崔立波 曹玉莹

（长春建筑学院 吉林省长春市 130604）

为了满足视频监控应用需求，要结合数字化技术模式，融合人工智能、云计算以及大数据技术，积极推动多元监控防护体系，建立物体追踪模式、人物脸部识别机制等，从而更好地提升安全检测工作的实效性。

1 计算机视觉背景下安全检测技术的理论依据

在基于计算机视觉背景下落实安全检测技术处理的方案中，卷积神经网络是最关键的核心技术要求。借助可学习的权重和偏置神经元完成信息的传递，从而提取相应的特征。

1.1 整体结构

相较于普通的神将网络，卷积神经网络（图1）在应用中则匹配更多的神经元，不同的神经元有独立的权重和偏置参数，神经元要接收前一级若干个结果后，利用累积数值求和进行函数和偏置数值的激活，然后开始计算分析，最终获得的运算结果就是整个神经元的响应结果。

由图可知，出克输入层和预处理层，卷积神经元分为七层，不同层级的参数权重和偏向数值各有不同，输入图像的大小为32×32，其中，C1 层和C3 层是卷积层、C5 和C6 是全连接层，核体为5×5 矩阵模式。S2 层和S4 层为池化层，具备2×2 的感受野，且相应的状态并未重叠出现。需要注意的是，卷积核若是发挥功效，能进一步强化特征信号，且能有效降噪[2]。

1.2 局部感知模式

对于人体而言，视觉系统是自主性稳定自发的过程，而在视觉背景下落实检测技术模式，要将神经元感受区域信息刺激作为获得信号的关键，神经元只有建立完整的局部感知内容，才能在高层级完成局部信息的汇总，从而获取全局信息[3]。基于此，在卷积神经网络中应用频繁的局部感受野能减少参数的数值，形成更加具有条理的局部感受结构，见图2。

1.3 权值共享模式

之所以要开展权值共享模式，就是为了能汇总检索到的信息，然后依据局部信息内容完成全局评估。在权值共享模式中，要利用固定大小的滤波器对观察对象予以扫描分析，获得的滤波器数值就是权重参数，扫描中的数值大小固定，并集中筛除噪声影响因素，就能完成整个特征参数的识别。基于此，权值共享模式就是特征提取的基础模式，假定提取样本模块是n×n，获得特征后就要对权重予以特征扫描器的处理，获取差异性激活数值。

1.4 构建数据集

（1）要进行关键字和关键词的设定，以保证能及时抓取图片，为全面维持检测工序的质量水平提供保障，提高应用效率。

（2）要完成拍摄照片的汇总，并且进行实时性人工筛选标记，归一划分为64×64。例如，要对工人是否佩戴安全帽进行实时性汇总分析，要对安全帽的尺寸数据、光照姿态以及角度变化等进行数据汇总，完成训练集和测试样本集的汇总分析。

2 计算机视觉背景下安全检测技术的设计与实现

因为安全检测技术的应用要面对的数据来源较多，且计算量较大，所以，要结合检测系统应用的需求落实相应的设计工作。

2.1 计算机视觉背景下安全检测技术设计方案

2.1.1 技术需求

建立基于计算机视觉背景的安全检测技术模式，就是在原有管控平台基础上建立更加完整的技术应用结构，从而实现静态管理向着动态管理转变的目标，发挥计算机视觉系统的辅助作用，真正推进全面信息化管理进程[4]。

（1）要完成身份验证。系统在运行中为了维持系统信息数据管理的合理性，要匹配账户和密码完成登入，且管理人员要结合Web 浏览器观看实时性现场画面，从而在网页端进行历史记录的检索，导出相应列表。

（2）能在Web 界面对系统硬件的运行状态予以观察分析，了解分布式计算集群的运行状态。

（3）能建立实时性信息汇总和分析。最关键的是，系统在实际操作中能结合对应的信号内容识别出没有佩戴智能传感安全帽的施工人员，并且发出相应的警报，从而建立集群负载平衡处理模式。

（4）系统能满足随意性应用规范和要求，系统不仅仅能对固定摄像画面予以识别分析，还能利用无人机拍摄对应的场景画面，从而分析识别结果。

2.1.2 功能需求

结合技术要点维持不同的功能模块应用规范，从而落实匹配的功能内容，强化检测技术的综合效果。

（1）登录功能，匹配账户和密码完成系统基础操作。

（2）密码找回功能，结合提示信息完成密码找回。

（3）实时播放功能，借助身份验证获得进入主界面的权限，完成实时处理和识别。

（4）画面暂停、重放，结合实际需求进行任意的信息调取。

（5）报警功能，在识别安全风险问题后及时完成安全报警。

（6）记录功能，实时记录相关数据以备后续工作的开展和裸睡。

2.1.3 系统整体框架设计

在系统设计工作中，将B/S 结构作为设计基础，结合需求建立对应的模块，主要分为图像采集模块、实时性计算模块和Web 服务模块，按照模块对应的任务内容完善设计方案。

（1）图像采集模块。利用多媒体处理器完成微型管理系统的设置，配合心跳单元、图片数据单元以及警报单元完成系统管理，并且，借助RaspberryPi 将图像信息直接发送到缓存区域。

1.心跳单元[5]。依据RaspberryPi 定时定向完成信息的发送和汇总，其中涉及RaspberryPi 基础运行趋势、当前系统运行状态以及对应检测结果数据等。例如，摄像头能及时获取温度参数，依据可视化数据处理单元，就能将采集的信息直接呈现在界面上，以保证管理人员能获取检测数据，依据监控检测数据落实相应的工作，确保能及时预判系统的不正常运行可能性。

2.图片数据单元。作为图像采集模块的前端信息数据处理单元，图片数据单元要结合摄像头读取的信息进行编码处理，并且结合实际工作环境完成加密处理，利用SnakeMQ 进行缓冲区数据的汇总，保证图像数据工作有序开展。

3.警报单元，利用安全警报信号进行信息管理，确保能及时通知工作人员。

（2）实时性计算模块。在具体系统应用运行工序中，图像采集器会逐渐增多，随之产生的计算量也会增大，这就对实时性功能提出了新的要求，为了维持计算系统运行的稳定性，要结合图像系统对单个节点性能要求予以分析，利用Mesos（图3）作为集群管理系统，有效维持资源隔离和共享分布式程序管理流程的实效性。

值得一提的是，在Mesos 应用过程中，且本身能提供可扩展的框架共享集群内容，加之框架高度多样化的演变，为了保证设计模式的合理性，就要匹配数据局部性故障处理单元，从而以较为简单便捷的方式完成最小化系统资源的处理，维持应用效果。这种设计和Linux 较为相似，依据数据中心和云环境数据处理模式，就能最大程度上提高数据的管理效果。

（3）Web 服务模块。对于整个系统而言，要利用编程语言进行后端系统的服务处理，匹配标准代码程序的同时，确保代码具有一定的可扩展性。借助SSE 完成服务器和计算机浏览器之间的数据交互，最大程度上确保检测功能能及时得到回应。另外，在数据库采取Sqlite 后，就要匹配系统两张基础表，一张表是用户表，主要是完成用户基础信息的登记和记录，并且结合结构设计要求进行基础参数的等级。另一张表就是记录检测结果，例如，对没有佩戴安全帽的人员进行检测和警告处理，匹配记录报表以备后续开展相应工作。

综上所述，利用SnakeMQ 完成三个基础模块通信消息列队的连接，提供较为合理的信息传输通道，并且匹配持久化数据处理分析机制，用户只需要借助发送和接收模式就能实现实时性计算数据的读取[6]。

2.2 计算机视觉背景下安全检测技术实现

2.2.1 测试

目前，较为有效的测试机制被称为黑盒测试，能有效对应用程序的功能进行集中的测定分析，并不需要查看其实际内部结构或者是工作模式，只需要结合结果落实分析机制，确保系统运行满足应用预期。测试人员只需要建立特定的输入信息结构，就能获取单元测试、集成测试、系统测试和验收测试的相关数据。

在对本文系统予以测定分析时，要对用户登录模块、前台用户密码找回模块、主界面实时性画面显示模块等进行状态测试，从而获取对应信息。

2.2.2 优化机制

利用Mesos 集群资源计算的工具，有效搭建更加合理的评估机制，在系统运行后，结合框架自身的调度器设备完成资源分配和执行管理，有效提升资源的利用率，并且将系统维持在较好的响应速度范围内。本文主要是对Python 进行参数优化，提升Mesos 计算节点资源利用效率，从而维持整个计算模式的稳定性，确保检测技术能发挥其实际作用。

3 结束语

总而言之，在融合卷积神经网络研究内容基础上建立识别机制，匹配对应的检测技术，就能落实相应的工作，能在减少系统响应时间的同时，维持对应模块分析处理的标准水平，确保计算机视觉技术能为检测效果的全面提高奠定基础，为综合实用价值的升级提供保障。