深度学习模型在抽烟行为检测方面的应用
最近去过几家企业考察,基本上工厂门口都会有佩戴安全帽和禁止抽烟的标识.
我们的安全帽的检测上一篇文章中已经探讨过了,那么抽烟的行为检测如何处理呢?
我们在安全帽检测模型基础上,做新的训练,生成的新的神经网络能够非常好的识别在各种厂所的人员的抽烟行为,在此基础上可以做成公共场所禁烟提醒和工厂人员禁烟监测的装置.
nosmoke.jpeg
我们参照2018的新的神经网络模型,经过一年多发展,尤其是深度学习的新的模型的不断出现,无论是运算速度,识别精度上都有了很大进步,经过一定的积累,决定重新做一套新的模型和更加适应企业现场应用场景的平台,达到如下目标:
- 项目训练可以实现现场采集,及时训练,快速部署,实情实景,增加模型对现场的适应性,达到商业化的识别标准.
- 模型足够小,既可以部署到嵌入式设备中,也可以大规模在后台并发运算,大大降低整个项目的运行成本.
- 达到足够高的识别精度和尽快短的响应时间.
- 模型适应性强,部署简单,大幅降低工程项目的难度,适合推广和大规模部署.
- 实现云平台,AI入云,现场只需一个普通的网络摄像头即可使用.
1. 新模型的选择
谷歌2018年发布了MobileNetV2的深度学习模型,经过仔细的研究和测试,发现这个模型的优点:轻巧,速度快,兼顾识别精度高等特点,决定参考MobileNetV2
模型,搭建一套全新的安全帽识别模型.
谷歌论文中的MobileNetV2模型是以imagenet数据集为基础的,Input size为224*224,考虑到安全帽现场识别的场景,我决定缩减input size,并适当减少模型中的残差网络的层数,进一步缩减模型.
搭建好模型之后,数据集的问题,考虑到实现现场数据采集和分割识别,并分类训练,就设计了一套现场采集的系统,大概思路和去年的差不多,就是实现了在云端训练,快速现场部署的要求.
2. 训练模型
我们采用录像的方法采集数据,先录一段大家抽烟的视频,然后再录一段不抽烟的视频,通过目标识别算法,截取人的头部的图片作为输入的训练样本.
通过录像采集的方法有很多优点:
- 通过现场取景,特征接近实际应用
- 可以自导自演设定场景,省的二次分类
- 视频每秒25帧,可以生产大量的用于训练的数据集
- 也便于以后到生产现场快速训练和部署
Screen Shot 2018-09-02 at 20.19.53.png
Screen Shot 2018-09-02 at 20.21.48.png
Screen Shot 2018-09-02 at 20.21.34.png
3. 测试模型
一般经过半个小时的数据采集,就可以达到训练的数据量了,在云端训练完成后测试数据集的正确率在95%以上,完全达到商用标准了.
Gif-2018-48-02-21-48-42.gif
