Page 5 - Vol.45
P. 5

TSMC / FACILITY PUBLISHED
                VOL.45
                                                         廠務季刊


                                                          URL.http://nfjournal/



                從深度學習技術到MLOps : 以CCTV影像工安辨識談人工智慧的落地應用為例

                From Deep Learning Techniques to MLOps Concepts :
                Take CCTV Surveillance Analysis as an AI-Landing Example


                                                                                             1 2
                                                                                      3
                                                                                            4
                                                                            1
                                                                                                         3 4
                                                                                 2
                                                                      文│謝志宏  翁逸驊  林君穎  黃俊銘  │ 廠務數位發展部  廠務發展處│
                摘要 / Abstract
                    各項報告指出，由於工地環境複雜多變，從高處墜落及物體飛落砸傷等風險，使得營建業成為近年來重大職業災害人數最
                多的產業。然而傳統以人員持續監控CCTV影像畫面來強化工地安全的作法，需投入大量的人力工時，除了在工程範圍擴大時，
                難以有效規模化。同時監控人員也會因為持續監控的疲憊使得專注力及反應的即時性下降。本篇論文基於CCTV影像監控系統，
                收集工地現場監視畫面，利用深度學習物件偵測演算法進行安全裝備穿戴及高風險區域侵入等自動化偵測，有效輔助監控人員
                高效率地執行工安監控任務。同時，有鑑於工地環境變遷快速容易導致已訓練好的人工智慧模型漸漸偏離失準的問題，本篇論
                文亦引入互動式學習、遷移學習等模型優化方式，透過UI/UX的設計，實踐可以持續訓練及整合的MLOps流程，完成以機器學習
                為服務主體(Machine Learning as a Service)的目標。

                關鍵詞 / 工地安全、監視影像分析、深度學習、物件偵測、機器學習、人工智慧、機器學習維運流程

                    According to recently survey reports of fatal occupational injuries, the major risks leading to fatal injuries in construction sites
                are falling from high places or getting hit by a dropping heavy item. To avoid human exposed to those risky situations, one of
                the traditional approaches is to set up surveillance system, and to hire surveillance operator monitoring CCTV video stream for
                24hours x 7days a week. However, fatigue issue could lead surveillance operator losing their focus and may become unaware to
                response potential hazards on time. This paper adopts a deep-computer-vision based approach to detect each human on video
                frame and to check their locations as well as their personal protective equipment. By taking advantages of UI/UX design and AI
                model maintenance process, the resulted system can automatically analyzes the real-time CCTV video stream and prevents the
                potential hazards or safety protocol violation with very few human efforts.

                Keywords / Construction Site Safety, Surveillance Video Analysis, Deep Learning, Object Detection, Machine Learning,
                Artificial Intelligence, MLOps



                1.  前言

                    工地環境向來是變遷快速、複雜多變且充滿風險的環                        人數多達316人，營造業更是所有產業中重大職災死亡人數佔
                境。也因此在各產業之中，營造及土木工程產業每年承擔巨                         比最高者，計168人(達53%)。這兩份報告皆指出，「從高處墜
                額的職災損失。據美國勞工統計局(Bureau of Labor Statistics,        落」及「物體飛落砸傷」是造成營造施工環境產生重大職災傷
                             [01]
                BLS)最新的統計 ，工地現場員工(建築營造產業)是除了職業                     害的主要成因，避逸此類風險意外已成為打造安全營造施工環
                駕駛(運輸產業)統計受致命職業災害人數最多的職業，同時隨                       境最刻不容緩的重要任務。
                著經濟規模的成長，自2015-2019年，統計有案的受致命職業                        目前在工地環境安全監控設備多仰賴CCTV或其他監視攝
                災害人數是年年增加。而據我國勞動部職業安全衛生署最新的                        影機系統(Closed-Circuit Television, or Surveillance)，安排值班
                              [02]
                勞動檢查統計年報 顯示，2019年我國因為重大職業災害死亡                      人員長時間監看監視攝影機畫面，並即時通報所發現的高風險

                                                                                             FACILITY JOURNAL        03  2022  3
   1   2   3   4   5   6   7   8   9   10