[发明专利]一种基于OpenVINO的安全工况实时监测方法

权利要求书

1.一种基于OpenVINO的安全工况实时监测方法，其特征在于：包括英特尔神经计算棒（Intel Neural Myriad X2 VPU）、树莓派主板、YOLOX算法、PC、摄像头、显示器和服务器；所述树莓派使用轻量化的64位ARM架构平台；所述英特尔神经计算棒为低功耗高性能的视觉处理单元，所述英特尔神经计算棒作为协处理器用于深度学习及人工智能视觉应用加速，在此处即利用利用机器视觉加速对于工况环境视频流的推理作用，通过全新神经计算引擎的加速，所述英特尔神经计算棒可以实现每秒1TFlops（万亿次）计算，总体峰值性能4TFlops，支持4K视频解码，支持4K/30Hz H.264/H.265、4K/60Hz M/JPEG格式，并且功耗极低；主要通过摄像头或网络摄像机，以英特尔神经计算棒为协处理器为树莓派的嵌入式CPU提供强大的推理加速功能来进行安全工况实时监测，于直接用树莓派的嵌入式CPU进行推理，不仅在推理速度上有大幅度的提升，更是在运行的稳定性和推理准确率上有了大幅提高，其中英特尔神经计算棒的VPU芯片，该VPU芯片通过全新神经计算引擎的加速，可以在功耗很低的情况下实现每秒万亿次DNN计算。

2.根据权利要求1所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述树莓派为主控单元，主要执行模型的推理工作 。

3.一种基于OpenVINO的安全工况实时监测方法，其特征在于：使用深度学习的方法，利用YOLOX和OpenVINO进行安全工况实时监测，包含以下步骤：

步骤1：构建适用于OpenVINO优化部署的YOLOX；

步骤2：构建安全工况环境数据集；

步骤3：利用安全工况环境数据集训练改进过的YOLOX，并用OpenVINO优化加速得到适用的模型文件；

步骤4：将上述得到的模型部署到树莓派和英特尔神经计算棒，使其能实时监测工况环境的安全；

步骤5：将上述监测到的未按要求着装的作业人员的实时信息截图保存，并利用服务器将相关信息发送给监测人员。

4.根据权利要求3所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述在步骤1中，构建适用于OpenVINO优化部署的YOLOX时，使用能运行在神经计算棒上的激活函数等方法。

5.根据权利要求3所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述在步骤1中，构建适用于OpenVINO优化部署的YOLOX网络的关键在于替换OpenVINO不支持的网络层，为之后的模型优化部署创造条件，并得到符合OpenVINO要求的ONNX格式的模型文件。

6.根据权利要求3所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述在步骤2中，构建安全工况环境数据集，包括收作业人员规范着装的图片，使用标注软件标注出作业人员位置，将标注好的图片分成测试集和训练集。

7.根据权利要求3所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述在步骤3中，使用安全工况环境数据集训练改进过的YOLOX，并使用OpenVINO优化模型文件，得到开放神经网络交换（ONNX）格式安全工况监测模型，之后使用OpenVINO转换为IR文件。

8.根据权利要求3所述的一种基于OpenVINO的安全工况实时监测方法，其特征在于：所述在步骤4中，在树莓派和英特尔神经计算棒部署使用OpenVINO的推理引擎，加速硬件的推理性能，使性能硬件能高效的处理摄像头采集的视频图像数据，做到实时检测安全工况。