基于改进YOLO V3的塔式起重机裂缝检测研究

在施工过程中塔式起重机的事故发生得越来越频繁,为了在安全检测中及时发现塔式起重机因各种因素产生的裂缝从而降低事故的发生率,提出一种基于改进YOLO V3的塔式起重机裂缝检测方法。针对塔式起重机裂缝检测的特点对YOLO V3算法进行改进,利用K-means聚类方法对目标框聚类;根据识别目标对象特点改进原YOLO V3的损失函数;以YOLO V3的网络结构为基础,轻量化网络结构,将3个检测尺度改为2个检测尺度。测试实验结果表明,在对塔式起重机裂缝检测的任务中,均值平均精度高达85.63%,检测速度提高了10.53%,达到42 f/s,满足塔式起重机裂缝检测实时性和准确性的需求,能够进行有效安全检测。

基于YOLO与图像处理的塔吊裂缝研究

在塔式起重机发生事故越来越频繁的背景下,根据实际需求提出采用YOLOv3捕捉裂缝并提取裂缝区域,使用Otsu算法等图像处理技术对捕捉的裂缝进行转换处理获取贴近裂缝的二值像素图像,最终计算获取裂缝缺陷的具体参考参数,为工程技术人员提供危险评估参考和解决方案根据。实验表明YOLOv3识别精度为80.53%,图像处理获取的数据参数误差在5%-18%区间,基本满足需求。最后还提出存在的一些问题并指出下一步改进的工作方向,更好得帮助塔式起重机安全管理监督。

塔式起重机安全管理中裂缝检测方法

针对塔式起重机的事故频繁发生,本文提出了一种基YOLO V3塔式起重机裂缝检测方法来帮助日常安全检测和维护,及时发现塔式起重机因各种因素产生的裂缝防范事故,利用K-means聚类方法确定目标框参数并对数据增强的数据集进行训练。实验结果表明检测任务中mAP可达到81.47%基本满足检测需求,实验同时对比了Faster RCNN的效果并针对实际需求提出改进方向。本文方法对推进装配式施工安全具有广泛前景和重要意义。

深度学习在塔吊裂缝识别中的应用

在塔吊事故频发的背景下,将阐述几种当前主流的基于卷积神经网络的目标识别算法应用于塔吊安全监督管理的可行性。将当前主流的目标识别YOLOv3算法、Faster-RCNN算法和SSD算法应用在塔吊的裂缝识别上从而降低塔吊事故的发生,通过比较分析这三种算法在塔吊裂缝识别上的优缺点,并进一步提出下一步的改进方向来更好的针对塔吊安全管理。

基于BM3D降噪算法在塔吊裂缝图像中的应用

塔吊出现裂缝一直是塔吊事故频发的一个重要安全隐患因素,为了实现对有噪图像的滤波去噪,从而提高对裂缝图像识别的准确性,将之应用在工地安全管理上,进而更好地避免塔吊事故的发生。一种结合了空域和变换域的图像滤波算法优点的三维块匹配(BM3D)图像去噪算法,针对塔吊裂缝图像,通过大量实验比较分析了其他滤波算法在塔吊裂缝识别上的效果,证明了BM3D算法在塔吊裂缝定量分析中的可行性,并进一步提出下一步的改进方向来更好的针对塔吊安全管理。

最佳交并比在塔吊裂缝检测的应用

为了更好地检测工程中塔吊的裂缝,减少工地上塔吊的事故,基于YOLOv3检测算法,通过改变算法中原有的IOU计算方式,提高裂缝的识别精度。根据实际需求,通过比较4种IOU计算方式,分析出基于YOLOv3的最适合塔吊裂缝识别的IOU计算方式。实验表明,采用CIOU代替YOLOv3中的IOU计算方式具有良好的效果,训练过程中的损失值收敛速度更快,mAP提高了2.79%。同时,本文还针对检测中存在的一些问题,提出进一步改进方向,以提高塔吊安全管理水平。