全文获取类型
收费全文 | 295篇 |
免费 | 24篇 |
国内免费 | 11篇 |
专业分类
电工技术 | 45篇 |
综合类 | 9篇 |
化学工业 | 26篇 |
金属工艺 | 5篇 |
机械仪表 | 7篇 |
建筑科学 | 72篇 |
矿业工程 | 30篇 |
能源动力 | 3篇 |
轻工业 | 4篇 |
水利工程 | 3篇 |
石油天然气 | 23篇 |
无线电 | 18篇 |
一般工业技术 | 7篇 |
冶金工业 | 2篇 |
自动化技术 | 76篇 |
出版年
2024年 | 9篇 |
2023年 | 30篇 |
2022年 | 26篇 |
2021年 | 20篇 |
2020年 | 23篇 |
2019年 | 7篇 |
2018年 | 3篇 |
2017年 | 3篇 |
2016年 | 1篇 |
2015年 | 4篇 |
2014年 | 15篇 |
2013年 | 13篇 |
2012年 | 24篇 |
2011年 | 29篇 |
2010年 | 14篇 |
2009年 | 25篇 |
2008年 | 31篇 |
2007年 | 10篇 |
2006年 | 5篇 |
2005年 | 9篇 |
2004年 | 4篇 |
2003年 | 4篇 |
2002年 | 2篇 |
2001年 | 1篇 |
2000年 | 2篇 |
1999年 | 3篇 |
1998年 | 4篇 |
1997年 | 3篇 |
1996年 | 1篇 |
1992年 | 3篇 |
1991年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有330条查询结果,搜索用时 20 毫秒
1.
安全帽是针对头部的个体防护设备,可以应用于许多工作场合。常规的安全帽只能通过减震以及材料优化起到对头部的保护作用。但由于工作场合的多样性、工种的多样性以及工作人员的疏忽,常规的安全帽做不到对工人万全的保护,因此工伤事故屡屡发生。鉴于此,设计了一种多用途,多场合适用的智能安全帽,能对工作场合的多种不安全行为发出预警并做出反应,利用自带的定位系统实现人员的动态监管,利用蓝牙设备实现通信功能,对于保障工人的生命安全及提高工作效率具有重要意义。 相似文献
2.
3.
4.
在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提。但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高。为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法。首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习的训练方式训练YOLOv3网络。接着,使用该参数和模型对监控视频数据检测人形和安全帽的类别和位置。最后,对检测的三种类别计算相关交并比,并以此判断工人是否正确佩戴安全帽。该算法创新性地将YOLOv3网络模型和交并比算法结合,对网络输出的类别和位置信息再细化处理,提高了检出的准确性,降低了误识别率。试验结果表明,该算法可以满足安全帽佩戴检测中的实时性要求,同时能够准确检出未佩戴安全帽的人员并通知有关人员。 相似文献
5.
李太华王迪 《数字社区&智能家居》2014,(5):1018-1020
安全生产是变电站日常生产过程中最核心的要求。在变电站施工现场中,要面对高压危险设备,施工人员进入现场佩戴安全帽是必要的安全措施。而且对于不同身份的人员,要求佩戴的安全帽颜色也不同。在变电站中,要求能够实时监视生产过程中的施工方式是否符合安全生产的要求。该文提出了一种基于行人检测和安全帽颜色识别的算法,实现了对监控画面中检测到的人,识别其是否按照安全生产规范佩戴了安全帽,并且根据安全帽的颜色,进一步确定进站施工人员是否按照施工要求到位。该算法准确率高,大大降低了人工一一排查监控视频数据的时间开销,节省了人力,也提高了工作效率。 相似文献
6.
现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。 相似文献
7.
在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求. 相似文献
8.
依据JJF 1059-2012《测量不确定度表示与评定》,结合国家标准GB 2811-2007《安全帽》和GB/T 2812-2006《安全帽测试方法》在安全帽防静电性能的技术要求和测试方法的规定,分析并研究了安全帽防静电性能的影响因素及不确定度的来源,并对其不确定度进行了评定。 相似文献
9.
安全工器具的正确使用对现场安全工作中起着举足轻重的作用,一顶安全帽和一条安全带就能救一条人命.邯郸供电公司发生的一件事就是最有力的说明. 相似文献
10.
目的 在施工现场,安全帽是最为常见和实用的个人防护用具,能够有效防止和减轻意外带来的头部伤害。但在施工现场的安全帽佩戴检测任务中,经常出现难以检测到小目标,或因为复杂多变的环境因素导致检测准确率降低等情况。针对这些问题,提出一种融合环境特征与改进YOLOv4(you only look once version 4)的安全帽佩戴检测方法。方法 为补充卷积池化等过程中丢失的特征,在保证YOLOv4得到的3种不同大小的输出特征图与原图经过特征提取得到的特征图感受野一致的情况下,将两者相加,融合高低层特征,捕捉更多细节信息;对融合后的特征图采用3×3卷积操作,以减小特征图融合后的混叠效应,保证特征稳定性;为适应施工现场的各种环境,利用多种数据增强方式进行环境模拟,并采用对抗训练方法增强模型的泛化能力和鲁棒性。结果 提出的改进YOLOv4方法在开源安全帽佩戴检测数据集(safety helmet wearing dataset,SHWD)上进行测试,平均精度均值(mean average precision,mAP)达到91.55%,较当前流行的几种目标检测算法性能有所提升,其中相比于YOLOv4,mAP提高了5.2%。此外,改进YOLOv4方法在融合环境特征进行数据增强后,mAP提高了4.27%,在各种真实环境条件下进行测试时都有较稳定的表现。结论 提出的融合环境特征与改进YOLOv4的安全帽佩戴检测方法,以改进模型和数据增强的方式提升模型准确率、泛化能力和鲁棒性,为安全帽佩戴检测提供了有效保障。 相似文献