业务背景
随着国民经济的不断发展，采矿、冶金、化工等行业的生产水平不断进步，物料开采运输系统也在不断应需升级，皮带运输机成为能源、冶金等行业重要的物料运输设备，是系统机械装置中的重要一环。
我国《煤矿安全规程》规定：“带式输送机应设置跑偏开关等安全保护装置”、“带式输送机的运输能力应与前置设备能力相匹配”。但目前煤矿生产作业过程中尚存以下问题：
1）皮带跑偏易造成皮带损伤、物料洒落等问题，导致安全生产事故发生。
2）传统人工监测皮带跑偏，效率低、维护成本高，影响煤矿生产的连续性。
3）皮带运输距离长、耗能大，皮带无煤空转或少煤运输的时间多，增加设备磨损，浪费运输能源。
技术方案
本案例主要是针对煤矿现场对运输皮带的隐患情况（皮带跑偏、皮带煤量、皮带静止无煤、皮带运动有煤）进行检测和分析。从技术的角度分析，皮带跑偏、皮带煤量、皮带是静止无煤还是运动有煤，其分析内容和状态均不一致。因此，在最终算法方案的选择上，选择的是AI开放平台的“物体检测模型”、“检测+分类模型”、“视频分类模型”进行训练。
算法模型训练完成后导入至边缘端设备或发布至云端，当边缘端检测到目标时，将推理结果上传给行业应用平台并将结果进行展示。另外，第三方行业平台也可以通过调用相应接口实现上层应用。
功能介绍
采用海康威视AI开放平台训练的“皮带检测”算法，实现对皮带跑偏、皮带煤量、皮带有无煤及运动状态的智能检测，并形成预警信息，实现启停控制或自动调速，同步检修进度反馈，实现大数据智能分析，达到精准管控的目标：
1）、在皮带跑偏的情况下，煤矿皮带集中控制系统进行启停控制，并配合工人检修；
2）、在皮带无煤的情况下，煤矿皮带集中控制系统进行启停控制，同时通过皮带运动状态识别判断皮带是否在运动；
3）、在皮带正常运输的情况下，煤矿皮带集中控制系统结合AI识别的煤量占比数据对皮带进行调速，实现精准配速，节能减排；
价值成果
• 助力煤矿企业安全生产
通过视觉分析技术，对煤矿现场运输皮带是否跑偏、皮带煤量占比、皮带有无煤及运动状态实现智能分析和实时预警。皮带变频器根据预警信号自动调节皮带的运行速度，减少皮带运输机磨损，降低皮带耗能，减少煤矿安全事故，助力煤矿安全生产。
• 实现全程智能化管理
实现远距离、全面的安全监管。同时依靠智能化手段，快速有效排查、治理隐患，助力煤矿安全生产水平提升。
开发流程
1、登录海康威视AI开放平台官网：https://ai.hikvision.com/
2、注册AI开放平台账号；
3、使用AI开放平台训练算法。
利用AI开放平台训练算法，主要包括以下几个步骤：
步骤1：创建项目
步骤2：数据准备
步骤3：模型训练
步骤4：模型校验
步骤5：模型部署
步骤1：创建项目
在正式开始训练之前，需要分别创建一个物体检测模型、（检测+分类）混合模型、视频分类模型，分别进入各自算法模块下，在【我的模型】界面，点击【创建模型】，进入创建模型界面，如下所示：
在填写模型名称和相关信息后，页面会回到我的模型主页面，提示“模型创建成功，若无数据集请前往数据服务创建，上传并标注数据集。训练模型后可在此处查看模型的最新版本””。
如果希望将算法和特定的AI设备绑定（需要授权文件），请勾选模型授权选项，需要注意的是，“模型授权”勾选后无法修改，需要慎重选择。
步骤2：准备数据
数据采集
素材收集在整个AI开放平台项目中是一个很关键的过程，素材质量的高低直接决定了算法模型的优劣。根据各个项目实际需求的不同，素材也可以从不同的场景与角度进行收集，达到充分覆盖现场需求场景的要求。
1） 整体要求
• 图像质量高，目标清晰可见。
• 目标的不同类别和状态，通过肉眼可以进行区分。
• 检测模式下:
1）分辨率不低于64X64，最大不超过7680X4320；
2）图片支持的格式为jpg、jpeg、png、bmp；
3）目标在720P分辨率图像上的占比不得小于32X32像素，不同分辨率按此规则折算。
• 视频分类模式下：
1）分辨率不低于1280 X 720（即720P），最大不超过3264 X 2448（即800W）；
2）720P分辨率下行为识别所关注的最小行为变化区域为100X100像素，1080P分辨率下则为150X150像素；
3）每个行为建议至少收集300起事件，训练片段中事件不要稀疏，仅截取事件发生的视频片段即可，以免影响训练效率。建议使用视频截取工具VSPlayer，如使用第三方视频截取工具，可能会产生相应的风险；
4）视频长度建议不超过10s，不小于1s，请优先使用视频剪辑工具对原始视频进行截取；行为时长要求1秒以上；
5）视频行为支持的格式为MP4，编码格式为H.264、H.265，单个视频大小不超过50MB；
6）需要采用压缩包上传的方式，每个压缩包下标签文件夹≥1，每个文件夹下视频≥20。
数据集创建
新建物体检测任务时候，首先需要创建新的数据集，具体步骤如下：
选择【数据总览】-【训练集】-【图片】-【创建训练集】，输入数据集名称，点击【确定】；
数据集创建后进行数据集版本的创建，创建数据集版本可实现数据跨算法类型和跨数据集功能，具体步骤如下：
选择【数据总览】-【训练集】，选择相应的数据集，点击【创建新版本】，选择创建方式、算法类型和标注方式，填写版本备注信息，点击【确定】。
备注：混合模型任务和视频分类模型任务的步骤如上一致，不再重复；
数据导入
海康AI开放平台提供两种数据上传方式，您可以选择通过web端或者客户端工具进行上传。以下针对物体检测任务为例，以web端为例进行操作说明：
1）在数据总览列表，选择相应的数据集版本，点击【导入】按钮，选择本地数据导入，在【选择导入方式】选择【不带标注导入】；
2）选择图片上传或文件夹上传，设置是否需要去重，选择需要上传的数据，点击【上传数据】。
3）在上传过程中可查看数据上传进度。
数据标注
本案例中检测皮带是否跑偏主要以检测托辊是否可见为标准，以画目标框的形式将图像中需要检测的目标（托辊）进行标定，并打上检测标签；标定示例图如下：
标注过程中，需要将矩形框尽可能的贴合检测目标，避免出现目标框过大过小、类别错标，漏标等。
混合任务：不仅需要以画目标框的形式将图像中需要检测的目标进行标定，同时，也需要对框选的目标添加属性以及属性值，比如检测目标标签为皮带，属性为煤量，属性值为少煤、多煤、无煤；
在数据标定的过程中，可以利用数据服务提供的功能来提升效率，使用工具栏的放大，缩小，裁剪等工具可以辅助标注。标注同一类标签时候，可以自动继承标签内容，无需人工再次选择。
标定过程中，对目标进行标注的时候，需要遵照以下规范进行：
1）目标框要求：
• 标定前请先选择标定矩形框或者四边形框；
• 目标框需紧贴目标；
• 单个目标框像素大小不低于32X32；
2）目标全标定：
• 图像中所有肉眼清晰可见，满足像素大小要求的检测对象都要标定出来，但每个目标需分开标定，一个框只标一个目标；
• 没有目标的样本，需要对整张图片标定目标框，并打上无目标标签，直接作为负样本加入训练集训练；
3）目标被遮挡/截断（目标在画中出现的比例）的标定：
• 遮挡/截断面积（目标在画中出现的比例）超过2/3以上的目标不需要标定；
• 遮挡/截断面积（目标在画中出现的比例）未超过2/3以上的目标，需要标定。遮挡部分不需要标定，按露出部分正常标定即可；
4）模糊情况下的标定：
• 人肉眼能看清的目标需要标定；
• 极端模糊的，人肉眼看不清的目标不需要标定；
5）标定方案统一：
同个项目同个功能的目标框标定区域要统一。
如果标注的内容太多，可以创建标注团队，将标注任务分发给多人一起开展。物体检测和混合任务也可以采用智能标注功能，基于当前标注阶段的标签，从用户的待标注数据中筛选具有更高标注优先级的图片，在减少标注量的同时达到接近全局标注的效果；
步骤3：模型训练
在模型训练完成后，需要在设备中进行使用。为了满足不同类型设备的要求，模型在训练时有差别，因此需要根据设备选择应用类型。
由于不同应用类型的模型不能够通用，因此在应用类型云部署、本地部署的选择上，可以根据实际的情况来配置。
云部署
云部署包含了在线验证和云眸部署两种。在线验证无法具体部署，但可以做验证模型效果时使用。云眸部署是指将训练好的算法直接部署在云端，通过接口调用的方式进行分析。这种方案不需要在项目中添加智能分析设备，但是需要对行业应用平台或第三方应用平台进行二次开发工作。
本地部署
本地部署包含了AI摄像机、AI超脑、AI服务器、AI物联网主机。
本地部署主要指将训练好的算法导入到设备中进行分析。例如AI摄像机是指将训练好的算法导入到AI摄像机内进行分析，不需要后端添加智能设备。这种方案对网络传输的带宽要求低，后端不需要添加智能设备，但是需要前端架设海康特定的AI摄像机。AI超脑、AI服务器是指将训练好的算法导入后端的智能设备中（NVR或T4 GPU服务器）进行分析。该方案前端设备仅作为数据采集的入口，所有的分析均在后端NVR中完成，对网络的带宽比较高，比较合适前端已有摄像机设备的场景。
第一步：进入物体检测模型模块后，点击“训练模型”，在训练模型界面点击“创建训练”，进入模型训练界面。
第二步：选择应用类型，模型，数据集，勾选场景集，点击“开始训练”，即可启动模型的自动训练工作。根据数据量的不同，系统会预估完成的训练时间，在此过程中，关闭或者退出页面，系统后台仍然会执行训练操作。训练完成后，在“模型训练”页签中，可以查看当前算法模型的版本及评估报告。
在评估报告中，可以通过百分比直观地看到模型性能的分析结果，如果模型性能一般，建议通过增加训练样本，同时检查标注信息的正确性（有无漏标、错标）。
步骤4：模型校验
模型校验可以从本地环境中上传图片进行临时校验，也可以通过创建测试集进行校验，下面以临时校验为例：
如模型准确率不满足预期，可在“数据集管理”步骤中添加图片并进行标注，重新进行模型训练及部署上线。
步骤5：导出/发布模型
对于小型的业务场景，可以选用AI摄像机，将训练完成的模型导出至本地路径，再将导出后的模型导入到AI摄像机中即可。对于集团化企业、中大型规模业务场景，可以选用普通摄像机 + AI超脑或者服务器的方案，将训练完成的模型导出至本地路径，再将导出后的模型导入到AI超脑或者服务器中即可。