共查询到20条相似文献,搜索用时 62 毫秒
1.
听过太多安全帽的故事,知道一点安全帽的常识。然而,笔者最近在某化工企业建筑工地了解到,一位工人戴着安全帽作业时,不小心被水泥块砸中,当场头破血流。事后经有关部门检验,该安全帽早已超过使用年限,外壳材料已经发脆,表面不具备抗击能力。众所周知,安全帽是劳动生产时的防护工具,也是人身保险帽,其防护物体打击等保护作用不容忽视。而在某些生产现场,对这个身系生命安危的安全帽,我们却看到了它不安全的另一面。笔者在基层随机采访中发现,大多数员工并不知道安全帽也有保质期,更有人表示,戴帽子只是做做样子,应付检 相似文献
2.
3.
建筑工人的安全问题关乎企业利益和工人生命,虽然监控技术迅猛发展,但是建筑工地环境复杂,传统分割方法难以对建筑工地图像中的工人进行较好的分割与识别,该文针对这一问题提出了一种基于色相、饱和度、明度(Hue-Saturation-Value,HSV)颜色空间的建筑工人定位方法。首先,对要处理的图像进行了降噪,利用MATLAB软件的色彩分割工具箱对图像进行分割,获得安全帽区域的二值掩膜;其次,利用生态学处理,获得安全帽所在区域的连通域并进行定位;最后,依据安全帽与工人的比例关系和位置关系,实现了对建筑工人的定位。该文依靠HSV颜色空间实现了对安全帽和建筑工人的定位,解决了建筑工地背景复杂难以分割和定位的问题,对后续研究有一定的参考价值。 相似文献
4.
在施工的过程中,需要对人员安全帽佩戴情况进行快速准确地检测并及时预警,实现减少生命和财产的损失。但现有的安全帽佩戴检测算法存在检测速度慢、检测精准度不高等问题,为解决此类问题,提出了一种基于目标检测算法SSD(Single Shot Multi Box Detector)的改进安全帽佩戴快速检测算法。通过使用轻量型卷积神经网络Mobile Net V3-small替换SSD检测算法的卷积神经网络VGG-16,实现减少模型参数,提升检测速率的目的;同时使用特征金字塔网络结构将深层更抽象的特征与浅层更细节特征进行信息的融合,提升检测精确度;以自主制作安全帽数据集HWear的方式进行训练和测试实验,训练时利用数据增强技术提高模型的检测性能。实验结果表明,改进的SSD算法提升了人员安全帽佩戴检测速率,达到108 fps,同时相比于SSD算法平均精确率(mAP)提升了0.5%,具有一定的实践意义。 相似文献
5.
针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测. 相似文献
6.
7.
8.
为考察不同使用环境和不同材质安全帽的抗冲击性能,采用落锤试验对几种常用安全帽进行落锤冲击实验。通过自制头模和实测头模上的应变信号,对照观察不同能量下的破坏情况得出:安全帽的抗冲击能力主要取决于安全帽的材料和构造,其中帽箍具有不可忽视的防护功能;同一材质的安全帽承受冲击能量是有限的,当冲击能量超过55 J时,安全帽将会失去保护作用;经过2~3 a的使用而老化的安全帽的冲击强度明显下降。 相似文献
9.
为实现智能检测室内作业人员是否佩戴安全帽,提出了一种改进的Yolov4算法.首先,针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题,自建了一个用于室内场景的安全帽佩戴状态检测数据集.随后,为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率,设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中.该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征,加强待检测目标的特征纹理,使得模型能够检测出这两类目标.再通过特征自校准模块对融合后的特征进行过滤,加强或抑制特征图上的每一像素点,使得模型可以在融合后的特征图上进行精确的检测.此外为加速模型收敛,使用解耦合的检测头替换原Yolov4中的耦合检测头,使目标定位任务与安全帽佩戴状态的分类任务相互独立.最后为提升模型对于重叠目标的检测能力,提出了软性非极大值抑制后处理算法Soft-CIo U-NMS.实验结果表明,该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽,准确率达到了95.1%.相比于原Yolov4模型,该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升... 相似文献
10.
11.
在大型水利建造工程现场,存在高空坠物、塔吊转动、墙体坍塌等问题,对于建造人员人身安全造成巨大威胁,佩戴安全帽是保护建造人员的有效措施,作为工程作业中的安全管理,对建造人员进行安全帽佩戴的精确检测很有必要。针对现有安全帽检测算法在大型水利建造场景下对小且密集的安全帽目标存在漏检、检测精度较低等问题,提出一种基于STA-YOLOv5的安全帽佩戴检测算法,该算法将Swin Transformer和注意力机制引入到YOLOv5算法中,提高模型对安全帽的识别能力。实验结果表明,STA-YOLOv5算法具有更精确检测结果,识别准确率达到91.6%,较原有的YOLOv5算法有明显提升。 相似文献
13.
14.
针对安全帽佩戴检测中存在的误检和漏检的问题,提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络,即在YOLOv5的网络结构中增加一个浅层检测尺度,并引入特征权重进行加权融合,构成新的四尺检测结构,有效地提升图像浅层特征的提取及融合能力;在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块,使模型更多地关注目标信息忽略背景信息;针对大分辨率的图像,添加图像切割层,避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后,通过自制的安全帽数据集进行训练检测,mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明:改进的YOLOv5算法可有效提升安全帽佩戴的检测性能,能够准确识别施工人员的安全帽佩戴情况,从而大大降低施工现场的安全风险。 相似文献
15.
我看到建筑工人戴的安全帽都是半球形的,为什么安全帽要设计成这样的形状呢?A:安全帽的作用就是要在我们的头部遇到意外撞击时减轻其所受到的伤害。一个物体坚固的程度,除了与自身的材料强度有关外,还与它的外形有着密切 相似文献
16.
安全帽在工业生产中的应用非常广泛,为了防止事故发生,确保生产安全,建立对安全帽的自动检测及报警系统变得越来越迫切。主要对安全帽的识别算法进行了研究,采用肤色检测的方法定位到人脸区域,并以此获得脸部以上的区域图像,将Hu矩作为图像的特征向量,分别比较神经网络和支持向量机(SVM)两种分类模型。实验结果表明:SVM对安全帽的识别有很好的效果,将会对监控系统实现智能化提供有力的支持和实际的指导意义。 相似文献
17.
18.
《小哥白尼(趣味科学画报)》2019,(5)
正"这里有大量让人肾上腺素飙升的刺激训练,有人说你能坚持过一次试飞,那么你就会毫无怨言地感恩生命,因为你还活着,这里是特技飞行训练营。"这是我参加特技飞行训练营时听到的第一句话。入营第一课第一天,我们举行了入营仪式,并且观看了纪录片《百年特技飞行》。 相似文献
19.
《河北省科学院学报》2018,(3)
在电厂生产过程中,安全帽对于保障员工的安全具有非常重要的作用。工作人员在进行生产操作时未正确穿戴安全帽有可能直接导致事故的发生。在开发电厂不安全行为视频检测系统中,安全帽的检测将是一项需要解决的关键问题。本文通过收集现场图片信息和人工标注的方法,构建了训练集和测试集。通过采用深度学习算法,在数据集上得到了一种具备安全帽检测的神经网络模型。经验证,该模型在构建的测试集上达到了良好的检测效果。 相似文献