基于NanoDet的轻量级空中作业安全绳检测研究

以轻量级的检测算法NanoDet为基础,对算法的网络结构、训练策略等进行了改进,得到了一种适用于施工作业场景下的安全绳检测方法。该方法能以72帧/s的速度实时运行,并且在构建的施工作业安全绳数据集上达到了63.6%的精度,比原始算法提升了12.8百分点,能更好地保障空中作业人员的人身安全。

基于改进YOLOv5的安全绳目标检测

在工业施工过程中,工人安全已成为一个日益重要的问题,佩戴安全绳等安全装备是保护工人在高处工作时生命安全的重要措施;在现代化生产施工过程中,通过使用监控摄像设备结合人工智能算法的方式来检测工人佩戴安全绳等设备越发普遍,但安全绳由于细长、形状多变以及环境变化等因素较为难以准确识别;为解决以上问题,并确保能够在不同环境下准确识别安全绳,现提出一种使用YOLOv5的目标检测算法,首先通过改进的FasterNet模块进行上下文信息提取,在Neck网络中使用改进的多维动态卷积保留更多特征信息,使用WIoU_Loss损失函数来提高定位精度,在训练过程中使用动态调整学习率的策略;实验结果表明,改进后的算法在降低计算复杂度的情况下提高了3.0%的检测精度,mAP@0.5提高了4.3%,经过在实际场景应用,满足项目对实时检测精度及速度的要求。

安全绳拉力试验机滑轮模组研究与应用

随着电力电网的发展,电气作业以安全第一为主旨,对电力系统电气设备的可靠性要求越来越高。而在高空电气作业中,安全绳的使用也越来越频繁,在电力检修、变电站、带电体设备周围,以及各类电气作业区域使用中,充当着工作人员的第一保险,其功能性有着广泛的应用范围,且绳体质量的检测需求也是重中之重,因此安全绳的使用、保养、检验检测,成为整个安全体系中的最重要环节。

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于YOLOv3提出了一种改进多尺度特征融合方法。该方法增加了Inception_shortcut模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用k-means算法对检测目标重新聚类,引入了PANet多尺度特征融合结构,精简了YOLOv3的网络检测输出层。在创建工业现场安全帽、安全绳数据集FHPD、FSRPD以及PASCAL VOC2007数据集上的实验结果表明,改进算法的mAP比原始YOLOv3提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。