使用物聯(lián)網(wǎng)傳感器可以為算法提供實時數(shù)據(jù)，并可以在現(xiàn)場做出決定。例如，如果傳感器檢測到氣體泄漏，溫度升高或不需要的濕度，工作可以立即停止或至少通知地板經(jīng)理。這些類型的決定是確定性的，并且不能提供對未來的深入了解。

　　創(chuàng)造更安全環(huán)境的另一種方式是利用計算機和機器學習的力量。通過創(chuàng)建不同的場景，算法可以感知安全與不安全之間的區(qū)別。

　　計算機視覺能力

　　機器視覺的進步意味著現(xiàn)在算法可以識別物體，邊緣和速度。加上處理能力(GPU)，傳感器和獨立運載系統(tǒng)(如機器人和無人機)的改進，我們現(xiàn)在擁有創(chuàng)建最先進的安全程序的所有必要要素，這些安全程序完全自動化并且比人類更好。

　　計算機視覺致力于有效地復制人眼，以及大腦分辨不同物體或情況之間差異的能力。在工業(yè)環(huán)境中使用它應該會減少事故和預防，而不是糾正。

　　工業(yè)安全分部和解決方案

　　Safeopedia是一個專門的網(wǎng)絡資源，將主題列表定義為工業(yè)安全的一部分。我們將討論計算機視覺為他們每個人提供的可能解決方案。

　　過程和生產(chǎn)安全

　　大多數(shù)生產(chǎn)設施已經(jīng)在該處安裝了閉路電視系統(tǒng)。計算機視覺算法可以使用此實時飼料來檢測異常。例如，在特定區(qū)域，由于移動零件或其他危險，不允許工人工作。如果通過現(xiàn)場錄像發(fā)現(xiàn)這種情況，整個過程可以停止。

　　機器視覺可以控制各種或不同的設備，實現(xiàn)生產(chǎn)過程的自動化。這提高了效率，并使工作場所更安全，因為它消除了人們進入危險區(qū)域的需要。例如，通過使用條形碼，產(chǎn)品可以根據(jù)其最終目的地進行分類或包裝，而無需操作人員。

　　材料安全

　　自動掃描儀可以安裝在生產(chǎn)線上。這些可以識別原材料中使用的任何缺陷，如劃痕，不均勻的油漆層，甚至肉眼可能出現(xiàn)的小缺陷，但可能對最終產(chǎn)品造成災難性后果。更重要的是，物聯(lián)網(wǎng)設備可以以手動質(zhì)量控制器無法實現(xiàn)的速度進行操作。來自InData Labs的計算機視覺專家描述了多對象檢測如何使同一對象不同部分的此過程準確快速。

　　消防安全

　　熱量和煙霧傳感器已經(jīng)是所有工業(yè)環(huán)境中標準安全設備的一部分。這些可以通過紅外相機等預防措施加以補充。例如，如果設備過熱并引發(fā)火災，可以在紅外熱像儀上看到并在發(fā)生危險之前停止。

　　電氣安全

　　使用物聯(lián)網(wǎng)傳感器是確保所有電路正常工作的便宜且有效的方法。它們可以收集有關張力，電壓，焦耳效應的數(shù)據(jù)，并防止過度充電，斷電甚至由短路引起的火災。計算機視覺可以處理來自電路的各種不同信號，并檢測異常活動。

　　建筑，工作場所和環(huán)境安全

　　安裝在無人駕駛飛機或其他類型自動駕駛車輛上的高分辨率傳感器可以掃描周邊并檢測任何結構變化。在煤礦，鹽礦或石油開發(fā)現(xiàn)場等高壓環(huán)境中，這種情況更為重要，因為任何突然的變化都可能導致生命或環(huán)境危害的喪失。

　　環(huán)境被分割，每個部分都與預定義的“好”模型進行比較。通過識別差異，電腦可以幫助驢子，如果有真正的危險。

　　一般安全 - 所有人都有的安全的一般方面

　　智能傳感器系統(tǒng)已經(jīng)在一些地區(qū)實施，例如中國政府使用面部識別系統(tǒng)進行一般安全。這個想法可以在生產(chǎn)工廠中復制以消除對通行證的需求。與傳統(tǒng)的門禁卡或鑰匙相比，生物識別措施具有更高的精度。如果數(shù)據(jù)在現(xiàn)場處理，此解決方案效果最佳。

　　挑戰(zhàn)

　　當然，這樣的努力帶來了重大問題。首先，傳感器需要處于最佳狀態(tài)，并且與其他系統(tǒng)和整個系統(tǒng)兼容。不應忽視為了順利操作而連續(xù)安裝，連接和校準它們的工作。

　　接下來，通過處理單元發(fā)送的數(shù)據(jù)量是巨大的，這意味著系統(tǒng)應該為網(wǎng)絡流量做好準備，或者找到處理本地某些信息的方法，并只發(fā)送結果供進一步分析。

　　最后，存儲的圖像和現(xiàn)實之間可能會有細微的差異。系統(tǒng)的容忍度應設置得足夠低，以便正確分類對象，并且足夠高以便區(qū)分可接受和危險的情況。

　　未來發(fā)展方向

　　目前，計算機視覺算法大部分是確定性的并且是有限的，但是卻非常有用。試想一下機器學習會帶來的進步。它會告訴系統(tǒng)需要尋找什么，它將使它從過去的經(jīng)驗中學習，就像質(zhì)量保證工程師在工作中一樣。

　　在初始訓練階段和現(xiàn)場校準之后，它將能夠提供額外的功能，如面部檢測。從各種傳感器收集數(shù)據(jù)并檢測相關危險的風險是另一個潛在的方向。