在工业环境中工作一直是危险的，工厂经理们努力寻找最佳的解决方案，以尽量减少伤亡。其目的是减少危害，管理风险，预防事故的发生。相关立法执行了许多规章制度，但这些规章制度大多源于过去的错误，不足以避免将来的不幸。

使用IoT传感器可以为算法提供实时数据，并允许它在现场做出决策。例如，如果传感器检测到气体泄漏，温度升高或多余的湿度，则工作可能立即停止，或者至少通知现场管理员。这些类型的决定是确定性的，对未来的了解并不多。

创建更安全环境的另一种方法是使用计算机和机器学习的功能。通过创建不同的场景，该算法可以感知什么是安全与什么不安全之间的差异。

计算机视觉功能

机器视觉的进步意味着现在的算法可以识别物体、边缘和速度。随着处理能力（GPU）、传感器和独立运载系统（如机器人和无人机）的提高，我们现在具备了所有必要的要素，可以创建最先进的安全程序，这些程序完全自动化，比人类同类程序更好。

计算机视觉致力于有效复制人眼，并具有大脑分辨不同物体或情况之间差异的能力。在工业环境中使用此设备可以预防和减少事故的发生。

工业安全细分和解决方案

Safeopedia（https://www.safeopedia.com/definition/1052/industrial-safety），一个专用的网络资源，定义了一系列主题，作为工业安全的一部分。我们将讨论计算机视觉为每个解决方案提供的可能解决方案。

工艺与生产安全

大多数生产设施都已经安装了闭路电视系统。计算机视觉算法可以使用这个实时的feed来检测异常。例如，在特定区域，由于移动部件或其他危险，不允许工人进入。如果通过现场录像发现这种情况，则可以停止整个过程。

机器视觉可以控制各种或不同的设备，从而使生产过程自动化。这提高了效率，并使工作场所更安全，因为它消除了人们在危险区域的需求。例如，通过使用条形码，可以根据产品的最终目的地对产品进行分类或包装，而无需人工操作。

材料安全

自动扫描仪可以安装在生产线上。它可以识别出原材料中的任何缺陷，如划痕、不均匀的油漆涂层，甚至是肉眼看不到但可能对最终产品造成灾难的小缺陷。更重要的是，物联网设备能够以手动质量控制器不可能达到的速度实现这一点。来自InData实验室的计算机视觉专家描述了多目标检测如何使这一过程对同一物体的不同部分准确、快速。

消防安全

在所有工业环境中，热感和烟雾传感器已经成为标准安全设备的一部分。这些可以辅之以红外摄像机等预防措施。例如，如果设备过热并起火，则可以在红外热像仪上看到该设备，并在其成为危险之前将其停止。

电气安全

使用IoT传感器是确保所有电路正常运行的廉价有效方法。它可以收集有关张力，电压，焦耳效应的数据，并防止过度充电，断电甚至短路引起的火灾。计算机视觉可以处理来自电路的各种不同信号，并检测异常活动。

建筑，工作场所和环境安全

安装在无人机或其他类型的自动驾驶汽车上的高分辨率传感器可以扫描周边并检测任何结构变化。这一点在煤矿，盐矿或石油开采场所等高应力环境中尤为重要，因为任何突然的变化都可能导致人员伤亡或环境危害。

细分环境，并将每个部分与预定义的“良好”模型进行比较。通过识别差异，计算机可以帮助评估是否存在真正的危险。

所有人共同的一般安全方面

智能传感器系统已经在一些地区投入使用，比如中国，*在那里使用面部识别系统来保证总体安全。这一想法可以在生产工厂复制，以消除访问徽章的需要。与传统的访问卡或密钥相比，生物特征测量具有更高的精度。如果在现场处理数据，此解决方案最有效。

挑战性

当然，这样的努力也伴随着一些问题。首先，传感器必须处于最佳状态，并且彼此之间和整个系统都要兼容。不应忽视连续安装、连接和校准它们以确保平稳运行的工作。

其次，通过处理单元发送的数据量非常大，这意味着系统应该为网络流量做好准备，或者找到在本地处理某些信息的方式，只发送结果以进行进一步分析。

最后，所存储的图像与现实之间可能会有细微的差异。系统的容忍度应设置得足够低，以正确地对物体进行分类；设置得足够高，以在可接受和危险情况之间做出区分。

未来发展方向

目前，计算机视觉算法大多是确定性的、有限的，但应用广泛。想象一下机器学习将带来的进步。它将告诉系统要查找什么，并使其从过去的经验中学习，就像QA工程师在工作中所做的那样。

在初始训练阶段和现场校准之后，它将能够提供其他功能，例如面部检测。从各种传感器收集数据并检测相关危险的风险是另一个潜在的方向。

原文链接