Page 13 - Vol.45

圖12、CCTV AI工安監控系統-高風險管制區域人員侵入偵測功能實驗場景擷取影像。
⒜高倍率小範圍管制區 ; ⒝低倍率小範圍管制區 ; ⒞低倍率大範圍管制區

4.1.2 實驗結果 4.2.1 資料分佈

在此實驗中，Positive Case為違規人次及Negative Case 本項實驗分佈如圖13，分別有三種實驗場域 :
為無違規人次，經實驗統計後，在三項實驗情境總計之分類混 圖13⒜低放大倍率影像(台南F18工地停車場)-實驗人員計
淆矩陣如 表1所示 : 有4位，測試情境中人員只穿背心，不戴安全帽。四人並行沿
著指定路線出發再回到原點。該場域目的在測試低放大倍率下
表1、高風險管制區域人員侵入偵測分類混淆矩陣 的未戴安全帽違規偵測。
圖13⒝高放大倍率影像(新竹F12工務所後)-實驗人員計有
實際違規 實際未違規
預測違規 286(True Positive, TP) 4(False Positive, FP) 3位，於固定放大倍率下，人員圍繞以三角錐圍起區域行走，
預測未違規 31(False Negative, FN) 1341(True Negative, TN)
並隨意穿、脫安全帽。本場域的目的是希望藉由人員繞行的
方式，可以測試受測人員以正面或背面影像偵測安全帽穿戴
其中，針對違規侵入事件(Actual Positive)其:
的準確性。
圖13⒞高放大倍率影像(台南F18P4工務所人員上下班出
召回率(recall rate) =
入動線)-本段影像為實際工區人員上下班出入動線上擷取之影
像，實驗中擷取入鏡的人員計有4位。本場域規劃的目的是測
精確率(precision rate) =
試以實際人員行走的步態及速度等條件，進行安全帽辨識的準
確性評估。
即在誤報(False Alarm)機率小於1.5%情況下，違規情事偵
上述三種實驗場景，共有未穿戴安全帽(違規，Positive
測率可達90%以上。
Case)計153人次及有穿戴安全帽(無違規，Negative Case)計
此外，若在Violation & High Risk Detection模組中，取
121人次。
用不同判定違規的門檻值參數設定，將會對偵測違規的兩項
指標-召回率(recall rate)及精確率(precision rate)形成權衡取捨 4.2.2 實驗結果
(trade-off)的情況。一般說來高召回率(較低漏報)會導至精確 在此實驗中，Positive Case為違規狀況(153人次)及
率降低(較高誤報)，反之為提升精確率(較低誤報)，往往也會 Negative Case為無違規狀況(121人次)，其中經實驗統計後，在
連帶使得召回率降低(較高漏報)。圖14⒜為高風險管制區域 三項實驗情境總計之分類混淆矩陣如 表2 :
人員侵入偵測的precision-recall曲線變化圖，在極度理想的狀
況下，precision-recall下方的面積(area under curve, AUC or 表2、安全帽穿戴偵測分類混淆矩陣
violation average precision)應為1.0，於本系統中AUC可達到
實際違規 實際未違規
0.9553。兩條紅色垂直線分別表示當recall rate定為70%及90% 預測違規 138(True Positive, TP) 0(False Positive, FP)
做為標準時，precision rate皆可達到99%。 預測未違規 15(False Negative, FN) 121(True Negative, TN)

4.2 Case-個人防護設備(安全帽)穿戴偵測 其中，針對違規侵入事件(Actual Positive)其 :
本實驗主要評估以CCTV AI工安監控系統GUI介面，實作
電子圍籬功能，設置ROI區域作為高風險區域，並在ROI區域 召回率(recall rate) =
內增設安全帽穿戴偵測的監控任務。
精確率(precision rate) =

FACILITY JOURNAL 03 2022 11