查看“安全帽检测系统”的源代码

=教学团队=

教师：陈震，马晓东，章屹松，王蓓蓓，高英

助教：郑文勋，冯杰，宋丹丹，常嘉辉，闫泽禹，陆昕

=实验内容=

场景：在一个建设场地，为了保障人员的人身安全，需要检测工程人员是否配戴了安全帽。

目标：完成一个安全帽佩戴检测系统。学习使用TensorFlow实现计算机视觉的对象检测技术（Object Detection, OD）。

性质：属于[[计算机视觉]]，属于实验单元。

=实验时间=

校历第六~第七周（10月23日-11月12日）

=学生安排=
*组织：
#每4人一组：
#每个助教指导一组；
#现场拍照：章老师等

*要求：
#每组同学建立课程wiki；
#每组同学建立Gitlab_repo；

=实验技术=

实验步骤分为：

#佩戴安全帽照片（每位同学三张：正面，侧面和后面），也可以邀请同学贡献一下。图片格式："学号-x.png" or "学号.jpg", x为1,2,3 代表正面、侧面和后面。
#每位同学标注数据，由助教负责汇总，形成训练数据集：60 x 3 =180张照片。标注格式见 说明。
#分组选择模型、训练模型、提交模型。
#助教测试评估模型，给出结果。

==支撑技术==
TensorFlow [[Python_TensorFlow_Basics]]

[https://github.com/tensorflow/models/tree/master/research/object_detection TensorFlow_Object_Detection]

==硬件平台==

* PC平台

* PYNQ

* Android平板

* 英伟达TX1

=训练数据集=

==数据采集==

安全帽图片集

==标注图片==

参考文档

==训练==
训练的步骤参考：
[https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_locally.md Running Locally]

其中，使用自己的数据集需要生成labelmap和tfrecord：
[https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/using_your_own_dataset.md Own Dataset]

pipeline的配置文件参考：
[https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/configuring_jobs.md Pipeline]
样例包括：
[https://github.com/tensorflow/models/tree/master/research/object_detection/samples/configs config_samples]

可用的pretrain模型参考：
[https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md Model Zoo]

建议使用速度为fast的模型。



=图像获取=

以下为Windows 10平台为例。

==安装opencv==

安装Anaconda 

在https://mirrors.tuna.tsinghua.edu.cn

下载安装 opencv

 conda install -c conda-forge opencv

==python opencv== 

使用摄像头捕获视频并显示

 import cv2  
 import numpy
 import matplotlib.pyplot as plot

 imcap = cv2.VideoCapture(0)

 while(1):
    # get a frame
    ret, frame = imcap.read()
    # show a frame
    cv2.imshow("capture", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

 imcap.release()
 cv2.destroyAllWindows()

=参考=
# [http://www.tensorflow.org TensorFlow]
# W. Liu et al., SSD: Single shot multibox detector. ECCV 2016.
# Huang J et al., "Speed/accuracy trade-offs for modern convolutional object detectors." CVPR 2017