由湖北省大冶市武钢金山店铁矿提供)随着新技术、新材料、新工艺、新设备的广泛投入和使用,在企业日常安全生产工作中,生产一线作业人员面临的职业病危害因素日益复杂多样。为了切实保障生产一线作业人员的职业健康,企业必须坚持"以人为本"的原则,把职业健康放在首位,切实加强安全培训,提高劳动保护力度,改善作业环境及工艺技术,使用监测监控系统,     

以"制"严"安"

对于企业安全生产工作来说,想要确保作业现场安全,关键在于管控好"人"的风险.对此,企业应通过"以制严安",用规则、规范、规矩控制住作业现场人员的意识和行为,把住安全源头、防住事故苗头、守住作业"人头",从而实现现场安全管控目标.     

基于深度学习的检修作业过程风险智能预警

为提高炼化企业检维修作业过程的安全性,利用目标检测技术,构建基于深度学习的智能风险识别模型;首先,结合贝叶斯网络(BN)及模糊集理论,建立动态风险评估模型;其次,采用分级动态预警方法,实现检修作业过程风险要素的智能监控预警;然后,以压缩机检修作业过程为例,采用失效模式和影响分析(FMEA)与作业条件危险性分析方法,辨识作业过程风险,再利用基于深度学习的风险智能识别模型,监控现场作业过程并识别风险;最后,采用BN和模糊集理论相结合的方法,评估作业过程中的动态风险,并采用分级预警的方法智能预警作业过程风险。结果表明：该方法可以有效识别压缩机检修作业过程中的风险因素,识别准确率为93%,在此基础上进行动态风险评估,当观测到事件概率发生变化,且超出相应预警阈值时,依据风险等级进行报警,实现风险要素的智能监控。