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。     

城市加油站火灾风险分级研究

针对城市加油站储存有大量易燃、易爆油品,容易引发火灾爆炸事故的情况,通过对加油站事故案例的数据统计,分析得出加油站事故存在的主要风险以及导致城市加油站火灾事故发生的原因.基于风险管理的理念,对城市加油站火灾风险进行分级研究.借鉴相关风险评估研究成果,首先提出加油站火灾风险分级指标体系,采用层次分析法确定指标权重并予以量化,据此构建加油站火灾风险分级模型,通过模型得出加油站火灾风险等级,为安全监察部门开展工作提供依据.     

基于改进贝叶斯网络的加油站火灾爆炸分析

为了找出导致加油站发生火灾爆炸事故的基本事件及其可能性大小,以加油站火灾爆炸故障树为基础建立相应的贝叶斯网络风险模型。在FTA向BN转化算法的基础上对条件概率做出了修正。利用GeNIe软件计算加油站火灾爆炸事故基事件的后验概率,同时进行灵敏度和影响力分析。最后通过实例分析,找出了导致某加油站发生火灾爆炸事故危险性最大的因素集为:加油站接打手机、机械碰撞、给塑料容器加油、加油冒油、油枪渗漏等。结果表明,注重基事件的多态性和事件间逻辑关系合理性的新模型,能推算出更准确的基事件概率分布,同时可以找出导致事故发生的最有可能途径,为加油站事故预防,系统改进提供较为合理性建议。     

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%。     

加油站爆炸事故的危险性评价

将加油站储罐分为地上储罐和地下储罐两种情况,采用故障树分析法对其爆炸事故进行了定性分析,找出了导致加油站爆炸事故的重要基本事件,提出了加油站爆炸事故的预防措施。     

危险化学品火灾爆炸事故不安全动作分布规律研究

以我国210起典型危险化学品火灾爆炸事故为样本,对造成事故的不安全动作进行归类统计,应用云模型云发生器算法计算大类不安全动作的云模型参数值并绘制隶属云图,得出了危险化学品火灾爆炸事故中不安全动作类型和发出者分布规律及特点。结果表明:造成火源型火灾爆炸事故的违规型不安全动作平均发生次数最多,分布不均匀且不稳定,其中现场工作缺乏指导或监护发生次数最多,发出对象为监理;蓄热型火灾爆炸事故中技术型不安全动作分布表现出较大的随机性,其中物料添加不当和隐患排查不彻底发生次数最多,发出对象分别为基层人员和监理。     

干式煤气柜火灾爆炸危险性评价与对策

分析了导致10万m3干式煤气柜火灾爆炸的危险因素,对火灾爆炸事故采用故障树法,分析事故发生的可能原因,提出了安全对策措施.     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。     

城市建成区内加油站防火安全布局分析

以城市建成区内的二级、三级加油站为研究对象,应用G·M Lake Hoff计算方法和池火灾计算方法确定了加油站的火灾爆炸事故危害范围,得到其安全距离分别为13.4 m和11.3 m。提出了对防火间距不足的加油站进行整改时,要考虑城市油品供需关系,采取不同的措施,以达到既安全又便利的目的。并以哈尔滨市建成区为例,介绍了加油站防火安全布局分析方法的具体运用过程。     

酒精罐区的火灾爆炸事故树分析及预防措施

酒精储罐储存有易燃易爆的酒精,如果发生火灾爆炸事故,就会带来重大的人员伤亡和财产损失。先对酒精储罐区火灾爆炸的条件进行综合分析,再运用事故树分析法采用自上而下的方式对导致酒精储罐区发生火灾爆炸的原因进行分析,建立出酒精储罐火灾爆炸事故树模型;然后计算事故树最小径集和结构重要度,确定事故树中各类事件的重要程度及各类事件间的关系,发现造成酒精罐区火灾爆炸的主要原因是酒精浓度达到了可燃浓度和爆炸极限。提出了针对性预防措施,以确保酒精储罐区人员和设备的安全。     

故障树在含硫油罐火灾分析中的应用

含硫油罐爆炸主要是由自燃、明火、雷击和静电引起的,应用故障树分析法(FTA)对其进行了分析,建立了含硫油罐爆炸的故障树.采用下行法求出了系统的最小割集,通过故障树的定性分析和定量分析,提出了预防含硫油罐火灾爆炸事故的对策,给出了具体的防爆炸措施.故障树的分析结果可以为油罐的安全管理提供理论指导.     

基于蒙特卡罗法的煤矿工人不安全行为风险评估

为预防顶板、瓦斯爆炸、煤与瓦斯突出、水害4类煤矿事故,首先通过2-4 Model分析100起煤矿事故不安全动作,构建基于蒙特卡罗法的煤矿工人不安全行为风险评估模型;然后研究4类事故的行为风险后果值及每类事故中不安全动作对行为风险的影响程度;最后提出煤矿事故行为风险预防措施。研究结果表明:瓦斯爆炸事故行为风险最大,其次是煤与瓦斯突出事故和水害事故行为风险,顶板事故行为风险最小;未能有效探放水、未按规定施工生产、违规指挥生产这3种不安全动作对煤矿事故行为风险影响较大。     

石油库及加油站油气火灾爆炸分析

本文通过对油气火灾爆炸原因分析,阐述了石油库及加油站爆炸危险区域的等级划分与影响因素,提出了防范石油库及加油站油气火灾爆炸事故的防范措施.     

建筑电气火灾事故人员不安全行为风险评估

为量化分析建筑电气火灾事故中不安全动作造成的风险,本文运用事故致因"2-4"模型从火源产生、火灾发展、灭火3个环节进行事故直接原因分析;然后将各环节的不安全动作风险后果和发生概率设为随机变量,构建基于蒙特卡罗法的事故人员不安全行为风险评估模型,运用Crystal Ball 11.1软件分析模拟3个环节不安全动作风险,并对人员不安全行为的敏感性和不确定性进行分析;最后提出建筑电气火灾事故人员不安全动作风险预防措施.结果表明:火源产生环节行为风险最大,火灾发展环节行为风险最小;电器产品使用不当,违规存储、使用易燃易爆物品,未按规定维护保养消防器材设施这3种不安全动作对建筑电气火灾行为风险影响较大.     

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DEMATEL-ISM的高校实验室火灾爆炸事故影响因素分析

为分析高校实验室火灾爆炸事故风险因素,以2001-2021年56起高校实验室火灾爆炸事故的特征及影响因素为基础,构建11个高校实验室火灾爆炸事故风险影响因素,采用DEMATEL-ISM方法分析影响因素间的层次关系,提出实验室火灾爆炸事故防范措施。结果表明：在实验室火灾爆炸事故中,人为因素、设备因素和管理因素导致的事故占比较高;实验室火灾爆炸事故影响因素可分为直接因素、中间因素和深层因素3个层次;实验人员安全意识薄弱、实验设备存在安全隐患、实验条件存在安全隐患、实验安全检查不当、安全规章制度缺乏这5个因素应予以重点关注;应从安全制度建设、加大安全投入等方面提升实验室安全性。     

基于深度学习的建筑工人安全帽佩戴识别研究

建筑工人头部伤害是造成建筑伤亡事故的重要原因。佩戴安全帽是防止建筑工人发生脑部外伤事故的有效措施,而在实际工作中工人未佩戴安全帽的不安全行为时有发生。因此,对施工现场建筑工人佩戴安全帽自动实时检测进行探究,将为深入认知和主动预防安全事故提供新的视角。然而,传统的施工现场具有安全管理水平低下、管理范围小、主要依靠安全管理人员的主观监测并且时效性差、不能全程监控等一系列问题。针对上述现状,提出了一种基于Tensorflow框架,具有高精度、快速等特性的Faster RCNN方法,实时监测工人安全帽佩戴状况。为评估模型性能,收集了6 000张图像用于模型的训练与测试,结果表明,该模型识别工人安全监测中佩戴安全帽工人的平均精度达到90. 91%,召回率达到89. 19%;识别未佩戴安全帽工人的精度达到88. 32%,召回率达到85. 08%。同时,针对工人未佩戴安全帽而进入施工现场的违规行为,通过施工现场入口处监控摄像头截取视频流图像帧,设置检验试验,验证了本方法在施工现场实际应用的有效性。     

天然气蒸汽转化制氢装置转化工序火灾爆炸原因分析

天然气蒸汽转化制氢装置转化工序火灾爆炸事故主要发生在停产检修和正常运行阶段。停产检修阶段火灾爆炸原因主要有装置与外界没有完全盲断或盲板设置不合理;系统内部清洗、置换不彻底。装置运行阶段火灾爆炸事故原因通过事故树的对偶树进行定性分析,求出避免火灾爆炸事故的四个最小径集。     

基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

优化Swin Transformer的塔式起重机销轴安全状态识别算法

为减小塔式起重机运行安全隐患，提高机器视觉检验销轴连接状态的准确率，提出一种优化Swim Transformer的塔式起重机销轴安全状态识别算法；首先通过采集工地现场塔式起重机销轴安全状态图像，创建数据集；其次对数据集中销轴安全状态分类，并进行独热编码；然后基于Swin Transformer算法，建立销轴安全状态的识别模型，构造和优化损失函数；再运用AdamW优化器更新梯度，经过1 000次训练迭代后得到最终模型；最后在所创建的销轴图像数据集上，进行试验验证。结果表明：所提优化算法提高了塔式起重机销轴安全状态识别能力：准确率为99.4%、平均精度为99.4%,平均召回率为99.4%,平均特异度为99.6%,呈现出良好的分类和泛化能力；同时明显优于ShuffleNet、DenseNet和EfficientNet等3种典型算法；与原Swin Transformer算法相比，准确率也提高了3.6%。