采用计算机视觉的 AI 驱动 PPE 合规性监测
工作场所安全是在工业、制造业和建筑环境中的首要任务。在这些环境中，人工执行时，确保个人防护装备（PPE）合规性可能具有挑战性。本项目演示如何使用 Qualcomm® Intelligent Multimedia SDK (QIM SDK) 构建一个实时、边缘 AI 驱动的 PPE 监测系统。该解决方案可自动检测作业人员，并验证是否正确佩戴所需的安全装备，例如安全帽、安全背心、手套和口罩。
设备与组件
软件与工具
项目描述
该应用使用完全在设备端运行的多阶段计算机视觉流水线。人员检测模型首先在视频流中识别个体，随后第二个AI模型对每个被检测到的人员进行PPE合规性分析。通过仅处理相关的感兴趣区域，系统在保持高检测精度的同时，实现了高效、低时延的推理。Qualcomm 的硬件加速 AI 和多媒体框架将视频解码、预处理、推理和可视化任务卸载到专用硬件上，最大限度地降低CPU利用率，并支持在边缘设备上进行可扩展部署。
该项目展示了如何利用 AI 持续监测工作场所安全、提供实时可视化警报，并生成用于合规性跟踪的可执行洞察。由于所有处理都在设备本地完成，该解决方案可降低延迟、保护隐私，并消除对云连接的依赖。这使其非常适用于工厂、仓库、施工现场、物流设施以及其他需要可靠、实时安全监测的环境。
主要特性
实时工人检测和 PPE 合规性验证
检测安全帽、安全背心、手套和口罩
完全在设备端进行的 AI 推理，并具备硬件加速
使用基于 GStreamer 的管道实现低延迟视频分析
工作人员与检测到的 PPE 之间的层级元数据关联
实时叠加层、警报和合规性可视化
适用于工业安全监测应用的可扩展部署
应用
工业制造安全监控
施工现场合规性跟踪
仓库和物流工人安全
智能工厂和工业4.0部署
企业安全分析和报告系统
设备设置
管道架构
PPE 检测流水线采用两阶段菊链架构，其中两个顺序执行的 AI 模型协同运行，第一个模型的输出直接驱动第二个模型的执行。
阶段 1 — 人员检测：第一个 AI 模型处理完整视频帧，并生成边界框，用于标识场景中每个个体的位置。
裁剪生成：第二个 PPE 检测模型需要图像裁剪而不是边界框。为支持这一点，qtimlvconverter 的第二个实例以裁剪生成模式运行，使用第一个模型的边界框从原始帧中动态裁剪每个检测到的人员。
阶段 2 — PPE 检测：PPE 检测模型会针对每个检测到的人员调用一次，独立分析每个裁剪区域，以确定是否存在安全装备，包括安全帽、安全背心、手套和口罩。
元数据重新附加：第二个 qtimetamux 实例将 PPE 检测结果重新附加到原始视频流，确保所有检测与对应的帧和人员同步。
按照 Monitoring PPE Compliance with AI-Powered Computer Vision blog 中的说明安装所需的先决条件，配置 Qualcomm Intelligent Multimedia SDK 环境，设置 AI 模型，部署流水线，并在目标设备上运行该应用程序。有关详细的设置和执行步骤，请参阅该博客。
代码
QIMSDK 示例应用
用于实现 PPE 检测的示例应用程序
Qualcomm® IM SDK 为多媒体开发提供硬件加速的 GStreamer 插件和参考应用，同时还提供 AI SDK 集成，例如 Neural Processing SDK、AI Engine Direct 和 Lite Runtime。
文章标签
