9篇关于安全帽检测的计算机毕业论文

今天分享的是关于安全帽检测的9篇计算机毕业论文范文, 如果你的论文涉及到安全帽检测等主题,本文能够帮助到你

预制梁场BIM协同管控系统研究

这是一篇关于预制梁场,BIM技术,RetinaNet算法,安全帽检测,管控系统的论文, 主要内容为随着我国提出交通强国建设的重大决策,交通基建如火如荼地进行,智能交通产业多元化发展,预制梁作为装配式建筑的基本单元,需求量与日俱增。针对预制梁场施工管理中存在的生产效率低、信息公开度低、安全性差、可视化及智能化水平低等问题以及现有梁场管理系统存在的弊端,研究并设计了预制梁场BIM协同管控系统。该系统融合BIM技术贯穿“建管养运”全生命周期,并三维可视化应用于Web端,实时掌握施工进度,提升决策分析水平,实现创新管理的同时提供有效的安全保障,对预制梁场信息化发展具有借鉴意义。本文主要研究如下:(1)针对预制梁场生产管理当中存在的实际问题,从需求分析和系统设计方面出发,通过对预制梁业务流程过程剖析,并结合生产施工人员和管理人员的不同业务需求,对系统总体架构和功能模块进行了详细的设计。(2)从梁场工作人员安全帽需求出发,提出改进的Retina Net安全帽检测算法。通过对比分析当下主流的目标检测算法所表现出的性能,采用Retina Net作为系统目标检测算法的基础模型,选用Res Net50作为主干网络,在公开数据集中利用深度学习目标检测平台MMDetection对Retina Net算法进行训练和测试,实验结果表明小目标检测漏检率较高导致m AP较低。通过重新梳理神经网络结构,构建了特征图增强模块和特征融合模块,与原模型实验结果对比,改进后进一步提升算法检测精度,同时改善小目标识别率低的问题。(3)基于B/S和微服务架构,采用Vue和Element UI实现前端界面开发,后端使用Spring Boot框架为基础,开发前后端分离的管控系统,集成硬件设备,实现了预制梁进度查询、计划排产、设备控制、资源信息和系统管理等功能需求,针对系统实现分设移动端和Web端,通过浏览器或移动设备可以实时查看、检测、管理、控制。对系统进行测试符合预期结果,均能满足功能需求。

智慧工地管理系统的设计与实现

这是一篇关于交通工程建设,智慧工地管理,Spring Cloud框架,Vue,安全帽检测的论文, 主要内容为随着我国交通工程建设的迅速发展,施工安全显得尤为重要。交通工程施工易发生安全问题,这些安全问题危及到了施工人员的生命安全,且对项目工程质量与进度造成了一定的影响。鉴于此,设计并实现了一套智慧工地管理系统,确保交通工程建设过程中施工人员的安全与工程质量,进一步完善了政府部门与项目部门、施工企业之间的协同管理,为项目工程进度的有序推进提供了依据。论文的主要研究工作如下:(1)本系统采用B/S架构,开发语言采用跨平台性能较强的java语言,服务端采用基于Spring Boot以及Spring Cloud的微服务框架;前端界面使用Vue框架进行构建;采用My SQL与Redis分别作为数据库存储与缓存,同时结合canal与kafka解决数据同步问题;融合SSD-Mobile Net目标检测技术对安全帽进行检测,实时地保障工地人员的安全。(2)设计并实现了智慧工地管理系统。分析了交通工程建设过程中智慧工地管理系统的功能需求,梳理出核心功能模块。根据系统功能需求,结合互联网、无线通信以及目标检测等技术对系统的总体框架、并发架构、数据采集与传输方案、数据处理方案和数据库进行设计。使用微服务架构模式来实现各个功能模块的设计,将各个模块封装成服务进行开发,降低了模块之间的耦合性、有利于后期系统的开发和维护。系统实现了工程进度管理、工程物资管理、项目信息发布、巡检管理、工程预警、视频监控、环境监测、安全帽检测等功能。(3)最后对智慧工地管理系统的功能与性能进行了测试,采用黑盒测试方案,制定测试用例对各功能菜单进行测试;使用Apache Jmeter工具对系统PC端服务器性能进行了并发测试。测试结果表明,系统在进行高并发访问时,具备较好的吞吐率,且平均响应时间较短,能满足实际工程应用中用户高并发量和高请求量的需求。

基于Invo-YOLOv5s的安全帽检测系统的设计与实现

这是一篇关于目标检测,安全帽检测,YOLOv5s,内卷积,注意力机制的论文, 主要内容为施工建造行业已经成为我国重要支柱产业之一,但也存在非常高的危险性。施工工人往往面临着各种危险,若不佩戴安全帽则会导致更多安全事故发生,所以在施工场所正确佩戴安全帽十分重要。以往的人工检验安全帽耗时耗力,传统的基于传感器的安全帽检测也有诸多限制。随着智能化时代的到来,目标检测被应用于安全帽检测中。但是,由于现有的开源安全帽数据集在样本数量上并不丰富,使安全帽检测的研究存在局限性;同时,在实际应用中待检测目标在监控范围内的大小不尽相同,再加之存在场景复杂、遮挡等因素的干扰,给目前的安全帽检测研究带来巨大挑战;此外,安全帽检测经常存在目标占比过小的问题,容易出现漏检、误检等情况,从而导致检测性能下降。因此,需要进一步扩充安全帽数据集,并进一步提高目标检测在安全帽检测领域的性能。本文首先建立了安全帽数据集共10,124张,在数量上优于现有的开源安全帽数据集,保证了后续工作的顺利进展。其次,本文基于现有YOLOv5模型的不足提出了Invo-YOLOv5s模型。该模型在head模块引入了内卷积,同时在Backbone中加入Shuffle Attention,并使用α- IoU Loss作为损失函数。Invo-YOLOv5s新模型在安全帽数据集上进行了实验,实验表明选用Invo-YOLOv5s模型来进行训练,最终得到的模型检测精度达到了94.9%,较原YOLOv5模型精度有了明显提高。最后,将Invo-YOLOv5s目标检测模型应用到本文的安全帽检测系统中。该系统使用了Python语言进行开发,UI界面采用PyQt5实现了功能的可视化。本系统功能齐全,可以实现本地图片、视频检测、文件夹图片批量检测以及摄像头检测等多种检测功能,在功能完备性上基本满足了实际需求。通过测试,该检测系统可以实现初步预测的功能,并具有较高的抗干扰效果,能够很好的应对施工场所因场景复杂等原因导致的错检漏检问题,而且准确度较高,在性能上能够较好的满足实际需求。

基于FPGA硬件加速的智慧砂厂研究与设计

这是一篇关于FPGA,砂石分类,安全帽检测,卷积神经网络,YOLOv4,智能管理的论文, 主要内容为随着天然砂资源的逐渐枯竭和环境保护意识的不断加强,机制砂逐渐取代天然砂成为我国建筑用砂的主要来源。然而,传统的砂厂管理方式存在工作效率低、人力资源浪费以及人工干预等问题,已经无法满足现代砂厂管理的需求。为了响应国家制造业数字化转型政策,使砂厂管理更加信息化和智能化,本文旨在设计一套基于FPGA硬件加速的智慧砂厂系统,该系统能够实现车牌识别、砂石分类、自动称重、自动扣款、安全帽检测等砂厂管理任务,以及提供可视化界面。主要研究结果如下:(1)在砂石分类任务中,本文构建一个多类别的砂石数据集,并使用数据增强技术扩充数据集解决样本不充足问题,进行基于卷积神经网络的砂石分类研究;在安全帽检测任务中,提出一种轻量型YOLOv4网络用于安全帽检测,保证检测准确性的同时压缩网络模型,减少硬件资源消耗,并与其他目标检测模型进行对比实验,通过多个指标验证该算法的有效性和良好性能。(2)为了减轻服务器工作负担,降低功耗,本文设计并实现基于FPGA的深度学习硬件加速平台,用于部署砂石分类和安全帽检测网络。在该平台下进行测试,结果表明,Mobile Net V2网络在砂石分类任务中表现最好;以及本文改进的YOLOv4在安全帽检测任务中表现最好。因此,分别将Mobile Net V2和改进YOLOv4网络模型部署到FPGA中,实现砂石分类和安全帽检测模块的搭建。其中,砂石分类准确率达到98.65%,安全帽检测m AP达到95.29%,功耗仅为11.6W。(3)搭建车辆信息采集装置。利用所设计的车牌识别模块、自动称重模块实现车辆的车牌和重量信息自动采集。(4)搭建智慧砂厂平台,实现砂厂智能化管理。首先,对数据库需求进行分析,设计E-R模型,根据E-R模型完成数据库的搭建。接着,利用XOJO开发工具搭建智慧砂厂平台,通过智慧砂厂平台可对砂厂信息采集装置所采集数据进行处理、存储、管理以及可视化展示,提高砂厂的工作效率和管理水平。此外,还设计一个微型砂厂测试平台,以测试智慧砂厂系统的性能,验证系统的可靠性和稳定性。