MMDet-Edge:用于安全关键边缘部署的多规模和多对象检测框架.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 边缘计算 边缘计算

背景情况:

• 建筑工地安全是全球主要关注的问题.
• 当前的监控系统在边缘约束下,在准确性,实时性能和稳定性方面面临限制.
• 需要先进的人工智能解决方案来实时监控建筑中的安全.

研究的目的:

• 引入MMDet-Edge,一个边缘优化的建筑工地安全统一检测框架.
• 为了提高边缘设备的多对象检测精度,实时效率和环境稳定性.
• 通过纳入安全统计数据来减少具有重大后果的虚假阴性.

主要方法:

• 开发了一个自适应特征融合架构,以空间通道的注意力来改进小物体检测.
• 采用硬件意识的神经架构搜索 (HC-NAS) 来共同优化稀疏性和量化.
• 将OSHA的死亡统计数据整合到风险加权评估范式中.

主要成果:

• 在小物体平均精度 (AP) 中实现了9.3%的增长.
• 在1.8W的功耗下达到89.4%mAP@0.5,超过了其他边缘探测器.
• 减少了34%的高后果虚假阴性,并在现场部署中减少了22%的安全事件.
• 在极端条件下 (如>60%的遮蔽,>100卢克斯的差异) 可以实时检测人员,头盔,火焰,烟雾和背心.

结论:

• MMDet-Edge通过硬件算法共同设计为安全关键边缘AI建立了一个新的架构范式.
• 该框架提供了一个强大而高效的解决方案,用于在苛刻的建筑环境中实时监控安全.
• 该系统在减少安全事故和检测能力方面取得了显著的改进.