基于YOLOv4-Tiny与显著性检测的安全帽佩戴检测

传统的采用人工巡视工作场所或使用实时监控,对工人安全帽佩戴情况进行检测的方法费时费力,效率低下。随着深度学习技术的发展,可以利用目标检测的方法来对工人安全帽佩戴进行实时检测。但受工作场所复杂环境因素的影响,直接应用目标检测模型检测工人佩戴安全帽的准确率不高。为此,通过优化YOLOv4-Tiny模型,利用K-means聚类算法,针对安全帽这个特定目标生成合适的先验框,然后将YOLOv4-Tiny检测结果与改进的动态显著性检测结果有效融合,提升了工人佩戴安全帽检测的准确率。实验证明,该方法能有效缓解复杂背景对目标检测的影响,能够较准确地检测出有无佩戴安全帽的工作人员。

一种改进的显著性目标检测方法

针对传统方法无法很好地处理复杂背景下显著目标尺度和位置变化大,导致其检测精度较低的问题,文中提出一种改进的显著性目标检测方法。该方法是由卷积神经网络(CNN)与循环神经网络(RNN)相结合的深度学习模型,首先利用显著目标的时间、空间和局部约束特征来实现全局优化;然后,通过卷积神经网络提取显著目标区域以及循环神经网络捕获时间、空间和局部约束特征来检测显著性目标,从而有效地提高复杂背景下显著性目标检测的精度。将文中算法与其他方法在公开的显著性目标数据集上进行对比,并对F-measure、MAE值进行评估。结果表明,所提算法在检测精度和速度方面均有良好的效果,相比于其他方法,该算法对绝大部分实验数据可进行精确的定位检测,包括单个目标、多个目标检测以及光线不良的夜晚条件检测等情况,且具有最低的MAE值,能够提升模型的检测性能。

负荷时间序列波动性的动态时变结构研究

采用广义自回归条件异方差(GARCH)族模型分析了负荷时间序列波动性的动态时变结构,提出了模型系的概念,使用滚动数据窗技术估计了指数广义自回归条件异方差(EGARCH)和幂自回归条件异方差(PARCH)模型系;在研究动态显著性水平线(DSL)的基础上,探究了时序波动性的动态时变结构,讨论了贯穿各子样本空间的波动不对称效应。算例分析中,将所建模型应用于短期负荷预测,比较了GARCH族模型的预测能力,得到了较高的预测精度。