基于FAST特征的智能安全帽静态报警方法的研究

目前有关智能安全帽大多只是关注工作人员是否佩戴安全帽和他们的异常操作,而对作业人员本身的异常状态则基本忽略,针对上述现状,文章提出了一种基于FAST特征的智能安全帽报警方法,检测佩戴智能安全帽人员的非正常状态(晕厥、猝死等静止状态)并进行报警。利用智能安全帽上搭载的摄像头采集图像数据,使用FAST特征检测算法快速提取特征,然后比较2幅图像的特征是否匹配,以此检测当前安全帽是否处于静止状态。实验结果表明,这种基于FAST特征检测的方法能够有效判断佩戴智能安全帽的人员是否处于静止状态,从而进行报警,在工人单独作业的情况下有较高的实用价值。

基于IMU智能安全帽姿态估计

提出一种基于9轴IMU的智能安全帽姿态估计算法,实现智能安全帽实时姿态估计。通过对IMU采集到的物体加速度和物体所在地磁感应强度数据进行分解,得到物体静态四元数数据;然后根据物体角速度数据和四元数的微分关系对动态四元数进行估计,实现物体的姿态估计。同时,文中提出修正转轴补偿的方法,解决由于物体俯仰角为±π/2时分解四元数计算横滚角时出现的奇异值问题。实验结果显示,文中算法可以实现智能安全帽的姿态估计,在估算精度和实现性上均有良好表现。

图像识别技术在机组运行状态判断及监控对点中的应用

水电站主要是通过人工查看数字量输入(DI)板信号指示灯、监控画面、事件表和报警表查看机组运行状态正常与否,花费时间较多且存在遗漏的可能。文中提出了一种将图像识别技术应用到DI板信号指示灯识别的方法,通过图像识别自动生成信号点表,并将图像处理算法(模板匹配、动态规划、几何定位与区域选择算法)集成到手机应用软件(APP)。使用该APP的拍照和识别功能,实现对机组DI板信号指示灯的实时、快速识别并输出结果,识别正确率可达到98%以上。现场人员根据识别结果可快速查看机组运行时信号点状态是否正常,有针对性地检查和对点,提高了工作效率,特别是对于新建水电站机组投运和已投产水电站机组检修作业的优化效果更为明显,同时所提出的图像处理算法可推广到更多工业场景下的指示灯及仪表智能识别应用中。