基于深度学习的变电站人员安全装备检测应用研究

门禁系统作为保护变电站设备安全和人员安全的重要一环,对保障变电站运行稳定性有着重要作用。以往变电站门禁系统识别效率不高且识别信息量过于单一,而且员工没有穿戴安全设备,也会给变电站运行和施工过程中带来风险,从而造成经济损失。针对以上问题,提出了一种对变电站人员的安全装备进行检测的模型。首先采集员工穿戴安全帽、绝缘服等安全装备的图像数据,结合目标检测模型YOLOv4和人脸识别模型RetinaFace+Facenet,设计了一种同时检测员工的人员信息与安全装备穿戴情况的检测模型。该检测模型将图像信息同时输入到YOLOv4和RetinaFace+Facenet模型当中分别进行安全装备佩戴情况识别和员工信息识别。在输出网络当中将两个模型的结果进行结合,使输出图像同时显示两个模型的检测结果。结果表明:该检测模型对员工是否穿戴安全帽、绝缘服等安全装备识别的平均精度mAP为91.81%,对员工身份信息识别的准确率为98.22%,并且在与Faster-RCNN、YOLOv3、SSD等深度学习模型的对比试验中具有更好的精确性。该模型可在实际环境中对员工是否穿戴安全装备和员工信息进行检测,对保障变电站设备安全和变电站员工安全具有一定的应用价值。

COVID-19相关研究的文献计量学分析

目的探索新型冠状病毒肺炎(corona virus disease 2019,COVID-19)研究领域最新进展和研究趋势。方法从Web of Science数据库检索2019年12月1日至2020年11月15日COVID-19相关文献,应用CiteSpace软件对数据进行可视化分析。结果截至2020年11月15日,共检索到58000余篇COVID-19相关文章。Lancet是刊发COVID-19文章最多的杂志;美国是发表COVID-19文章最多的国家,其次是中国;Zhang W是发表COVID-19文章(45篇)最多的作者,而被引最高的作者是Huang CL(5580次)。文献进行共被引分析形成15个聚类,最大聚类为#0羟氯喹。结论美国和中国是COVID-19领域主要研究贡献国,COVID-19临床表现、感染机制与治疗方法是主要研究领域,而患者预后可能是新的研究趋势。