基于YOLOv3的安全帽佩戴检测方法研究

在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提。但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高。为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法。首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习的训练方式训练YOLOv3网络。接着,使用该参数和模型对监控视频数据检测人形和安全帽的类别和位置。最后,对检测的三种类别计算相关交并比,并以此判断工人是否正确佩戴安全帽。该算法创新性地将YOLOv3网络模型和交并比算法结合,对网络输出的类别和位置信息再细化处理,提高了检出的准确性,降低了误识别率。试验结果表明,该算法可以满足安全帽佩戴检测中的实时性要求,同时能够准确检出未佩戴安全帽的人员并通知有关人员。

基于TCN-MKELM的工业控制系统故障预警方法研究

针对工业控制系统关键信号时序性的特点,提出了一种基于时间卷积网络-多核极限学习机(TCN-MKELM)的工业控制系统故障预警方法。首先,采用工业控制系统的历史运行数据,建立了基于时间卷积网络(TCN)的在线预测模型,对工业控制系统各关键信号进行在线预测,并生成残差数据。其次,构造多核极限学习机(MKELM),结合残差数据建立了基于MKELM的故障预警模型。最后,以某火电厂锅炉温度控制系统的运行数据为例进行了试验。试验结果表明:与传统循环神经网络相比,基于TCN的预测模型的预测误差较小;与采用原始故障数据直接进行故障预警的方法相比,基于残差数据的MKELM故障预警模型准确率更高。该方法可以有效发现工业生产控制系统的安全隐患,保障工业控制系统的安全运行。