0  引言

近年，深度学习和人工智能领域上有着极大的突破，在人工智能环境下，工业领域的智能化成为了当今社会的热潮，它的广泛应用可以有效提高生产效率，降低人为干预，如果应用于生产作业环境，能够实时监测生产过程中的各种不安全因素，保证人员安全。

计算机视觉深度学习中的目标检测技术，可以对人员、物料、设备、环境等各种不安全状态精准高效识别，配合现代通信技术及时通知、反馈、整改、纠正，通过提前预防避免安全事故的发生。

1  目标检测概述

目标检测本质就是需要在任何环境下将被检测物体识别出来并标记的过程（图1），目前的主流技术是基于卷积神经网络的目标检测，对图像进行特征提取，并且将得到的特征图通过外界框的回归和分类等操作来完成所需的目标检测。

目标检测的意义是通过机器学习，使系统能在大量的视频输入中寻找到被检测对象，及时识别不安全状态，迅速上报、通知相关人员并加以纠正。

图1  目标检测流程

2  生产环境目标检测的实施方案

2.1  收集训练数据模型

目标检测的前提是对生产作业过程中的各种不安全状态进行识别训练，使计算机能够判断不安全行为和状态，表1中对识别模型范围进行了列举。

  表1安全状态模型识别表

    对各种生产状态相关识别效果以下图为例进行了简单举例，如安全帽佩戴、人员工作状态、跌倒识别、吊装作业识别等。

2.2  实现过程概述

通过摄像头实时采集工厂员工视频流数据，基于所采集的视频流数据实现工业生产环境、员工状态检测。将检测结果反应至控制调度中心，由控制调度中心做出相应的记录展示、提示警报和异常处理等。以上所描述的即为该基于深度学习的工厂人员监测系统预实现的技术和功能层面目标，而该系统所要实现的企业效益目标为利用计算机代替管理人员对生产员工进行标准化、智能化管理，进而减少额外的劳动力费用和降低生产事故发生率等。

3   结语

基于深度学习的人工智能生产安全保障系统在原理上十分可行，在实践工作中以辅助和代替人工为目标，开展基于安全生产人工只能平台的规划和建设，强调过程的自主性，以此为基础实现安全生产的高效化、规范化、自动化，全面化。

  参考文献

[1] 白培瑞等. DS-YOLOv5：一种实时的安全帽佩戴检测与识别模型[J]. 工程科学学报,2023,45(12).

 [2] 范亚龙, 李琦, 于令君. 基于深度学习的冶炼工人安全着装监测系统[J]. 科学技术与工程, 2023,23(31).

[3] 赵彦龙,找三伟等. 结合深度学习和边缘计算的作业人员专注性检测方法[J].自动化与信息工程, 22023,44(05).

作者简介:李祖  1983年1月--   男  保定天威集团天威特变电气有限公司    工学硕士  研究方向：变压器制造技术