在新疆某输煤皮带机器人智能巡检项目中，使用飞桨开源深度学习平台开发AI方案，快速有效地识别人员和设备，大大降低维护人员工作量，及时发现违规、危险情况，显著提高企业智能化生产保障程度。

场景分析

在煤矿行业，设备场地管理和人员的安全及行为规范有严格要求，比如输煤皮带这种关键生产设备周边，需要现场工作人员严格遵守企业安全规定，包括停开机制度、安全帽、矿工服要求等；另外对设备本身也有日常监控和维护需求。然而一般输煤皮带动辄几公里，完全依靠人力现场巡检或远程摄像头查看不仅耗时耗力，而且难免误看漏看。

市场上现有的解决方案主要有三种：

• 一种是具有简单人员入侵检测、边界检测等功能的摄像头，这种方案无法满足定制化的场景，而且需要二次对接和开发。

• 第二种方式是比较通用的AI能力平台，或者是AutoML平台，这种平台需要业务方或厂商有一定技术背景、技术能力。

• 三是直接使用第三方云平台API，但现场的局域网环境和实时性要求，也无法满足条件。

以上三种解决方案，目前均无法在业务现场很好的落地。

现场的AI需求主要分为以下两类：

• 第一类是人员及属性检测，即能发现人员活动以及是否佩戴安全帽、是否有违规行为。

• 第二类是设备检测，在巡检过程中需要查看高温设备，通过设备检测可辅助判断位置及动作反馈。

技术方案

智能识别方案使用百度飞桨PaddleDetection进行目标检测算法的开发。PaddleDetection可以通过数据增强、算法选择等技术很好地解决以上问题；同时还有丰富的通用模型库，能够快速开发部署，可以有效地帮助技术人员将AI应用落地。

在系统设计上，首要考虑业务分离。因为采集端只有一路视频（3台可见光，监控不同位置，实现同样的功能）。后端处理业务要足够解耦，既保证性能稳定性，又能兼顾将来业务扩展，叠加更多的智能分析功能。

对于人员检测和常规人体属性检测，直接使用目标检测模型YOLOv3进行识别；对于特殊穿戴和托辊等非通用设备，通过之前积累的图片进行训练识别。

另外，为了提高识别精度和更多数据的训练积累，系统在设计中，对于巡检点（识别目标所在位置）视频进行截图回传，结合自动和人工标注加入训练集，提高识别效率。

实际上线后，每日3公里巡检2次，单次可积累约200张图片素材。

检机器人智能监控系统，采用基于百度飞桨的计算机视觉识别技术，通过摄像仪将实时视频回传并识别分析，若发现有异常就会自动发出警报通知管理人员，并保存截图留存。不仅可以促进操作人员遵守安全管理规定，确保自身安全，而且显著提高巡检效率和定位准确性，及时发现问题。

通过该AI方式的实施落地，有效解决了之前难以检测或检测速度慢、容易漏报和误报等情况，识别准确率大幅提高，能够慢足上线要求。另外开发部署的学习曲线低，可以方便工程师更快上线业务，开发时间缩短70%以上。

上线一段时间以来，已帮助客户在无人值守情况下快速发现多个缺陷设备，及时通知更换，避免了安全隐患；另识别到若干例人员违规行为，足以警示现场工作人员进一步提高安全意识，遵守安全规章制度。

本文章为本站原创文章！

友情提示：此文知识产权归属本网站，本网站具有最终解释权，未经许可，不得转载。