基于i. MX27的矿井无线安全帽系统

提出基于i. MX27的新型便携式无线安全帽系统,介绍了其系统组成及软硬件实现方法。通过应用i. MX27多媒体处理器硬件平台实现了井下作业现场的环境参数监测、数据实时传输、语音通信、视频传输等功能。系统可以依靠电池供电长时间续航,建立无线通信链路,将井下场景迅速反馈至地面通信系统,具有高可靠性和灵活性。     

防触电语言报警安全帽

介绍一项专利产品－－防触电语言报警安全帽的工作原理、安装调试及组装方法，它适合于供电、邮电、广播电视等行业涉电人员上杆作业使用。     

安徽建筑工人将佩戴“徽匠”徽标

徽派建筑在我国建筑史上具有举足轻重的地位。作为徽派建筑的缔造者——"徽匠"将拥有自己的徽标,并将印制在建筑工人的工作服、安全帽以及与建筑相关场合、宣     

一个安全帽=?

安全帽是我们施工现场最常见、最基本的安全防护用品，也是现场施工人员最重要的安全保障。然而，不戴安全帽的情况却时常出现在我们的身边。     

避灾路线要记牢

1985年的一天上午,身为掘进班长的我,带着两名员工在井下-320米水平的一条掘进巷道里打眼放炮。打眼前,我们设好了照明,先进行了一次顶板检撬,然后开始用7655型凿岩机打炮眼。当我们用两台凿岩机打完炮眼后,我正弯腰用手扒底眼口的碎渣准备用吹风管吹炮眼时,突然顶板掉下一块岩石砸在我的头上,把我砸得晕头转向、疼痛难忍、满脸是血。见此情景,几个工友赶紧把我送到医院,经检查发现右耳被砸破了一道血口,逢了几针,休息了一星期后才好。这次事故,主要是我安全意识不强,思想麻痹,在作业前后及作业过程中,没有及时彻底地检撬好巷道顶板,而只是…     

改进YOLOv4的安全帽佩戴检测方法

为减少一线工人由于未佩戴安全帽而造成的意外安全事故,提出一种改进YOLOv4网络和视频监控相结合检测佩戴安全帽的方法。采用聚类算法获取适用于安全帽数据集的先验框,通过对YOLO v4网络增加注意力机制模块聚焦安全帽特征,选用新的边界框回归损失函数CIoU提高检测精度,使用MAL(Multiple Anchor Learning)学习策略减少漏检概率。实验结果表明,改进后的方法在测试集上的mAP达到了96.32%,识别速率为每秒42帧,与YOLOv3算法相比提升了8.73百分点。该方法在安全帽佩戴检测中既满足视频监控的检测实时性的要求,还能较准确地检测一线工人是否佩戴安全帽。     

基于跨尺度特征融合的泵站安全帽检测方法

为应对泵站场景下设备和人员之间目标被遮挡及远距离小目标对泵站重点区域安全帽佩戴自动监管带来的挑战,提出了一种融合注意力机制和跨尺度特征融合的安全帽佩戴检测算法,以克服在远距离、有遮挡场景下安全帽检测准确度低的问题。通过采集泵站监控视频数据构建泵站场景安全帽数据集,在特征提取网络中加入注意力机制模块,使得模型更关注于小目标的通道信息;同时增加检测层使得特征融合时能结合多级特征,并使用柔和非极大值抑制(Soft Non-Manimum Suppression, Soft-NMS)和完全交并比(Complete Intersection over Union, CIoU)算法进行改进以减少遮挡目标漏检情况。在自建数据集进行试验,结果表明改进后的算法平均准确率达到93.5%,与其他目标检测算法相比精度均有所提升,证明该方法在泵站重点区域场景安全帽检测任务中具有良好的性能。     

面向小目标的YOLOv5s安全帽佩戴检测

本文介绍了一种新的基于YOLOv5s的目标检测方法,旨在弥补当前主流检测方法在小目标安全帽佩戴检测方面的不足,提高检测精度和避免漏检.首先增加了一个小目标检测层,增加对小目标安全帽的检测精度;其次引入ShuffleAttention注意力机制,本文将ShuffleAttention的分组数由原来的64组减少为16组,更加有利于模型对深浅、大小特征的全局提取;最后增加SA-BiFPN网络结构,进行双向的多尺度特征融合,提取更加有效的特征信息.实验表明,和原YOLOv5s算法相比,改善后的算法平均精确率提升了1.7%,达到了92.5%,其中佩戴安全帽和未佩戴安全帽的平均精度分别提升了1.9%和1.4%.本文与其他目标检测算法进行对比测试,实验结果表明SAB-YOLOv5s算法模型仅比原始YOLOv5s算法模型增大了1.5M,小于其他算法模型,提高了目标检测的平均精度,减少了小目标检测中漏检、误检的情况,实现了准确且轻量级的安全帽佩戴检测.     

基于改进YOLOv7的安全帽佩戴检测算法

佩戴安全帽对确保高危作业人员的生命安全至关重要。然而,由于施工现场活动范围广泛,从摄像头收集的安全帽图像具有相对较小、检测难度大的特点,容易出现漏检或错检的问题。因此,提出了一种基于改进YOLOv7的安全帽检测算法。使用Kmeans++算法聚类得到更优的先验边界框,在原YOLOv7中添加一个小目标检测层,同时加入卷积注意力机制模块（Convolutional Block Attention Module,CBAM）,使网络更加关注输入图像的有效信息。为优化损失函数,使用Focal-EIoU替换了原YOLOv7网络模型中的完整的交并比（Complete Intersectionover Union,CIoU）,从而减少损失函数自由度,提高模型性能。实验采用了百度飞桨公开的安全帽数据集进行训练。结果表明,改进算法的准确率达到92.2%,召回率达到91.6%,全类别平均正确率（mean Average Precision,mAP）提升1.4个百分点。提出的改进算法有效降低了漏检率及错检率,在安全帽佩戴检测中表现出良好的性能。