摘要：为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建resnet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:resnet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。

摘要：为精准检测输送带横向跑偏距离和倾斜角度,提出一种融合resnet18和Deconvolution的输送带横向跑偏检测方法。首先,设计输送带横向跑偏检测系统,给出输送带横向跑偏检测流程。接着,提出融合resnet18与Deconvolution的输送带边缘和托辊接触特征关键点提取方法,并采用热力图突出关键点,以便于计算跑偏距离及倾斜角度。最后,搭建输送带横向跑偏检测实验平台,并对该检测方法进行相关实验。实验表明,该检测方法可减弱光照、粉尘等干扰影响,平均准确率为95.17%,优于YOLOv5和Maskrcnn LSD算法,满足带式输送机输送带横向跑偏检测精度要求。