基于YOLOv5的油田作业现场吸烟检测方法

来源 :系统仿真技术 | 被引量 : 0次 | 上传用户:Yxiaowanzi
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,由于油田作业现场作业人员安全意识薄弱,导致火灾时有发生。传统的人工监控方式存在诸多问题,为实现对油田作业现场作业人员吸烟行为的智能化检测,设计了一种采用YOLOv5深度学习算法的油田作业现场吸烟行为检测方法。通过监控摄像头及单反相机采集真实场景下中距离的吸烟数据集,使用LabelImg平台手动标注,经过YOLOv5的四种预训练框架训练,通过对比训练过程中产生的结果得到最佳训练模型。实验结果表明,该模型能够准确检测与追踪中距离吸烟行为,其检测准确率达89%,平均检测速度为17.2 ms,满足实
其他文献
伴随时代的进步,新能源汽车的相关技术在不停发展,所以动力电池作为新能源汽车的关键部分需要不断改进。新能源汽车电池荷电状态(SOC)的检测是电池管理系统的重要组成部分。提高电池SOC的测量精度将对延长电池循环使用寿命和提高安全性起到重要作用。锂电池以其高能量密度等优势在新能源汽车电池领域占据重要地位。笔者以锂电池作为研究对象,分析了锂电池SOC的估算算法和等效电路模型。
随着舰载激光武器的不断发展,利用激光武器防御反舰导弹成为了一种重要手段.现有的激光武器毁伤效果模型较为简单,与实际应用存在一定差距.通过分析激光在大气中的传输特性,结合实际应用中存在的跟踪误差,建立了一种激光武器功率密度模型.通过仿真,分析了跟踪误差对功率密度的影响,为今后制定激光武器使用策略提供参考依据.
深度学习是机器学习的一个重要分支,可用于图像分类及目标识别等,其中ResNet网络由于其自身的优势,所以应用较为广泛。在此基础上,提出了一个新的算法,用于训练ResNet网络。由于ResNet网络结构可以看做是逐层增强的结构,其本身结构解决了深度学习中的退化问题,故结合Boosting的原理,提出了一个基于Boosting理论,同时完整保留ResNet网络本身优点的训练算法。在ResNet网络每一