針對(duì)塔式起重機(jī)的事故頻繁發(fā)生,本文提出了一種基YOLOV3塔式起重機(jī)裂縫檢測(cè)方法來幫助日常安全檢測(cè)和維護(hù),及時(shí)發(fā)現(xiàn)塔式起重機(jī)因各種因素產(chǎn)生的裂縫防范事故,利用K-means聚類方法確定目標(biāo)框參數(shù)并對(duì)數(shù)據(jù)增強(qiáng)的數(shù)據(jù)集進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明檢測(cè)任務(wù)中mAP可達(dá)到81.47%基本滿足檢測(cè)需求,實(shí)驗(yàn)同時(shí)對(duì)比了Faster RCNN的效果并針對(duì)實(shí)際需求提出改進(jìn)方向。本文方法對(duì)推進(jìn)裝配式施工安全具有廣泛前景和重要意義。 

【文章來源】：福建電腦. 2020,36(08)

【文章頁數(shù)】：3 頁

【部分圖文】：

圖像數(shù)據(jù)增強(qiáng)

識(shí)別結(jié)果

由表1可以看出，F(xiàn)aster RCNN的檢測(cè)精度更高，m AP達(dá)到87.12%。由圖3識(shí)別對(duì)比可以看出，F(xiàn)aster RCNN的檢測(cè)效果（圖左）更好，較好地覆蓋了裂縫的整個(gè)縱深，而YOLO V3效果（圖右）明顯遜色。然而在檢測(cè)速度對(duì)比上，F(xiàn)aster RCNN遠(yuǎn)不及YOLO V3，不滿足實(shí)時(shí)檢測(cè)的任務(wù)需求，不適用于本文提出的塔式起重機(jī)裂縫檢測(cè)需求。對(duì)比Faster RCNN的識(shí)別效果，本文方法檢測(cè)精度仍需進(jìn)一步改進(jìn)，尤其針對(duì)小目標(biāo)的識(shí)別。同時(shí)，應(yīng)進(jìn)一步提升檢測(cè)速度來滿足在干擾環(huán)境下的塔式起重機(jī)裂縫識(shí)別和在快速移動(dòng)過程中更快的識(shí)別速度等。改進(jìn)方向可以是針對(duì)YOLO V3的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，也可以針對(duì)檢測(cè)目標(biāo)的特點(diǎn)對(duì)損失函數(shù)進(jìn)行優(yōu)化。在今后的工作中，還需進(jìn)一步擴(kuò)大數(shù)據(jù)集，并用更好的數(shù)據(jù)集重新聚類得到新的先驗(yàn)框參數(shù)，提高訓(xùn)練的質(zhì)量。5 結(jié)語

【參考文獻(xiàn)】：
期刊論文
[1]塔式起重機(jī)安全事故統(tǒng)計(jì)分析[J]. 張瀟,張偉.  工業(yè)安全與環(huán)保. 2019(09)
[2]融合深度特征和多核增強(qiáng)學(xué)習(xí)的顯著目標(biāo)檢測(cè)[J]. 張晴,李云,李文舉,林家駿,肖莽,陳飛云.  中國(guó)圖象圖形學(xué)報(bào). 2019(07)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)中的研究進(jìn)展[J]. 姚群力,胡顯,雷宏.  計(jì)算機(jī)工程與應(yīng)用. 2018(17)
[4]最優(yōu)聚類個(gè)數(shù)和初始聚類中心點(diǎn)選取算法研究[J]. 張素潔,趙懷慈.  計(jì)算機(jī)應(yīng)用研究. 2017(06)



本文編號(hào)：3463429