針對塔式起重機的事故頻繁發(fā)生,本文提出了一種基YOLOV3塔式起重機裂縫檢測方法來幫助日常安全檢測和維護,及時發(fā)現(xiàn)塔式起重機因各種因素產(chǎn)生的裂縫防范事故,利用K-means聚類方法確定目標框參數(shù)并對數(shù)據(jù)增強的數(shù)據(jù)集進行訓練。實驗結果表明檢測任務中mAP可達到81.47%基本滿足檢測需求,實驗同時對比了Faster RCNN的效果并針對實際需求提出改進方向。本文方法對推進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

識別結果

由表1可以看出，F(xiàn)aster RCNN的檢測精度更高，m AP達到87.12%。由圖3識別對比可以看出，F(xiàn)aster RCNN的檢測效果（圖左）更好，較好地覆蓋了裂縫的整個縱深，而YOLO V3效果（圖右）明顯遜色。然而在檢測速度對比上，F(xiàn)aster RCNN遠不及YOLO V3，不滿足實時檢測的任務需求，不適用于本文提出的塔式起重機裂縫檢測需求。對比Faster RCNN的識別效果，本文方法檢測精度仍需進一步改進，尤其針對小目標的識別。同時，應進一步提升檢測速度來滿足在干擾環(huán)境下的塔式起重機裂縫識別和在快速移動過程中更快的識別速度等。改進方向可以是針對YOLO V3的網(wǎng)絡結構進行修改，也可以針對檢測目標的特點對損失函數(shù)進行優(yōu)化。在今后的工作中，還需進一步擴大數(shù)據(jù)集，并用更好的數(shù)據(jù)集重新聚類得到新的先驗框參數(shù)，提高訓練的質量。5 結語

【參考文獻】：
期刊論文
[1]塔式起重機安全事故統(tǒng)計分析[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學習的顯著目標檢測[J]. 張晴,李云,李文舉,林家駿,肖莽,陳飛云.  中國圖象圖形學報. 2019(07)
[3]深度卷積神經(jīng)網(wǎng)絡在目標檢測中的研究進展[J]. 姚群力,胡顯,雷宏.  計算機工程與應用. 2018(17)
[4]最優(yōu)聚類個數(shù)和初始聚類中心點選取算法研究[J]. 張素潔,趙懷慈.  計算機應用研究. 2017(06)



本文編號：3463429