Wear-YOLO:变电站电力人员安全装备检测方法研究

针对传统变电站电力人员的安全帽、绝缘手套、绝缘鞋等安全装备的目标检测算法精度低,泛化性差,尤其针对是否佩戴绝缘手套检测难的问题,提出了一种改进YOLOv8的变电站电力人员安全装备检测算法Wear-YOLO。为了更好地学习复杂场景的语境信息,将YOLOv8的Backbone部分的C2f(CSP bottleneck with 2 convolutions)模块替换为融合Transformer结构的MobileViTv3模块,捕获长距离依赖关系和上下文信息,并与局部信息相融合,提升模型在变电站场景中特征提取的能力。同时为优化小目标检测效果,引入小目标检测层以增强网络对浅层语义信息的提取,从而提升模型对于未佩戴绝缘手套小目标的检测精度。采用WIoUv3改进边界框回归损失函数,引入动态非单调聚焦机制使得模型更专注于普通质量的锚框,从而提高模型检测的准确率和对于复杂情况的适应能力。实验结果表明,平均检测精度92.1%,对安全帽的检测精度96.8%,对佩戴绝缘手套的检测精度92.1%,对未佩戴绝缘手套的检测精度81.6%,对绝缘鞋的检测精度93.0%,并且在与经典目标检测模型Faster R-CNN、SSD、RetinaNet、YOLOv5的对比实验中具有更好的检测精度和鲁棒性。

探讨智能化装备检测能力建设

目前,许多行业都依赖各种装备和机器来进行生产和运营,通过智能化装备检测技术,可以实现对装备运行状态的实时监测和分析,提前发现问题并进行维护,从而减少故障和停机时间,提高生产效率和装备利用率。智能化装备检测技术可以及时发现装备异常,预防装备故障,从而确保装备运行的稳定性和可靠性,减少由于装备故障而带来的损失。基于此,首先阐述装备检测能力建设的必要性,然后围绕智能化装备检测能力建设策略的相关内容开展研究。

基于EG-YOLOv5s的矿井人员装备检测算法研究

为了解决矿井人员装备检测算法中存在的精度低、检测速度慢等问题,提出了一种基于YOLOv5s模型的EG-YOLOv5s模型。在骨干网络中引入ECA注意力机制,以突出目标的重要特征。使用GIOU作为损失函数,提高了目标定位的准确性。试验结果表明,改进模型优于YOLOv5s模型,准确率提升5.6%,均值平均精度提升3.6%,检测实时性达到了106.3 frame/s.

面向复杂环境的YOLOv8安全装备检测

为解决现有安全帽和反光衣检测模型对小目标和复杂天气中目标检测精度低、环境干扰因素大、难以在性能一般移动设备部署等问题,设计实现一种改进YOLOv8安全装备检测模型YOLOv8-DSI。首先,设计基于残差思想和并行空洞卷积的DR-SPPF模块,进一步扩大感受野且不损失图像分辨率,显著提升复杂天气检测精度;其次,在特征融合阶段设计结构轻量特征金字塔网络ST-BiFPN,进一步减小模型参数量,实现高效多尺度特征融合;最后,引入Inner-ShapeIoU损失函数,使得边界框回归更加准确,增强检测效果。在自建数据集上,相较于基线模型mAP50和mAP50:95分别提升了2.1%和4.7%,而模型参数量仅为2.4 M,计算量仅为7.3 G,分别降低了10.9%和20.0%。最终将改进模型部署到Jetson Orin Nano边缘设备,通过在开发板实际运行证明,改进后模型在复杂场景下有效性和可应用性。

模糊层次分析在装备检测安全风险评估中的应用探讨

装备检测作为装备完整性管理的重要组成部分,在确保装备安全性、可靠性和使用寿命中发挥着关键作用。针对装备检测存在的诸多不确定性因素,传统的风险评估方法已难以满足实际需求。本文探讨了模糊层次分析法在装备检测安全风险评估中的应用,首先概述了装备检测安全风险评估的基本内容,介绍了模糊层次分析法的基本原理及其在风险评估中的应用;然后详细阐述了模糊层次分析法在装备检测风险评估中的具体步骤,并给出了一个实际案例进行分析;最后分析了模糊层次分析法在装备检测中的优势,并展望了未来的研究方向。该方法为装备检测安全风险评估提供了一种有效的定量分析工具,对提高装备使用安全性具有重要意义。

基于轻量化YOLOv5的煤矿电力人员作业安全装备检测

针对传统煤矿电力人员作业安全装备检测算法精度低、鲁棒性差以及运行速度慢的问题,提出基于改进YOLOv5的目标检测方法。以检测绝缘靴、绝缘手套、安全帽和作业人员为研究对象,采用轻量级Ghost卷积提取目标特征,构建基于CSP结构的C3Ghost模块,通过引入坐标注意力机制,提高算法对感兴趣目标的学习能力。结果表明,改进后的YOLOv5准确率、召回率、平均精度和推理速度比原网络分别提高了1.7%、1.4%、1%和27%,同时模型缩小40%,并在Jetson Nano开发版上成功地部署。

一种基于YOLO v4和DeepSort的施工作业人员安全装备检测方法

为了快速有效地识别施工人员是否完整且正确地佩戴安全装备,本文提出了一种基于YOLO v4算法和DeepSort算法的个人安全防护装备检测方法。首先,提出了一种基于统计的数据增强方法对获取的图像数据进行扩展,使训练模型具有更高的稳健性;其次,结合YOLO v4算法和DeepSort算法对人体和安全防护装备进行检测、跟踪;然后,分析人体框与安全防护装备框的IoU值和相对位置,判断每个工作人员是否完整且正确地佩戴安全装备;最后,显示未佩戴或佩戴错误的装备信息并进行报警。实验结果表明,本文中提出的方法平均检测精度较高,可满足工业应用的精确度要求,能够实现智能化、数字化的实时监控。

利用引擎技术设计复杂装备检测系统

提出了基于通用测试引擎实现测试系统开发的方法 ,并将引擎分为功能层 (系统无关、硬件无关层 )、逻辑层 (仪器无关层 )、仪器控制层 3个层次 。

用频装备检测电磁环境分类与量化方法研究

论述了复杂电磁环境的概念和内涵;提出了对复杂电磁环境的研究应区分为战场电磁环境和用频装备检测电磁环境研究的新观点;分析了战场电磁环境等级划分和用频装备检测电磁环境量化分级的应用范畴和区别;给出了用频装备检测电磁环境的分类依据,制定了分类原则,提出了用频装备检测电磁环境的分类方法和量化方法,并用量化数据描述了平台基础电磁环境和瞬变电磁脉冲环境。

故障装备检测任务分解模型评估

为解决故障装备检测过程存在的突出问题,提高检测任务的执行效率,降低任务执行过程中的复杂程度,在掌握一般检测任务执行过程的基础上,总结了现有故障装备检测过程中常见任务的不同类型;以检测过程中相互间具有约束关系的任务分解为研究对象,借鉴任务关联矩阵(TAM)等相关概念,提出了基于检测任务分解的评估方法和过程模型,从检测周期和资源占用2个角度实现了对检测任务分解程度的定性分析,对任务内聚性、耦合性以及均衡性的定量计算,最后通过实例验证了该方法和模型的可行性,为评估不同检测任务分解方案提供了参考。

基于MapX的装备检测及故障诊断系统

在Visual C++中,采用Mapx控件实现系统各模块的功能。系统由交互界面、故障诊断、测试、文档数据管理,以及资源数据库等模块组成。详细介绍了在Visual C++中该系统的实现步骤。

基于深度学习的变电站人员安全装备检测应用研究

门禁系统作为保护变电站设备安全和人员安全的重要一环,对保障变电站运行稳定性有着重要作用。以往变电站门禁系统识别效率不高且识别信息量过于单一,而且员工没有穿戴安全设备,也会给变电站运行和施工过程中带来风险,从而造成经济损失。针对以上问题,提出了一种对变电站人员的安全装备进行检测的模型。首先采集员工穿戴安全帽、绝缘服等安全装备的图像数据,结合目标检测模型YOLOv4和人脸识别模型RetinaFace+Facenet,设计了一种同时检测员工的人员信息与安全装备穿戴情况的检测模型。该检测模型将图像信息同时输入到YOLOv4和RetinaFace+Facenet模型当中分别进行安全装备佩戴情况识别和员工信息识别。在输出网络当中将两个模型的结果进行结合,使输出图像同时显示两个模型的检测结果。结果表明:该检测模型对员工是否穿戴安全帽、绝缘服等安全装备识别的平均精度mAP为91.81%,对员工身份信息识别的准确率为98.22%,并且在与Faster-RCNN、YOLOv3、SSD等深度学习模型的对比试验中具有更好的精确性。该模型可在实际环境中对员工是否穿戴安全装备和员工信息进行检测,对保障变电站设备安全和变电站员工安全具有一定的应用价值。

航空装备检测虚拟实验教学系统研究

为了解决航空装备检测实验课程在传统教学中存在学员只动手不动脑的问题,本文提出了从教学内容和教学方式2个主要方面来改革航空装备检测实验教学的方案,构建了一种基于虚拟仪器的实验教学系统,并详述了虚拟实验硬件平台及软件平台的构建方法,给出了测试示例,同时阐述了虚拟仪器的优越性以及将虚拟仪器技术应用于航空装备检测实验教学的重要意义。

嵌入交互式检测技术及其在装备检测中的研究应用

信息获取是性能测试与故障诊断的基础。装备系统可用于测试的、开放式的对外接口缺乏,需要将检测系统或其一部分嵌入装备系统内部,获取信息。文章在分析武器装备检测诊断现状的基础上,提出嵌入交互式检测的思想,给出嵌入交互式系统级检测和电路板级检测的检测系统结构,说明了嵌入交互式检测的过程。

智能化装备检测能力建设研究

装备检测是装备性能监测、故障预测和诊断、健康管理、战斗力评估和再生的基础和前提。随着大数据、云计算、智能算法、智能芯片等智能化技术的突破性发展,军事智能化时代已经在全球兴起,并驱动装备体系向信息化、智能化方向发展。针对信息化、智能化装备综合性强、技术性高、战斗力强及结构复杂等特点,本文首先给出了装备检测的意义,然后分析了智能化装备检测面临的问题,最后从构建科学化规范化装备检测标准、智能化检测系统、多样化检测方法、智能化数据处理和智能化检测人才队伍建设五个方面给出智能化装备检测能力建设的意见和措施,以期为未来军队智能化装备检测能力建设提供一定的科学理论支撑。

防护装备检测实验室仪器设备的管理

本文阐述了防护装备检测实验室仪器设备的管理程序,从仪器设备配置策划、流转管理、维护和保养等方面进行详细论述,提出仪器设备管理的建议及思路。

收割机节粮减损检测装备的设计与试验

针对收割机作业中存在的破碎率、含杂率较高等问题,设计了一种谷物联合收割机节粮减损智能检测装备,该检测装备通过传感器和算法,实现对收割机工作状态的实时在线检测。文章介绍了收割机节粮减损检测装备的整体结构、工作原理及田间试验情况。试验结果表明,该装备在破碎含杂率检测中准确性、稳定性较高,与人工检测相比,提高作业效率40%,降低损失率4%,应用前景较好。

公路桥梁智能检测技术与装备研究进展

我国公路桥梁总量近百万座、超7 000万延米,在役桥梁检测养护需求巨大。桥面、桥底、缆索、墩塔、梁内和水下基础等各类桥梁检测环境复杂,以人工目视检测为主的传统桥梁检测方式难以实现特殊区域精细检测。为研究领域动态和行业发展趋势,梳理总结了近年来公路桥梁智能检测技术与智能检测装备发展现状,并对发展方向及研究重点进行了展望。结果表明:桥梁检测的及时性和准确性对桥梁健康诊断、评估及养护极为重要,可有效防止桥梁因自然灾害、超载重载、服役年限等性能下降导致的直接和间接损失;随着智能检测技术与装备的迅猛发展,基于机器视觉的检测技术逐渐成为桥梁智能检测的主要手段,各项无损检测技术也可为公路桥梁技术状况评定提供多元数据支持;搭载各类先进传感器的高性能智能检测装备正逐步覆盖各类桥梁检测需求,并不断提升桥梁检测效率与精度;按照《交通强国建设纲要》中进一步提升交通基础设施检测养护水平专业化、信息化发展要求,未来应围绕“一体式模块化智能检测作业平台”开展研究,从自动化驱动装备、高效化过程检测、多元化数据分析3个方面提升公路桥梁检测技术与检测装备深度融合与优化,为桥梁检测领域研究人员和技术人员提供参考和借鉴。

整车下线灯光检测装备的轻量化设计与结构优化

为节约整车下线灯光检测装备的制造材料,降低生产及运输成本,根据零部件模块化、标准化及重用性要求,对其内部桁架结构进行轻量化设计,建立了三维数字模型;对桁架结构的强度和刚度进行分析与校核,得到应力与应变云图;将应力和应变作为约束条件,通过响应面分析,以多元二次回归方程模拟输入参数和输出参数间的函数关系,采用目标驱动优化分析法对桁架梁型材的截面尺寸进行优化,得到最优尺寸;以改进后桁架的重力为预应力,对立柱进行特征值屈曲分析,并进一步进行轻量化设计,总体减重率达到30%。通过静力学分析,验证了其结构的稳定性。在保证结构稳定性的前提下,实现了对检测装备的轻量化设计。

基于改进YOLOv8n的采掘工作面小目标检测方法

为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置,针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况,提出了一种基于改进YOLOv8n的采掘工作面小目标检测方法。在YOLOv8n骨干网络C2f模块中融合动态蛇形卷积(DSConv),构建C2f−DSConv模块,以提高模型提取多尺度特征的能力;在Neck层引入极化自注意力(PSA)机制,以减少信息损失,提高特征表达能力;在Head层增设1个专门针对小目标的检测头,形成4检测头结构,以扩大模型检测范围。实验结果表明,改进YOLOv8n模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3%,95.8%,89.9%,87.2%,90.8%,平均精度均值为92.4%,优于Faster R−CNN,YOLOv5s,YOLOv7,YOLOv8n模型,且检测速度达208帧/s,满足煤矿井下目标检测精度和实时性要求。