工厂人员管理一直是工厂正常运营的重要管理模块，  使用计算机视觉技术，  在工厂实现工作服穿戴检测、员工到岗和离岗检测、员工疲劳检测等人员管理的场景 AI 化，可以帮助客户提升工厂人员管理效率并降低企业管理成本。

基于视频流数据实现了净化间穿戴检测、到岗 / 离岗检测、疲劳检测等功能， 并在客户方成功上线，推理速度达 5FPS，事件级别违规识别准确率平均在 90% 以上，满足上线要求。

技术架构要点

• 可拓展性：当前每个场景仅 1 个摄像头，应考虑后期接入更多摄像头的可拓展性。

• 场景的配置与管理：业务参数与规则条件等，需要能方便地对其进行配置、管理。

• 与其他系统的集成能力：  Dashboard，违规记录展示，消息提醒等。

基于对业务的理解，从软件到硬件构建了一整套的系统架构解决方案，如下图所示。

更进一步的，从系统架构解决方案中提炼出技术架构图如下。

数据采集与标注

原始数据采集：模拟违规，从视频片段中采样得到数据集。

在模型迭代优化中，同步进行（下图绿色虚线）：

• Bad Case 数据的收集与标注 扩充数据集，尽量涵盖数据集中未出现的情景。

• 检查已有的数据标注 提高数据质量。

算法思路

将违规行为检测问题分解为“单帧图像的物体检测问题”与“聚合到时间维度的规则判断问题”。

基础检测模型

Fine Tune YOLOv3 增强版 （考虑到实时性对 FPS 的要求、模型大小对 GPU 显存的限制）。

规则引擎

违规规则定义：将业务规则转化成单帧物体检测的规则（如用 B. b. 的 Overlapping 作接触判断） 。

单帧图像违规规则判断：当前帧是否发生违规？

一定时间窗口内的违规规则判断：违规是否持续了一段时间（真的发生了违规，还是某一两帧模型的误判） ？

快速开发基准模型，试运行时收集 Bad Case 进行多次迭代优化。

优化方案

共同的优化措施

通过多次试验，调整规则的阈值条件，使单帧检测效果提升。

通过合适的时间聚合条件，将单帧违规信息聚合到事件维度，提高事件级别的识别准确率（Precision）。

迭代期间模型试运行测试时，收集 Bad Case 数据，追加标注数据进行迭代训练。

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。