基于YOLOv5s的智慧工地安全管理系统的实现

建筑行业是一种高危行业。在建筑安全中,安全帽的佩戴可以在一定程度上保障施工人员的安全。针对施工人员的安全帽佩戴问题,设计并实现了一款基于YOLOv5s算法模型的智慧工地安全管理系统。将训练好的算法模型通过RT-Thread操作系统部署于嵌入式硬件平台,在施工现场智能识别未佩戴安全帽的人员并提出报警。在进行推理测试后得出结果,基于YOLOv5s的算法模型可以有效地区别出施工人员有无正确佩戴安全帽,测试精度达到92.3%。当IoU为50时,mAP值达到93.1%。实验结果表明,基于YOLOv5s的算法模型在人群密集和小头检测等问题上准确率高,实时性强,均已达到实际使用需求,同时有助于降低施工风险,减少不必要的人力监督,实现工地人员智能安全管理。     

基于YOLOv5 DeepSORT和虚拟检测区的车轴时空定位方法

为获得道路桥梁上汽车车轴的分布状况,基于YOLOv5 DeepSORT机器视觉技术对监控视频中车轴时空定位的方法进行研究。首先,根据监控视频中车轴多尺度、小目标的特点,提出基于Faster R-CNN算法的图像半自动标注方法,快速构建车轴目标检测数据集;利用YOLOv5算法检测视频中的车轴目标,并对YOLOv5系列算法性能进行评估;然后,提出在视频监测区域中设置虚拟检测区,先利用卡尔曼滤波算法对车轴目标的位置和状态进行预测,再分别利用重识别算法、匈牙利算法和级联匹配方法实现前后2帧车轴目标的匹配,完成基于DeepSORT算法的车轴多目标跟踪,生成车轴轨迹;最后,利用多目标跟踪结果,结合直接线性转换和基于匀速假定的位置推定,实现了对桥上所有车轴的时空定位。结果表明：在目标检测方面,YOLOv5s6模型表现最优,准确率达到96.42%,检测时间19.2 ms/帧,对车轴具有高准确率和更快的检测速度;在多目标跟踪方面,基于虚拟检测区和YOLOv5 DeepSORT的多目标跟踪方法具有更好的检测和跟踪效果,与不设置虚拟检测区对比,多目标跟踪精度(MOTA)和识别精确率与识别召回率的调和平均数(...     

一种管道蛇形机器人的裂缝视频检测系统

为实现蛇形机器人在管道内部快速准确的识别管道内壁裂缝,基于一种改进YOLOv3算法为管道蛇形机器人设计了快速检测管道裂缝的系统。系统搭载了500万像素相机以及用于辅助标定的两个激光发生器。此系统通过摄像机采集管道内部视频信息,使用改进YOLOv3算法对视频进行检测,若识别出裂缝则输出当前图像。之后结合激光标定和边缘检测算法得到当前裂缝的物理信息。改进YOLOv3算法使用k-means++算法对裂缝数据集进行聚类,得到最佳先验框,并使用距离交并比代替交并比作为损失函数,以提高精度和速度。实验表明,改进YOLOv3算法平均精度为87.23%,与原始YOLOv3算法相比提高了5.88%;同时基于激光标定算法的图像处理得到的裂缝物理信息与实际信息误差在5%以内,可以用于实际工程。     

YOLO-S:一种新型轻量的安全帽佩戴检测模型

针对现有施工场所下工人安全帽佩戴检测模型推理耗时长、对硬件要求高,且复杂多变环境下的训练数据集单一、数量少导致模型鲁棒性较差等问题,提出了一种轻量化的安全帽佩戴检测模型YOLO-S.首先,针对数据集类别不平衡问题,设计混合场景数据增强方法,使类别均衡化,提高模型在复杂施工环境下的鲁棒性;将原始YOLOv5s主干网络更改为MobileNetV2,降低了网络计算复杂度.其次,对模型进行压缩,通过在BN层引入缩放因子进行稀疏化训练,判定各通道重要性,对冗余通道剪枝,进一步减少模型推理计算量,提高模型检测速度.最后,通过知识蒸馏辅助模型进行微调得到YOLO-S.实验结果表明,YOLO-S的召回率及mAP较YOLOv5s分别提高1.9%、1.4%,模型参数量压缩为YOLOv5s的1/3,模型体积压缩为YOLOv5s的1/4, FLOPs为YOLOv5s的1/3,推理速度快于其他模型,可移植性较高.     

基于改进YOLOv5的绝缘子缺陷检测算法

绝缘子缺陷检测是电网巡检过程中重要的一环,为提高绝缘子缺陷检测的精度,该文提出一种基于改进YOLOv5算法的绝缘子缺陷检测算法——YOLOv5t,能够在保证网络运行速度的条件下,提升网络的检测精度.该算法在YOLOv5s的基础上,将三重注意力机制(triplet attention)添加到骨干网络中,给予每个特征通道不同的权重,以提高网络的检测精度;并采用CIoU Loss作为网络回归损失的损失函数,提升网络的收敛速度;同时将Soft-NMS作为网络的预测结果处理方法,降低网络的漏检率.YOLOv5t与几种常用的缺陷检测网络的对比实验结果表明,YOLOv5t的准确率达到97.2%,召回率达到98%,平均精度均值达到99.1%,较YOLOv5s算法分别提升了0.9%、5.1%和2.1%,并且检测速度没有受到影响.     

一种时间场景识别算法及其在安全报警熔合中的应用

提出了一种基于时间场景识别的安全报警熔合算法。该算法将已知的攻击模式定义成时间场景模型来处理在线或离线的报警流。算法同时完成报警聚合以及报警关联两个工作,并且采用基于时间推理的方法来预处理场景模型,从而使识别过程具有较高的效率。     

改进的YOLOv3交通标志识别算法

针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入CIoU回归损失函数,提升模型检测精度。实验结果表明,在重制的CTSDB交通标志数据集下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。     

改进YOLOv4算法的GFRP内部缺陷检测与识别

为实现航空玻璃纤维复合材料内部分层缺陷的智能识别,搭建了一种多自由度光纤耦合式太赫兹时域光谱系统,对带有模拟内部分层缺陷的样件进行检测,对检测结果图像进行了数据筛选、数据增强和数据标注,构建目标检测所用数据集.同时,提出了一种改进的YOLOv4算法,提高了缺陷智能识别的精度.实验结果表明,改进的YOLOv4算法在测试集得到91.05％ 的准确率和92.02％ 的召回率,分别较原YOLOv4算法提高了5.73％ 和8.51％,具有更强的特征提取能力,并展现出良好鲁棒性,明显消除了应用原YOLOv4算法的错检、漏检现象.     

基于人工智能的嵌入式人流量检测数据分析系统设计

随着计算机视觉和深度学习的高速发展，人流量数据分析在从多场合下得到越来越广泛应用，对人员密集的场所进行数据分析，具有较高的商业价值，同时对类似踩踏等安全问题也起着预防的作用。目前应用人工智能系统的设备成本较高，不利于推广，因此提出设计一个基于边缘计算的嵌入式人流量检测数据分析平台，采用基于Flask的嵌入式WEB服务器以及针对树莓派改进的YOLOv5算法，通过添加新的人脸检测头，使用Stem块替换focus层，修改SPP层中kernel等方式提高YOLOv5对于人特征的识别能力，实验表明，改进的YOLOv5算法在wider-face数据集下，平均正确率较YOLOv5算法提高了5%,基于嵌入式WEB方式实现的人流量检测数据分析系统，既降低了系统成本，又提高人流量数据的平均正确率，有利于进一步推广。     

基于FOCUSS的自适应去噪声误差消除方法

在煤矿监测监控信息融合系统研究中发现,冲击干扰造成的误差不仅容易造成误报警现象,而且严重影响了数据的预测精度和对生产安全状态的判断。为了解决这个问题,提出了基于FOCUSS的自适应去噪声学习算法,该算法根据误差的稀疏特性,利用盲信号分离方法的优势对误差信号进行提取,从而消除噪声对监测数据的影响。仿真实验将其与小波消除数据误差法进行了对比,验证了基于FOCUSS的自适应去噪声学习算法的有效性。     

基于红外成像的船舶净空高度测量方法

在我国通航水域中,船舶与桥梁的碰撞事故时有发生,不仅对船上人员的生命安全造成威胁,而且造成严重的经济损失和社会影响。因此,如何保证水上交通以及桥梁安全,降低船舶碰撞桥梁的风险成为一项重要课题。本文提出一种以改进的脉冲耦合神经网络（PCNN）算法为核心,以摄像机针孔模型为原理,基于红外成像的船舶净空高度测量方法,该方法集红外成像、船舶检测、船舶净空高度测量与报警于一体。通过实验表明,该方法可通过对通航水域船舶净空高度测量与监测,实现船桥碰撞事故的预防和报警,从而提高相关管理部门的管理水平,在船舶的安全通航中发挥重要作用。     

电动汽车充电站火灾多目标实时检测与预警方法

电动汽车在充电过程中易发生火灾事故,为了提高电动汽车充电站火灾检测实时性,提出一种基于YOLOv4-Tiny-CBAM的电动汽车充电站火焰烟雾多目标实时检测与预警算法：选用YOLOv4-Tiny轻量级网络模型实现在低算力平台流畅运行;引入Kmeans-GA算法重新计算锚框值;引入卷积注意力机制模块（CBAM）以加强网络对火焰烟雾特征提取能力以提升检测精度;将电动汽车充电站监控视频作为模型检测输入源,实现就地端实时检测。实验结果表明：该改进算法模型参数量为6.143M,视频检测FPS值为43,mAP值为86.76%,具有较好的目标连续跟踪能力,满足实时检测的需求,对无人化电动汽车充电站安全运行以及火灾应急处置具有重要意义。     

基于优化YOLOv5s的老人跌倒检测算法

针对跌倒对老年人安全性问题造成的影响，以及现有目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题，对YOLOv5s算法进行优化，提出一种老人跌倒检测算法。使用改进的RepVGG模块代替YOLOv5s算法中的3×3卷积模块，优化损失函数，选择K-means++算法对所用数据集进行聚类优化。结果表明，所提算法的鲁棒性好、泛化能力强，平均准确率比YOLOv3,YOLOv4,YOLOv5s, CBAM-YOLOv5s模型分别提高了9%,8%,3%和1.2%。所提出的算法能够满足现实中不同场景对老人跌倒行为的检测需求，可以应用于移动设备或者监控设备中，在老年人安全保障领域发挥重要作用。     

基于改进YOLOv4输电线关键部件实时检测方法

针对输电线路维护过程中的典型缺陷识别问题,为提高无人机(unmanned aerial vehicle, UAV)自主巡检的智能化程度,提出基于改进YOLOv4的无人机输电线关键部件实时检测模型。根据无人机视角下输电线典型目标的特点,结合MobileNet重新设计了一种轻量的特征提取网络来获取更高的特征提取效率,利用空洞模块增强感受野减少小目标的信息损失;在特征融合模块中添加自适应路径融合网络来融合更多的位置信息和语义信息,提高了多尺度目标的检测精度,减少了目标的误报率。采用构建的无人机输电线关键部件数据集来评估提出的模型。结果表明:基于YOLOv4改进的网络能够在无人机机载端实现实时多尺度目标检测,模型的平均准确率可达到92.76%,检测速度可达到32帧/秒,能够满足无人机嵌入式平台上实时检测的需求。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

基于改进 YOLOv3 算法的水下小目标分类与识别

针对声纳图像中小目标检测识别率低、虚警率高的问题, 提出一种改进的 YOLOv3 算法. 改进的 YOLOv3 网络在原始 YOLOv3 的基础上进行优化, 改变网络的层级连接, 融合更浅层的特征与深层特征, 形成新的更大尺度的检测层, 提高了网络对水下小目标检测的能力; 同时, 使用线性缩放的 $K$-means 聚类算法优化计算先验框个数和宽高比, 提高了先验框与 ground truth box 之间的匹配度, 较原始 YOLOv3 算法均值平均精度提高了 7%. 实验结果表明, 所提出的改进 YOLOv3 算法能够有效分类与识别小目标且有更高的准确率和更低的虚警率, 同时保持了原始 YOLOv3 算法的实时性.     

广西农业生态经济系统安全评价与预警研究

开展长时间序列的广西农业生态经济系统安全评价、安全影响因素和安全预警研究,可为系统安全调控、农业可持续发展和乡村振兴提供决策参考。本研究采用生态足迹模型核算2000-2021年广西农业生态经济系统人均生态足迹和人均生态承载力,通过资源利用效率指数、生态盈亏、生态压力指数评价系统安全状况,利用偏最小二乘(PLS)模型分析系统安全的影响因素,基于灰色GM(1,1)模型开展系统安全预警,并将预警结果与云南、贵州进行比较。结果表明,2000-2021年广西农业生态经济系统人均生态足迹增长90.30%,其中林地增长最快,耕地占比最大;人均生态承载力下降0.67%;系统资源利用效率提高72.97%,但2011年以来增幅较小;系统生态赤字从-0.395 hm²/人不断加剧到-1.292 hm²/人,生态压力指数从1.66升高到3.18,系统从中度不安全状态逐渐转变为重度不安全状态,并开始进入极度不安全状态;人均耕地面积和耕垦指数对系统安全具有正向影响;2022-2033年系统安全由重警转为巨警,警情等级高于贵州和云南。因此,要提高耕地保护力度,促进农业转型...     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

基于Web的实验室管理系统安全策略研究

近年来,越来越多的高校开始采用智能化管理系统对实验室进行日常管理,但系统被恶意入侵、用户账号被盗取、用户权限遭篡改等事件不断出现,为实验室管理系统的信息安全敲响了警钟。为完善信息安全防御体系,针对目前各类常见的安全隐患,提出一套基于Web的实验室管理系统的信息安全策略：应用三层C/S和三层B/S混合结构模式构建系统、使用隧道技术和虚拟网卡建立安全的VPN通道、采用网络型入侵检测系统实时监控网络、严格划分用户权限,通过这些技术来保障系统和数据信息的安全。