1.作品描述
项目简介： 使用轻量化的目标检测网络YOLOv4，并针对监控场景做出特定模型优化，使用模型量化压缩和Batch Normalization Fusion算法进行模型推理加速，结合百度云端AI平台、华为ModelArts平台进行应用算法的开发，实现了一个多功能的实时智能监控系统的模型训练和部署，及其用户端的软件和WEB设计。包括多种疫情下行人社交安全距离检测、校园监控视频学生行为分析、车辆多种违章检测等功能。 主要特点为： 1. 一键云端平台接入 使用华为ModleArts平台，提供端-边-云模型按需部署能力，快速创建和部署模型，管理全周期AI工作流。 2. 一键软件平台安装 使用Qt进行软件开发并提供WEB应用，进行检测结果的可视化，用户交互性良好，实时记录车辆信息并保存到云端数据库。 3. 一键硬件平台部署 硬件使用HiLens Kit，自带摄像头和人工智能芯片，算力达16TOPS，8GB内存，轻松应付边缘的图像推理任务。
2.创意来源
我国道路交通安全事故死亡率高居世界第一，每年死亡人数超过25万人，交通安全形势严峻。并且交通监控智能化功能单一，缺乏统一部署和有效融合，在道路监管工作中，智慧交通监管空白：（1）实时性差。深度学习模型应用在智能监控领域存在着计算复杂度高、实时性差的缺点，在复杂场景只能实现抓拍，不易留证。（2）集成度低：一个摄像头往往只能负责一个车道和一种功能，而能够同时监控多个道路的高清摄像头价格昂贵，部署成本高。（3）智能化弱：因为价格、安装和技术等原因，绝大部分监控仍依赖或部份依赖人工，数据分析困难，难免会出现错报误报。 尽管多数交通部门已建立起数字化管理系统，并采取人工抽查方式进行辅助监督。但是违章行为的排查治理、风险防控能力仍远远不足：（1）人工检查：人力成本高、效率低、存在人情漏洞等问题；（2）线上走查：覆盖不全、易疏忽、不易留证。 交通部门期望通过监控系统改造来提升自动化监管能力、节约用人成本，但是由于验证周期长、部署成本高等原因而未能落实：（1）AI技术逻辑复杂，方案串联难度大；（2）本地部署、运维难度高；（3）预研期项目预算有限，人力不足； 新一代智能监控需要效果有保障的AI能力，提升自动化交通安全监督效率，消除监控死角，应对多元化需求；并且需要灵活便捷的部署方案，降低集成和运维难度，加速深度学习落地应用的进程。因此“AI天眼”项目应运而生。
3.运行环境
进程支持Windows和Linux系统。详见附件《软件安装和使用说明书》。
