工业安全如何保障？30分钟上手安全帽检测全流程方案

用户1386409

发布于 2022-08-31 09:00:43

4260

在工厂、建筑工地、矿井等施工现场，安全帽是保障在场人员安全的重要防护装备。但当人员未佩戴安全帽进入施工场所时，靠人为监管耗时耗力，不易实时监管。针对上述问题，探索智能化转型的企业开始通过视频监控->目标检测->智能督导的方式智能、高效地完成此任务。

本次飞桨产业实践范例库开源工业行业典型应用安全帽检测，提供了从数据准备、模型训练及优化的全流程可复用方案，降低产业落地门槛，适用于工地、工厂、电厂、矿井等多种场景。

图1 施工现场

所有源码及教程均已开源

欢迎大家使用，star鼓励~

⭐点击【阅读原文】GET项目链接⭐

https://github.com/PaddlePaddle/PaddleX/tree/develop/examples

场景难点

精度要求高： 涉及安全问题，检测精度需非常高才能保证对施工场所人员的安全督导，因此需要专门针对此目标的检测算法进行优化。
现场环境复杂：监控受拍摄角度、光线变化、天气影响，有时会存在遮挡，导致安全帽显示不全，对检测具有一定的干扰。
存在小目标情况： 实际使用过程中，人员离镜头较远，因此需要模型对小目标的检测有较低的漏检率。

图2 小目标检测

方案设计

本项目利用开源数据集基于PaddleX中单阶段目标检测模型实现安全帽检测任务。使用PaddleX提供的paddlex.det.coco_error_analysis接口对基线模型在验证集上预测错误的原因进行分析，采用了一系列优化步骤如IoU-aware、更换backbone等方法提升模型精度，最后在NV Jetson上部署应用。

模型训练过程如下：

图3 基于PaddleX实现目标检测模型训练

模型优化策略和效果

本项目采用YOLOv3模型作为基线模型，backbone为DarkNet53。优化策略包括backbone更换、模型架构更换、输入图像大小改变、IoU-aware、label smooth等优化技巧。

采用PaddleX在Tesla V100上测试模型的推理时间（输入数据拷贝至GPU的时间、计算时间、数据拷贝至CPU的时间），不同优化方案结果如下表。

模型部署

在模型优化结束后，根据我们实际应用需求，选择最合适的模型进行部署和应用。首先，将模型导出成静态图模型，然后采用PaddleX提供的C++ inference部署方案，在该方案中提供了在端侧设备Jetson部署Demo，用户可根据实际情况自行参考：

https://github.com/cjh3020889729/The-PaddleX-QT-Visualize-GUI/tree/main/deploy/cpp/docs/jetson_deploy

范例使用工具介绍

PaddleX是百度飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地。PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。

PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。

飞桨产业实践范例

助力企业跨越AI落地鸿沟

飞桨产业实践范例，致力于加速AI在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。