一个新的深度学习方法,用于海上发电站的报警监督
José A Orosa1, Genaro Cao-Feijóo1, Francisco J Pérez-Castelo2
1Department of Navigation Sciences and Marine Engineering, University of A Coruña, Paseo de Ronda, 51, 15011 A Coruña, Spain.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的图像识别工具,以帮助海洋工程师管理警报压力. 这种用户友好的系统充当视觉传感器,降低风险并提高海上安全.
科学领域:
- 海洋工程 海洋工程
- 人工智能的人工智能
- 人类因素在安全方面的影响
背景情况:
- 船上事故通常与人为因素有关,由高船员工作量和压力较大的工作环境加剧.
- 在船舶工程中,过度的警报会增加船员的压力,可能导致事故而不是防止事故.
- 图像识别技术,特别是卷积神经网络 (CNN),显示出希望,但需要仔细实施.
研究的目的:
- 开发一个用户友好的图像识别工具,作为海事工程官员的视觉报警传感器.
- 为了减轻船舶操作员在维护活动期间的压力和减少事故风险.
- 根据船上人员的具体需求,调整报警管理.
主要方法:
- 利用海洋工程模拟器创建和测试图像识别工具.
- 使用三层卷积神经网络 (CNN) 来进行图像分析.
- 专注于平衡的数据集和外部摄像头的集成,以方便用户使用.
主要成果:
- 使用开发的三层CNN模型实现了足够的准确性.
- 证明了平衡数据在改善模型性能方面的有效性.
- 突出了外部摄像机在海洋环境中用户友好的应用程序的实际实用性.
结论:
- 开发的图像识别工具可以有效地作为警报的视觉传感器,帮助船舶工程师.
- 当CNN与平衡数据进行正确配置时,它为提高海上安全提供了可行的解决方案.
- 该系统通过减少操作员压力和提高情境意识,显示出作为工作风险预防工具的潜力.
