計算機視覺背景下安全檢測技術的應用

崔立波 曹玉瑩

（長春建筑學院 吉林省長春市 130604）

為了滿足視頻監控應用需求，要結合數字化技術模式，融合人工智能、云計算以及大數據技術，積極推動多元監控防護體系，建立物體追蹤模式、人物臉部識別機制等，從而更好地提升安全檢測工作的實效性。

1 計算機視覺背景下安全檢測技術的理論依據

在基于計算機視覺背景下落實安全檢測技術處理的方案中，卷積神經網絡是最關鍵的核心技術要求。借助可學習的權重和偏置神經元完成信息的傳遞，從而提取相應的特征。

1.1 整體結構

相較于普通的神將網絡，卷積神經網絡（圖1）在應用中則匹配更多的神經元，不同的神經元有獨立的權重和偏置參數，神經元要接收前一級若干個結果后，利用累積數值求和進行函數和偏置數值的激活，然后開始計算分析，最終獲得的運算結果就是整個神經元的響應結果。

由圖可知，出克輸入層和預處理層，卷積神經元分為七層，不同層級的參數權重和偏向數值各有不同，輸入圖像的大小為32×32，其中，C1 層和C3 層是卷積層、C5 和C6 是全連接層，核體為5×5 矩陣模式。S2 層和S4 層為池化層，具備2×2 的感受野，且相應的狀態并未重疊出現。需要注意的是，卷積核若是發揮功效，能進一步強化特征信號，且能有效降噪[2]。

1.2 局部感知模式

對于人體而言，視覺系統是自主性穩定自發的過程，而在視覺背景下落實檢測技術模式，要將神經元感受區域信息刺激作為獲得信號的關鍵，神經元只有建立完整的局部感知內容，才能在高層級完成局部信息的匯總，從而獲取全局信息[3]。基于此，在卷積神經網絡中應用頻繁的局部感受野能減少參數的數值，形成更加具有條理的局部感受結構，見圖2。

1.3 權值共享模式

之所以要開展權值共享模式，就是為了能匯總檢索到的信息，然后依據局部信息內容完成全局評估。在權值共享模式中，要利用固定大小的濾波器對觀察對象予以掃描分析，獲得的濾波器數值就是權重參數，掃描中的數值大小固定，并集中篩除噪聲影響因素，就能完成整個特征參數的識別。基于此，權值共享模式就是特征提取的基礎模式，假定提取樣本模塊是n×n，獲得特征后就要對權重予以特征掃描器的處理，獲取差異性激活數值。

1.4 構建數據集

（1）要進行關鍵字和關鍵詞的設定，以保證能及時抓取圖片，為全面維持檢測工序的質量水平提供保障，提高應用效率。

（2）要完成拍攝照片的匯總，并且進行實時性人工篩選標記，歸一劃分為64×64。例如，要對工人是否佩戴安全帽進行實時性匯總分析，要對安全帽的尺寸數據、光照姿態以及角度變化等進行數據匯總，完成訓練集和測試樣本集的匯總分析。

2 計算機視覺背景下安全檢測技術的設計與實現

因為安全檢測技術的應用要面對的數據來源較多，且計算量較大，所以，要結合檢測系統應用的需求落實相應的設計工作。

2.1 計算機視覺背景下安全檢測技術設計方案

2.1.1 技術需求

建立基于計算機視覺背景的安全檢測技術模式，就是在原有管控平臺基礎上建立更加完整的技術應用結構，從而實現靜態管理向著動態管理轉變的目標，發揮計算機視覺系統的輔助作用，真正推進全面信息化管理進程[4]。

（1）要完成身份驗證。系統在運行中為了維持系統信息數據管理的合理性，要匹配賬戶和密碼完成登入，且管理人員要結合Web 瀏覽器觀看實時性現場畫面，從而在網頁端進行歷史記錄的檢索，導出相應列表。

（2）能在Web 界面對系統硬件的運行狀態予以觀察分析，了解分布式計算集群的運行狀態。

（3）能建立實時性信息匯總和分析。最關鍵的是，系統在實際操作中能結合對應的信號內容識別出沒有佩戴智能傳感安全帽的施工人員，并且發出相應的警報，從而建立集群負載平衡處理模式。

（4）系統能滿足隨意性應用規范和要求，系統不僅僅能對固定攝像畫面予以識別分析，還能利用無人機拍攝對應的場景畫面，從而分析識別結果。

2.1.2 功能需求

結合技術要點維持不同的功能模塊應用規范，從而落實匹配的功能內容，強化檢測技術的綜合效果。

（1）登錄功能，匹配賬戶和密碼完成系統基礎操作。

（2）密碼找回功能，結合提示信息完成密碼找回。

（3）實時播放功能，借助身份驗證獲得進入主界面的權限，完成實時處理和識別。

（4）畫面暫停、重放，結合實際需求進行任意的信息調取。

（5）報警功能，在識別安全風險問題后及時完成安全報警。

（6）記錄功能，實時記錄相關數據以備后續工作的開展和裸睡。

2.1.3 系統整體框架設計

在系統設計工作中，將B/S 結構作為設計基礎，結合需求建立對應的模塊，主要分為圖像采集模塊、實時性計算模塊和Web 服務模塊，按照模塊對應的任務內容完善設計方案。

（1）圖像采集模塊。利用多媒體處理器完成微型管理系統的設置，配合心跳單元、圖片數據單元以及警報單元完成系統管理，并且，借助RaspberryPi 將圖像信息直接發送到緩存區域。

1.心跳單元[5]。依據RaspberryPi 定時定向完成信息的發送和匯總，其中涉及RaspberryPi 基礎運行趨勢、當前系統運行狀態以及對應檢測結果數據等。例如，攝像頭能及時獲取溫度參數，依據可視化數據處理單元，就能將采集的信息直接呈現在界面上，以保證管理人員能獲取檢測數據，依據監控檢測數據落實相應的工作，確保能及時預判系統的不正常運行可能性。

2.圖片數據單元。作為圖像采集模塊的前端信息數據處理單元，圖片數據單元要結合攝像頭讀取的信息進行編碼處理，并且結合實際工作環境完成加密處理，利用SnakeMQ 進行緩沖區數據的匯總，保證圖像數據工作有序開展。

3.警報單元，利用安全警報信號進行信息管理，確保能及時通知工作人員。

（2）實時性計算模塊。在具體系統應用運行工序中，圖像采集器會逐漸增多，隨之產生的計算量也會增大，這就對實時性功能提出了新的要求，為了維持計算系統運行的穩定性，要結合圖像系統對單個節點性能要求予以分析，利用Mesos（圖3）作為集群管理系統，有效維持資源隔離和共享分布式程序管理流程的實效性。

值得一提的是，在Mesos 應用過程中，且本身能提供可擴展的框架共享集群內容，加之框架高度多樣化的演變，為了保證設計模式的合理性，就要匹配數據局部性故障處理單元，從而以較為簡單便捷的方式完成最小化系統資源的處理，維持應用效果。這種設計和Linux 較為相似，依據數據中心和云環境數據處理模式，就能最大程度上提高數據的管理效果。

（3）Web 服務模塊。對于整個系統而言，要利用編程語言進行后端系統的服務處理，匹配標準代碼程序的同時，確保代碼具有一定的可擴展性。借助SSE 完成服務器和計算機瀏覽器之間的數據交互，最大程度上確保檢測功能能及時得到回應。另外，在數據庫采取Sqlite 后，就要匹配系統兩張基礎表，一張表是用戶表，主要是完成用戶基礎信息的登記和記錄，并且結合結構設計要求進行基礎參數的等級。另一張表就是記錄檢測結果，例如，對沒有佩戴安全帽的人員進行檢測和警告處理，匹配記錄報表以備后續開展相應工作。

綜上所述，利用SnakeMQ 完成三個基礎模塊通信消息列隊的連接，提供較為合理的信息傳輸通道，并且匹配持久化數據處理分析機制，用戶只需要借助發送和接收模式就能實現實時性計算數據的讀取[6]。

2.2 計算機視覺背景下安全檢測技術實現

2.2.1 測試

目前，較為有效的測試機制被稱為黑盒測試，能有效對應用程序的功能進行集中的測定分析，并不需要查看其實際內部結構或者是工作模式，只需要結合結果落實分析機制，確保系統運行滿足應用預期。測試人員只需要建立特定的輸入信息結構，就能獲取單元測試、集成測試、系統測試和驗收測試的相關數據。

在對本文系統予以測定分析時，要對用戶登錄模塊、前臺用戶密碼找回模塊、主界面實時性畫面顯示模塊等進行狀態測試，從而獲取對應信息。

2.2.2 優化機制

利用Mesos 集群資源計算的工具，有效搭建更加合理的評估機制，在系統運行后，結合框架自身的調度器設備完成資源分配和執行管理，有效提升資源的利用率，并且將系統維持在較好的響應速度范圍內。本文主要是對Python 進行參數優化，提升Mesos 計算節點資源利用效率，從而維持整個計算模式的穩定性，確保檢測技術能發揮其實際作用。

3 結束語

總而言之，在融合卷積神經網絡研究內容基礎上建立識別機制，匹配對應的檢測技術，就能落實相應的工作，能在減少系統響應時間的同時，維持對應模塊分析處理的標準水平，確保計算機視覺技術能為檢測效果的全面提高奠定基礎，為綜合實用價值的升級提供保障。