隨著以深度學習為代表的人工智慧技術的成熟，國內眾多行業都在基於人工智慧技術推進行業變革與創新，積極探尋有效、有價值的應用場景進行商業化落地，其中尤以安防行業表現最為活躍。如災害監控、人流量監控、施工安全監控、吸菸檢測、口罩檢測等。

雖然深度學習發展取得了不錯的成績，但是在產業落地時仍然面臨諸多問題：訓練資料獲取難、模型泛化能力差、效能或效率達不到生產要求等。

以火災煙霧檢測、人流量統計、安全帽檢測這3個經典的場景為例，如何實現從資料準備、模型訓練最佳化，到模型部署的全流程可複用方案，從而降低產業落地門檻成為甲方最迫切的需求。

火災煙霧檢測

據統計，全國共接報火災25。2萬起，死亡1183人，受傷775人，直接財產損失40。09億元。傳統的火災煙霧檢測存在監管難度大、人員管理難、工地數量多且分散等問題。百度飛槳針對以上問題，與普宙科技針對城市和森林兩大場景，基於開源資料集和自研資料集進行煙霧和火災檢測的合作研發。

評價指標：

1）圖片級別的召回率：只要在有目標的圖片上檢測出目標（不論框的個數），該圖片被認為召回。批次有目標圖片中被召回圖片所佔的比例，即為圖片級別的召回率。

2）圖片級別的誤檢率：只要在無目標的圖片上檢測出目標（不論框的個數），該圖片被認為誤檢。批次無目標圖片中被誤檢圖片所佔的比例，即為圖片級別的錯誤率。

該案例分別選用了單階段檢測模型YOLOV3、PPYOLOV1、PPYOLOV2進行實驗。模型最佳化策略包括資料增強、可變形卷積、加入背景圖片等，下表詳細展示了不同實驗結果（單卡NVIDIA Tesla V100下同）：

注：

aug：RandomHorizontalFlip + RandomDistort + RandomCrop + RandomExpand+MixupImage

aug1：RandomResizeByShort + RandomHorizontalFlip

根據上述實驗資料，該方案降低了錯誤率、提高了召回率。推薦使用backbone為ResNet101的PPYOLOV2模型，透過使用資料增強、加入背景圖、COCO預訓練、空間金字塔池化（SPP）等最佳化策略，實現96%召回率，2。2%的誤檢率。

將AI模型裝入無人機，可以實現無人機森林智慧巡檢，及時發現火情。此外，借力AI也可以發現非法越境、販毒等違法犯罪行為，便於及時取證調查。

人流量統計

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行動態人流量統計來監控商場/火車站每天的客流量數。因為人員基數較大、流動性較高，透過人工來進行流量統計並不現實。針對該問題，本專案與上海音智達公司合作，智慧高效地實現動態場景下的人流量統計。

該案例技術的實現採用目前精度和速度都表現很好的多目標跟蹤演算法FairMOT，全部實驗結果如下表所示（單卡NVIDIA Tesla V100）。透過嘗試不同的最佳化策略，更改最佳化器、損失函式、使用資料增強、增加可變形卷積（dcn）、開啟跨卡同步batch normalization（syncbn）、使用指數移動平均（EMA）、更換主幹網路等，模型的最高跟蹤準確度（MOTA）達到71。7。

使用者可以直接使用開源的高精度行人檢測跟蹤模型進行fine-tuning或完成其他任務，如靜態場景下的人員計數任務，助力公開場合的人員管理工作。該技術方案還可以用於車流量統計、嫌疑人跟蹤等更多工場景中。

安全帽檢測

在施工現場，對於來往人員以及工作人員而言，安全問題至關重要。而安全帽更是保障施工現場在場人員安全的第一防線，因此需要對場地中的人員進行安全提醒。當人員未佩戴安全帽進入施工場所時，人為監管耗時耗力，而且不易實時監管，過程繁瑣、消耗人力且實時性較差。

針對以上問題，上海天覆科技有限公司基於百度自研、工業界表現超高性價比的PP-YOLOV2模型進行實驗，獲得如下資料。

推薦使用backbone為ResNet50的PPYOLOV2模型，新增可變形卷積dcn、輸入影象大小為608的情況下，安全帽ap高達96。83%，推理速度達到13。7fps。使用NV-Jetson進行部署，實現很好的檢測效果。

百度飛槳結合實際經驗，已經將火災煙霧檢測、人流量統計、安全帽檢測的文件和程式碼進行了開源（https：//github。com/PaddlePaddle/awesome-DeepLearning）。最後，為了讓大家更加深入地瞭解這些案例，獲取產業實現方案。百度高工將於10月26-28日圍繞四大行業、八大真實場景親授親授產業案例直播課程，歡迎掃碼報名課程，與百度資深工程師和同行開發者一起交流。

精彩內容搶先看