塔式起重机安全管理中裂缝检测方法

发布时间：2021-10-28 22:28

　　针对塔式起重机的事故频繁发生,本文提出了一种基YOLOV3塔式起重机裂缝检测方法来帮助日常安全检测和维护,及时发现塔式起重机因各种因素产生的裂缝防范事故,利用K-means聚类方法确定目标框参数并对数据增强的数据集进行训练。实验结果表明检测任务中mAP可达到81.47%基本满足检测需求,实验同时对比了Faster RCNN的效果并针对实际需求提出改进方向。本文方法对推进装配式施工安全具有广泛前景和重要意义。 

【文章来源】：福建电脑. 2020,36(08)

【文章页数】：3 页

【部分图文】：

图像数据增强

识别结果

由表1可以看出，Faster RCNN的检测精度更高，m AP达到87.12%。由图3识别对比可以看出，Faster RCNN的检测效果（图左）更好，较好地覆盖了裂缝的整个纵深，而YOLO V3效果（图右）明显逊色。然而在检测速度对比上，Faster RCNN远不及YOLO V3，不满足实时检测的任务需求，不适用于本文提出的塔式起重机裂缝检测需求。对比Faster RCNN的识别效果，本文方法检测精度仍需进一步改进，尤其针对小目标的识别。同时，应进一步提升检测速度来满足在干扰环境下的塔式起重机裂缝识别和在快速移动过程中更快的识别速度等。改进方向可以是针对YOLO V3的网络结构进行修改，也可以针对检测目标的特点对损失函数进行优化。在今后的工作中，还需进一步扩大数据集，并用更好的数据集重新聚类得到新的先验框参数，提高训练的质量。5 结语

【参考文献】：
期刊论文
[1]塔式起重机安全事故统计分析[J]. 张潇,张伟.  工业安全与环保. 2019(09)
[2]融合深度特征和多核增强学习的显著目标检测[J]. 张晴,李云,李文举,林家骏,肖莽,陈飞云.  中国图象图形学报. 2019(07)
[3]深度卷积神经网络在目标检测中的研究进展[J]. 姚群力,胡显,雷宏.  计算机工程与应用. 2018(17)
[4]最优聚类个数和初始聚类中心点选取算法研究[J]. 张素洁,赵怀慈.  计算机应用研究. 2017(06)



本文编号：3463429