基于DeepFlux算法的建筑施工脚手架间距检测

在脚手架坍塌事故仍有发生的背景下,为了避免传统的人工脚手架测量方法低效和高危的缺点,因此采用计算机视觉对脚手架进行安全规范检测的方式。首先,采用DeepFlux算法提取脚手架图片的骨架信息,针对提取效果以及精度不能满足实际需求的问题,将DeepFlux算法中的VGG16特征提取网络替换为InceptionV3网络,有效地提高了骨架提取精度。其次,根据提取到的骨架信息,提出一种交点检测算法计算脚手架交点信息。最后,根据交点信息计算得到脚手架杆间像素间距,再采用标靶法换算成实际间距。测试实验结果表明,在对脚手架进行检测的任务中,计算脚手架参数的平均误差在5%左右,满足脚手架检测的准确性,能够做到代替人工测量实现脚手架的安全规范检测。

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GA-BP神经网络的温度传感器校准系统

鉴于制药厂对温度的严格要求,对温度传感器DS18B20在10℃-30℃(制药厂要求温度范围)内进行校准。经BP神经网络校准后,最大误差从0.5℃降至0.24℃。BP神经网络随机生成初始参数易造成局部最优和收敛速度慢,故利用遗传算法对其进行优化。优化后收敛轮数从25降为13,最大误差从0.24℃降为0.21℃,精度在原BP神经网络基础上提升了12.5%。实验结果表明,利用遗传算法优化BP神经网络可加快训练收敛速度,提升校准结果精度。此外,采用以Cortex-M3为内核的STM32F103系列MCU开发温度传感器校准系统,将训练好的神经网络搭载到相应的校准模块。经调试,此系统校准精度与Matlab测试结果一致。

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。