文献类型：期刊文章

作　　者：温廷新[1] 王贵通[1] 孔祥博[1] 刘孟潇[2] 薄靖凯[2]

WEN Tingxin;WANG Guitong;KONG Xiangbo;LIU Mengxiao;BO Jingkai(System Engineering Institute,Liaoning Technical University,Huludao Liaoning 125105,China;School of Business Administration,Liaoning Technical University,Huludao Liaoning 125105,China)

机构地区：[1]辽宁工程技术大学系统工程研究所,辽宁葫芦岛125105 [2]辽宁工程技术大学工商管理学院,辽宁葫芦岛125105

出　　处：《中国安全科学学报》

基　　金：国家自然科学基金资助(71371091)。

年　　份：2020

卷　　号：30

期　　号：3

起止页码：41-46

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、IC、JST、PROQUEST、RCCSE、ZGKJHX、核心刊

摘　　要：为精确识别矿工的不安全行为,降低煤矿事故发生率,提出迁移学习结合深度残差网络的图像识别方法。将矿工的行为样本划分为完全安全行为、较安全行为、不安全行为3个维度,其中完全安全行为包括:走路、坐下、站立,较安全行为包括:弯腰、下蹲、抬东西、推、拉、挥手、拍手,不安全行为包括:跌倒、投掷;采用ResNet50网络进行训练,微调ImageNet数据集迁移学习的权重参数,通过全连接层进行12分类,并将最终分类结果与测试数据进行对照检验。研究结果表明:基于迁移学习的残差网络模型识别跌倒与投掷动作的准确率,优于其他深度神经网络模型,能够有效识别不安全行为从而避免由人为因素导致的事故发生。

关 键 词：不安全行为 迁移学习  残差网络  矿工 图像识别

分 类 号：X936[安全科学与工程类]