隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的成熟，國內(nèi)眾多行業(yè)都在基于人工智能技術(shù)推進(jìn)行業(yè)變革與創(chuàng)新，積極探尋有效、有價(jià)值的應(yīng)用場景進(jìn)行商業(yè)化落地，其中尤以安防行業(yè)表現(xiàn)最為活躍。如災(zāi)害監(jiān)控、人流量監(jiān)控、施工安全監(jiān)控、吸煙檢測、口罩檢測等。

雖然深度學(xué)習(xí)發(fā)展取得了不錯(cuò)的成績，但是在產(chǎn)業(yè)落地時(shí)仍然面臨諸多問題：訓(xùn)練數(shù)據(jù)獲取難、模型泛化能力差、性能或效率達(dá)不到生產(chǎn)要求等。為此，百度飛槳結(jié)合實(shí)際經(jīng)驗(yàn)，選取了火災(zāi)煙霧檢測、人流量統(tǒng)計(jì)、安全帽檢測這3個(gè)經(jīng)典的場景，提供了從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練優(yōu)化，到模型部署的全流程可復(fù)用方案，降低產(chǎn)業(yè)落地門檻。

接下來我們就一起看下這三個(gè)案例吧：

火災(zāi)煙霧檢測

2020年，全國共接報(bào)火災(zāi)25.2萬起，死亡1183人，受傷775人，直接財(cái)產(chǎn)損失40.09億元。傳統(tǒng)的火災(zāi)煙霧檢測存在監(jiān)管難度大、人員管理難、工地?cái)?shù)量多且分散等問題。針對以上問題，我們與普宙科技針對城市和森林兩大場景，基于開源數(shù)據(jù)集和自研數(shù)據(jù)集進(jìn)行煙霧和火災(zāi)檢測的合作研發(fā)。

為了讓模型結(jié)果更具說服力，我們重新定義了評價(jià)指標(biāo)：

1）圖片級別的召回率：只要在有目標(biāo)的圖片上檢測出目標(biāo)（不論框的個(gè)數(shù)），該圖片被認(rèn)為召回。批量有目標(biāo)圖片中被召回圖片所占的比例，即為圖片級別的召回率。2）圖片級別的誤檢率：只要在無目標(biāo)的圖片上檢測出目標(biāo)（不論框的個(gè)數(shù)），該圖片被認(rèn)為誤檢。批量無目標(biāo)圖片中被誤檢圖片所占的比例，即為圖片級別的錯(cuò)誤率。

本案例分別選用了單階段檢測模型YOLOV3、PPYOLOV1、PPYOLOV2進(jìn)行實(shí)驗(yàn)。模型優(yōu)化策略包括數(shù)據(jù)增強(qiáng)、可變形卷積、加入背景圖片等，下表詳細(xì)展示了不同實(shí)驗(yàn)結(jié)果（單卡NVIDIA Tesla V100下同）：

注：

aug：RandomHorizontalFlip + RandomDistort + RandomCrop + RandomExpand+MixupImage

aug1：RandomResizeByShort + RandomHorizontalFlip

根據(jù)上述實(shí)驗(yàn)數(shù)據(jù)，我們的方案降低了錯(cuò)誤率、提高了召回率。推薦使用backbone為ResNet101的PPYOLOV2模型，通過使用數(shù)據(jù)增強(qiáng)、加入背景圖、COCO預(yù)訓(xùn)練、空間金字塔池化(SPP)等優(yōu)化策略，實(shí)現(xiàn)96%召回率，2.2%的誤檢率。更多優(yōu)化策略詳解請關(guān)注我們的直播課。

將我們AI模型裝入無人機(jī)，可以實(shí)現(xiàn)無人機(jī)森林智能巡檢，及時(shí)發(fā)現(xiàn)火情。此外，借力AI也可以發(fā)現(xiàn)非法越境、販毒等違法犯罪行為，便于及時(shí)取證調(diào)查。

人流量統(tǒng)計(jì)

在商場或火車站等人流量較大的公開場合，其管理者可能需要進(jìn)行動態(tài)人流量統(tǒng)計(jì)來監(jiān)控商場/火車站每天的客流量數(shù)。因?yàn)槿藛T基數(shù)較大、流動性較高，通過人工來進(jìn)行流量統(tǒng)計(jì)并不現(xiàn)實(shí)。針對該問題，本項(xiàng)目與上海音智達(dá)公司合作，智能高效地實(shí)現(xiàn)動態(tài)場景下的人流量統(tǒng)計(jì)。

本案例技術(shù)的實(shí)現(xiàn)采用目前精度和速度都表現(xiàn)很好的多目標(biāo)跟蹤算法FairMOT，全部實(shí)驗(yàn)結(jié)果如下表所示（單卡NVIDIA Tesla V100）。通過嘗試不同的優(yōu)化策略，更改優(yōu)化器、損失函數(shù)、使用數(shù)據(jù)增強(qiáng)、增加可變形卷積（dcn）、開啟跨卡同步batch normalization（syncbn）、使用指數(shù)移動平均（EMA）、更換主干網(wǎng)絡(luò)等，模型的最高跟蹤準(zhǔn)確度(MOTA)達(dá)到71.7。更多優(yōu)化策略細(xì)節(jié)可以關(guān)注我們的直播課程。

用戶可以直接使用我們開源的高精度行人檢測跟蹤模型進(jìn)行fine-tuning或完成其他任務(wù)，如靜態(tài)場景下的人員計(jì)數(shù)任務(wù)，助力公開場合的人員管理工作。該技術(shù)方案還可以用于車流量統(tǒng)計(jì)、嫌疑人跟蹤等更多任務(wù)場景中。更多場景將在直播中解鎖~

安全帽檢測

在施工現(xiàn)場，對于來往人員以及工作人員而言，安全問題至關(guān)重要。而安全帽更是保障施工現(xiàn)場在場人員安全的第一防線，因此需要對場地中的人員進(jìn)行安全提醒。當(dāng)人員未佩戴安全帽進(jìn)入施工場所時(shí)，人為監(jiān)管耗時(shí)耗力，而且不易實(shí)時(shí)監(jiān)管，過程繁瑣、消耗人力且實(shí)時(shí)性較差。

針對以上問題，上海天覆科技有限公司基于百度同學(xué)自研、工業(yè)界表現(xiàn)超高性價(jià)比的PP-YOLOV2模型進(jìn)行實(shí)驗(yàn)，獲得如下數(shù)據(jù)。

推薦使用backbone為ResNet50的PPYOLOV2模型，添加可變形卷積dcn、輸入圖像大小為608的情況下，安全帽ap高達(dá)96.83%，推理速度達(dá)到13.7fps。使用NV-Jetson進(jìn)行部署，實(shí)現(xiàn)很好的檢測效果。