TSINGSEE青犀视频开发安全帽智能检测识别经验分享

安全帽佩戴智能检测技术实际就是检测施工人员是否佩戴安全帽。在当前AI人工智能和大数据兴起与飞速发展的阶段，安全帽智能检测技术已经不是什么新鲜事儿了，大家接触的安全帽智能识别与检测也已经逐渐趋于成熟与精准。虽然现在已经是成熟的智能检测技术，但是在研发的过程中，我们（TSINGSEE青犀视频研发团队）经历的曲折与困难也是比较多的，现在我就来分享和汇总一下我们的研发流程与难点分析。

一、研发流程

1.先确定研发的主要方向是：对工地或厂区等需要佩戴安全帽的区域进行安全帽检测。

2.找出监控图像或画面中所有在施工现场的人员的人脸位置，然后根据人脸的位置判断出人脸上方的安全帽。

3.找到适合研发的施工现场的高清、近距离的公开监控视频源。

4.确定使用的智能识别检测技术：

a.深度学习
是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。
(2)基于多层神经元的自编码神经网络，包括自编码以及近年来受到广泛关注的稀疏编码两类。
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。
b. 卷积神经网络
卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性，使得卷积神经网络能够以较小的计算量对格式化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
c. 计算机视觉（CV）
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一门科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取“信息”的人工智能系统。

5.收集安全帽数据。安全帽智能检测技术需要一定的视频图像识别技术和大数据支撑，基于大数据分析的人工智能技术往往需要大量数据作为样本，以便更好地训练出检测模型。

6.在经过多次研发与训练后，投入校验场所进行确认。

7.研发成功后，我们还应该对接大数据、视频监控等平台，自动实现智能告警、拍照、信息通知智能化功能操作。

二、研发难点

1.现场环境复杂，监控受天气、环境影响较大（如雾霾、沙尘暴、暴雨、曝光等），研发时都要考虑到这些因素的影响；

2.安全帽数据收集与检测判断困难，由于好多物体与安全帽的形状类似，很难做到100%的精准度，所以在收集安全帽数据时要尽量全面；

3.目标检测技术虽然近些年基于深度卷积神经网络的检测方法使得检测精度有了很大提升，但是在实际应用中仍然存在很多的问题和挑战；

4.目标尺度范围大、实时检测、弱监督检测和样本不均衡等问题；

5.资金与研发团队人员持续、大量的投入。如果不做AI智能检测分析的公司一般不会去做这方面的深入研究，大都是采用其他公司的商品，因为这会费时、费力、耗资金。

所以在我们青犀视频团队历经磨练研发完成后，已经有用户投入到智慧工地使用了，如果有研发团队想自己研发也欢迎和我们沟通交流。