基于OCSVM的隧道人员安全检测技术的研究与应用

隧道人员安全状态的判断主要通过收集施工人员的体征和洞内环境数据,对异常状态的预警通常需要专业工作人员在短时间内迅速作出判断,运维成本高且工作效率较低。针对此现象,提出一种基于单分类支持向量机的人员安全状态检测以及预警模型。首先,通过在现场部署传感器设备,获取实际隧道施工场景安全状态下的数据,并构建OCSVM模型进行异常状态预测;接着,保留模型进行预警状态测试,从工程实例中收集相关环境数据以及施工人员体征数据,并进行横向不同参数模型试验和纵向不同预警状态比例数据试验;最后,评估模型对人员信息安全状态判断的性能。试验结果表明,人员安全状态预警准确率达到90%以上。

基于OCSVM的地板块纹理识别算法研究

地板块表面纹理识别和分类是实木地板生产过程中的一个重要环节,利用机器视觉技术对地板块按纹理走向、分布等进行分类,有利于提高生产效率和分选质量,对实木板材生产中的自动检测分级技术的改造与技术创新都有重要意义。地板块纹理结构精细复杂,变化无规则,一直困扰着学术界,到目前为止对纹理未有一个统一的定义。近年发展起来的新型计算机视觉技术,成为当前图像处理热点研究课题之一,其中One-class SVM作为一种无监督的分类识别模型,能够根据未标注数据样本进行分类识别,常用在文本分类、异常点识别等方面。本研究应用OCSVM模型对直纹、弯纹地板块的纹理特征进行分类,能够实现地板块纹理的快速、自动识别,有较高的准确率。