AI口罩检测落地北京地铁,百度飞桨助力一线防疫

步入3月,全国企业陆续复工返岗,公共交通防疫战持续升级。特别是在人流量大、环境复杂的地铁交通枢纽,如何采取有力的防疫措施,全力保障市民出行、企业复产是重要议题。

近日,针对北京地铁防疫需求,百度与北京地铁合作开展了AI口罩检测方案测试。该方案可在地铁站实时视频流中,准确地对未戴口罩以及错误佩戴口罩的情况进行识别和检测,辅助一线地铁工作人员进行防疫工作。

图片包含 人员, 室内, 男士

描述已自动生成

飞桨是百度自研,目前国内唯一开源开放且功能完备的产业级深度学习平台,是各类型AI模型应用开发的基础。2月13日,百度就宣布在飞桨深度学习平台中免费开源了业内首个“口罩人脸检测及分类模型”,助力各行业疫情防控。

在接到北京地铁AI口罩检测的需求后,一支专项项目组迅速集结起来,防控紧迫,这次他们要尽一切可能的快。项目组连夜计划部署方案,并在3天内完成第一版快速部署,7天内进行了两次模型升级、三次现场部署调试、多次策略优化,最终部署上线,实现了在地铁站实时视频流中,准确地对未戴口罩以及错误佩戴口罩的情况进行检测。

百度研发工程师介绍,北京地铁AI口罩检测方案首先通过地铁站厅内摄像头进行实时视频流的抓取和分析,抓取频率为5帧/秒。若出现未佩戴口罩情况,将自动红框标出并将图片本地保存。而对于如露出鼻子等佩戴不规范情况,模型也将进行识别提示。方案整体轻量级部署,易于集成。

图片包含 人员, 男士, 室内, 墙壁

描述已自动生成

此外,在时间紧任务重,且疫情期间地铁内人流过少导致训练样本严重不足的情况下,团队克服了包括视频流转解码、保护地铁内网独立性、乘客口罩品类颜色不一、可用于标注训练的样本太少等多种困难。硬件方面,该项目也紧急得到了英伟达中国的硬件资源和技术支持。

在此次北京地铁AI口罩检测方案中,百度飞桨利用自身储备的业界领先工具集,快速完成了多维度视频内容解析、视频语义理解、分类标签,及口罩识别等全套模型及部署,充分展现出飞桨源于产业实践、并致力于与产业深入融合的特点。

同时,检测功能的实现离不开百度人脸识别技术的长期积累。基于多年图像分类、检测、检索,人脸质量检测,活体识别等技术积累,并对口罩人脸小样本学习进行模型迭代,实现了模型准确率业界领先。而这些领先的视觉技术也在飞桨中开放,飞桨官方支持包括视觉、NLP、语音、推荐等领域在内,超过100 个经过产业实践长期打磨的主流模型。目前,飞桨在工业、农业、交通、制造业等各个领域都有众多应用实例,累计服务150多万开发者。

抗击新冠疫情的战线里,百度一直发挥着自身在人工智能领域的技术优势,与疫情赛跑。此次,与北京地铁携手上线AI口罩检测,希望在复产复工的关键时刻为工作出行安全提供助力。支援战疫,百度正在行动中。

产业AI百度人脸识别百度飞桨
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

图像分类技术

图像分类,根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。

百度机构

百度是全球最大的中文搜索引擎,是一家互联网综合信息服务公司,更是全球领先的人工智能平台型公司。2000年1月1日创立于中关村,公司创始人李彦宏拥有“超链分析”技术专利,也使中国成为美国、俄罗斯、和韩国之外,全球仅有的4个拥有搜索引擎核心技术的国家之一。

https://www.baidu.com/
人脸检测技术

人脸检测(face detection)是一种在任意数字图像中找到人脸的位置和大小的计算机技术。它可以检测出面部特征,并忽略诸如建筑物、树木和身体等其他任何东西。有时候,人脸检测也负责找到面部的细微特征,如眼睛、鼻子、嘴巴等的精细位置。

小样本学习技术

人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,只需要少量的样本就能快速学习,这就是 Few-shot Learning 要解决的问题。

推荐文章
Nice