基于卷积神经网络的驾驶员不安全行为识别

提出了一种基于卷积神经网络的驾驶员违规行为识别方法。首先,利用特定卷积神经网络对驾驶员的实时图像提取特征,然后并行对多种行为分别进行二分类。建立了一个真实场景下的驾驶员违规数据集,在此数据集上的测试说明了该方法的高效和良好的泛化能力。实验结果表明,该方法在约10万张图像的数据集中对打电话、吸烟、不系安全带3种行为分别达到了99.85%、99.62%、98.68%的识别率,同时使用当前较先进的Inception-v3和Xception模型测试,也获得了类似的识别效果。

基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别方法

识别非驾驶行为是提高驾驶安全性的重要手段之一。目前基于骨架序列和图像的融合识别方法具有计算量大和特征融合困难的问题。针对上述问题,本文提出一种基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别模型(skeleton-image based behavior recognition network,SIBBR-Net)。SIBBR-Net通过基于多尺度图的图卷积网络和基于局部视觉及注意力机制的卷积神经网络,充分提取运动和外观特征,较好地平衡了模型表征能力和计算量间的关系。基于手部运动的特征双向引导学习策略、自适应特征融合模块和静态特征空间上的辅助损失,使运动和外观特征间互相引导更新并实现自适应融合。最终在Drive&Act数据集进行算法测试,SIBBR-Net在动态标签和静态标签条件下的平均正确率分别为61.78%和80.42%,每秒浮点运算次数为25.92G,较最优方法降低了76.96%。

基于双路时空网络的驾驶员行为识别

驾驶员危险驾驶行为是恶性交通事故发生的主要原因之一,因此识别驾驶员行为具有工程应用上的重要意义。目前,主流基于视觉的检测方法是对驾驶员行为的局部时空特征进行研究,针对全局空间特征及长时序相关性特征研究较少,这在一定程度上无法结合场景上下文信息对危险驾驶行为进行识别。为了解决上述问题,提出一种基于双路时空网络的驾驶员行为识别方法,整合不同时空通路的优点以提高行为特征丰富度。首先,使用一种改进的双流卷积神经网络(TSN)对时空信息进行表征学习,同时降低提取特征的稀疏性;其次,构建一种基于Transformer的串行时空网络补充长时序相关性信息;最后,联合双路时空网络进行融合决策,增强模型的鲁棒性。实验结果表明,所提方法在驾驶员疲劳检测数据集YawDD、驾驶员分心检测数据集SF-DDDD和最新驾驶员行为识别数据集SynDD1这3个公开数据集上分别取得99.85%、99.94%和98.77%的识别准确率,特别是在SynDD1上,与使用动作识别的网络MoviNet-A0相比识别准确率提升了1.64个百分点;消融实验结果也验证了该方法对驾驶员行为有较高的识别精度。

基于机器学习的驾驶员健康识别与安全评估方法研究

该文旨在研究基于机器学习的驾驶员健康识别与安全评估方法,以提高道路交通安全。通过采集驾驶员生物特征数据和驾驶行为数据,构建了驾驶员健康状态预测模型。使用深度学习算法对数据进行分析和处理,实现了对驾驶员疲劳、情绪等健康状态的准确识别。在真实驾驶场景中进行测试,结果表明该方法具有较高的识别准确率和实用性,在提高交通安全性方面具有良好的应用前景。

交通安全设施对驾驶员行为的影响研究

驾驶员行为是交通安全的关键因素,而交通安全设施则能有效引导与规范其行为。本研究基于大数据和人机交互理论,从视觉、认知和驾驶操作三个层面,深入探讨了交通安全设施对驾驶员行为的影响。通过实地调查与模拟实验,发现清晰可识别的交通标识、设施及道路信息能显著提升驾驶安全。例如,明确的道路标识助驾驶员迅速判断路况,合理的交通组织减少了因突然变道导致的风险。本研究为优化交通安全设施、提升行车安全提供了重要依据。同时,通过建立驾驶员行为模型,研究发现,信号灯时机设置和交通警示设施对驾驶员安全操作行为有显著的正面影响。在此基础上,本研究进一步提出了一些针对性的交通安全设施优化策略和管理建议,以期为提高我国交通安全水平提供科学的理论依据和实践指导。

深度学习的工人多种不安全行为识别方法综述

随着深度学习的发展,目标检测和行为识别方法在工人不安全行为识别领域取得了较大进展,对近年来国内外相关研究工作进行系统性归纳,详细阐述了目标检测方法和行为识别方法中的常用模型和效果,重点评述了两类方法在不安全行为识别上的应用和两类方法结合使用的相关研究,对各种方法的优势、局限性、识别行为类别及适用场景进行了全面分析对比。在此基础上,针对近年来目标检测和行为识别的优化措施,总结了常用的优化方向和手段,归纳了在不安全行为识别上成功应用的改进方法,梳理了该研究领域的难点和问题,并给出建议和未来发展趋势展望,为该领域的研究提供参考和借鉴。

基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别

应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别,防止发生设备误操作等危险情况,对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在的抗背景干扰能力差与实时性不足问题,提出了一种基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别方法。首先,基于MobileOne和C3对YOLOv7目标检测模型骨干与头部网络进行轻量化改进,提高模型推理速度;其次,融合ByteTrack跟踪算法,实现工作人员跟踪锁定,提高抗背景干扰能力;然后,采用MobileNetV2优化OpenPose的网络结构,提高对骨架特征的提取效率;最后,通过时空图卷积网络(ST−GCN)分析人体骨架关键点在时间序列上的空间结构和动态变化,实现对不安全行为的分析识别。实验结果表明:MobileOneC3−YOLO模型的精确率达93.7%,推理速度较YOLOv7模型提高了52%;融合ByteTrack的人员锁定模型锁定成功率达97.1%;改进OpenPose模型内存需求减少了170.3 MiB,在CPU与GPU上的推理速度分别提升了74.7%和54.9%;不安全行为识别模型对疲劳睡岗、离岗、侧身交谈和玩手机4种不安全行为的识别精确率达93.5%,推理速度达18.6帧/s。

基于卷积神经网络算法的城市轨道交通施工人员不安全行为智能识别技术

[目的]施工人员的不安全行为是城市轨道交通施工事故发生的根本因素,传统的管理模式在约束人的不安全行为方面存在不足,因此需借助高精度定位技术和智能识别技术,从主观上消除事故隐患。[方法]介绍了城市轨道交通施工人员不安全行为的产生机理。结合UWB(超宽带无线通信)高精度定位技术、摄像机自标定技术及基于卷积神经网络算法的智能识别技术,搭建了具有定位、感知、识别、预警及通信功能的一体化智能管理平台。以安全帽识别为例,构建了安全帽识别拓扑流程图,对基于卷积神经网络算法的施工人员不安全行为识别的算法进行了测试。[结果及结论]测试结果表明,该算法可实现对施工现场未佩戴安全帽人员的识别,验证了该算法的准确性。该技术实现了对城市轨道交通施工人员不安全行为的智能识别预警。

机电运输类煤矿工作人员不安全行为识别系统开发与应用

智慧化矿山建设需要智能视频监控的支持。文章以杨柳煤矿机电运输人员不安全行为为研究对象,对应用场景进行安全功能需求分析,介绍不安全行为检测原理和算法训练流程,并开发适用的智能识别系统,展示功能界面和实时检测画面。研究结果表明,该系统在实际矿区的应用中能显著提高安全管理水平和预防事故的能力。

基于计算机视觉技术的石化码头不安全行为智能识别

石化码头不安全作业行为会导致安全事故发生,造成人员生命财产损失。提出了一种利用计算机分析和处理图像或视频的计算机视觉技术,用于智能识别石化码头上人员作业时的不安全行为;介绍了该技术的数据采集、算法逻辑和特点,以及相关配套软件系统的部署方式和功能模块的作用。实际应用表明:该技术可以实现重点生产场所、重要高风险工作等的视觉监测,提升企业安全管理的效率。

改进PoseConv3D模型在建筑工人临边不安全行为识别中的应用

为准确识别建筑工人的常见危险动作行为,降低高处坠落事故的发生率,提出了一种基于改进PoseConv3D的建筑工人临边不安全行为识别方法。该方法在PoseConv3D行为识别模型的基础上,采用高分辨率网络(High-Resolution Network,HRNet)姿态估计模型,用于捕捉工人骨骼关键点的模态信息,并在行为特征提取网络中引入三维卷积注意力机制(3D Convolutional Block Attention Module,3D-CBAM),以强化关键特征的自适应学习和分配能力。此外,依据风险等级选取跨越护栏、抛物、吸烟、站姿倚靠护栏、坐姿倚靠护栏和打电话六类不安全行为进行数据集构建。在自行构建的不安全行为数据集上的试验结果表明,该方法对六类临边危险行为动作的Top-1准确率可达95.3%,具有良好的识别精度和泛化性,能够准确识别建筑临边场景下工人的危险行为动作。

基于改进DETR的电力作业现场安全行为识别方法

针对电力作业现场采集的图像样本少,且正负样本分布不均衡的问题,文章提出一种改进检测变压器(detection transformer,DETR)的电力作业现场安全行为识别方法。一方面,通过多次预训练的方式提高DETR模型的泛化性能;另一方面,在DETR模型中融入Adapter模块,利用少量样本进行微调。实验结果表明,所提方法在安全帽佩戴识别、短袖短裤识别、安全带佩戴识别场景中实现了较高的检测精度。在使用100张样本训练的条件下,平均精度为0.81,比现阶段先进的目标检测模型YOLOv5和Faster R-CNN分别高0.02和0.03;在使用300张训练样本的条件下,平均精度为0.84,比YOLOv5和Faster R-CNN分别高0.01和0.03,基于改进的DETR方法实现了端到端的训练,通过Adapter微调能够实现其他任务场景的快速迁移。

行为安全概念及基于其的自动驾驶能力认可方法

针对自动驾驶接受准则难以统一并量化的问题,通过综述现有相关法规、标准和评价方法最优实践,凝练5种安全概念及相互关联关系。着重阐释了以合理可预见且可避免为核心的行为安全概念及研究现状。结合场景数据统计和驾驶员紧急反应机制,提出了合理可预见和可避免的量化研究方法框架。结合事故和实践经验,给出了行为安全在自动驾驶评价中的使用方法,及基于其概念的覆盖事前事后的闭环认证认可流程。可为主管机构、行业第三方、研发企业围绕行为安全建立相关自动驾驶研发、测试流程提供参考。

基于多模态融合构建的建设工程工人不安全行为识别模型

施工现场事故频发,大多数情况都是因为建设工程工人的不安全行为造成的。构建科学合理的识别模型有助于及时识别工人的不安全行为。为了降低事故发生的概率,保障工人的生命安全,此次研究在多模态融合算法的基础上,结合建筑信息模型(Building Information Modeling,BIM)及相关信息技术构建工人不安全行为的识别模型。实验结果显示,训练集的后验概率误差为0.038,测试后验概率误差为0.042;在测试实验中,研究算法的准确率与召回率均较高,平均准确率为90.09%,平均召回率为89.77%;在与其他两种算法的对比中,研究算法的准确率与召回率均更高,研究算法的平均准确率为96.42%,平均召回率为95.97%。验证了研究方法的优越性,说明了研究构建模型能够为建设工程安全管理提供新的思路和方法。

基于轻量化YOLOv5煤矿人员不安全行为识别研究

煤矿的安全事故大多由矿工的不安全行为导致,YOLOv5目标检测模型可通过视频数据检测矿工的违规行为,以降低事故发生的概率。但是YOLOv5模型存在训练速度慢、召回率低的问题,针对该问题对模型进行修改。改进后的模型相较于原模型大大提高了召回率及准确率,测试结果优秀,可成功应用在煤矿违规行为识别过程中。

基于深度学习的高空作业安全行为识别方法

深度学习在各领域的广泛应用引发了对高空作业安全行为识别的新方法和技术的研究。探讨了深度学习技术在高空作业安全行为识别中的应用,分析了传统方法的不足之处,提出了一种基于深度学习的高空作业安全行为识别方法,并总结了相关研究的进展。通过该方法的应用,可以有效提高高空作业的安全性,减少事故风险,保障工人的生命和财产安全。

结合车道线检测与驾驶员面部姿态识别的驾驶安全辅助提醒方法研究

随着传统汽车工业技术的日渐完善与现在智能技术的快速发展,为提高车辆的智能化水平及行驶的安全性,越来越多的智能驾驶辅助技术被提出并部分应用于现实场景。驾驶员状态监测作为众多驾驶辅助技术的基石,对其进行深入探讨及与其他技术融合的必要性也日益凸显。针对驾驶员状态监测问题,提出了一种结合面部特征识别与车道线检测技术的驾驶安全辅助设计。首先,依据车内摄像头获取驾驶员的面部图像;然后提取驾驶员面部特征点以判断驾驶员驾驶车辆过程中的面部朝向;之后再通过车外获取的行驶车辆前方道路影像,基于OpenCV进行车道线识别;最后将得到的面部朝向与车道线变化情况进行比对,判断驾驶员是否在驾驶过程中持续观察道路情况。通过实地检测对设计方案进行了验证,结果表明,该设计能较好地实现数据判定,最终实现监测驾驶员状态的目的。

基于Python生态的驾驶员行为识别系统研究

研究人员发现交通事故发生的主观原因除了与驾驶员的道路安全意识淡薄有关,还与司机驾驶行为失当有关。文章旨在设计驾驶员行为分析和预警的软件系统,识别驾驶员面部和手部行为动作,达到对驾驶员行为安全预警的目的。该系统基于Python语言生态,辅以PyTorch深度学习框架、OpenCV计算机视觉库等各类图像处理模块设计而成,实现了识别驾驶员行为。

基于双流自适应图卷积网络的管制员睡岗行为识别

为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应学习的骨骼拓扑连接矩阵,挖掘管制员不同关节之间的功能连接关系;同时在卷积层引入时空通道注意力机制,增强管制员睡岗行为识别模型在时间、空间、通道3个方向提取重要信息的能力。仿真结果表明,该方法能有效识别管制员3种睡岗行为,相较于传统的时空图卷积网络,识别准确率提高了3.08百分点,达到95.03%,可以提高民航运行安全管理水平。

基于煤矿井下不安全行为知识图谱构建方法

虽然知识图谱已广泛应用于各个领域,但在煤矿安全方面,尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先,采用传统机器学习和深度学习算法相结合的方法进行命名实体识别,采用RoBERTa进行词语向量化,采用双向长短时记忆网络(BiLSTM)对向量进行标注,提高网络模型对上下文特征的捕捉能力,通过多层感知机(MLP)解决煤矿井下不安全行为数据集数据量不足的问题,采用条件随机场(CRF)模型解决前面存在的单词关系不识别问题,并捕获全文信息和预测结果。其次,根据语句的结构特点,设计了基于知识“实体-关系-实体”三元组的依存句法树结构,对井下不安全行为领域的知识资源进行知识抽取与表示。最后,构建面向井下不安全行为的知识图谱。实验结果表明:(1) RoBERTaBiLSTM-MLP-CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果,其准确率分别为86.7%,80.3%,80.7%,77.4%。(2)在相同的数据集下,RoBERTa-BiLSTM-MLP-CRF模型训练的准确率、召回率、F1值较RoBERTa-BiLSTM-CRF模型分别提高了1.6%,1.5%,1.6%。