近年来,智能视频监控系统在企业中的应用越来越广泛,已从较为基础的安防领域扩展到车间生产调度领域。本课题来源于中车唐山机车车辆有限公司的实际需求,要求对车间内的9种设备(挡风玻璃安装平台、车底起重设备、真空吸盘、叉车、线排作业车、蓝色升降车、橘色升降车、黄色升降车、混色升降车)进行实时检测和跟踪。为满足企业需求,本文运用深度学习技术,设计了Workshop-YOLOV3(Workshop You Only Look Once)网络和改进Deep＿Sort(Deep Simple online realtime tracking)跟踪算法用来实现目标检测和跟踪功能。主要工作如下:1.构建机车车间9种动车生产设备图像数据集。本数据集包含45段视频和24496张图片,共计9类:挡风玻璃安装平台、车底起重设备、真空吸盘、叉车、线排作业车、蓝色升降车、橘色升降车、黄色升降车、混色升降车,其中每类视频数据集包含5段视频,每段视频时长约120s,帧率为30FPS(Frames Per Second),分辨率为1280×720;图片数据集分辨率为500×375,通过Lableimag软件进行标注,共得到34326个标注框。2.设计并实现了基于Workshop-YOLOV3网络的机车车间动车生产设备目标检测算法。通过借鉴稠密网络思想并使用GIOU(Generalized Intersection Over Union)作为边界框损失函数,设计了Workshop-YOLOV3网络。实验结果表明,相较于YOLOV3原模型(m AP=84.06%,mean Average Precision),Workshop-YOLOV3模型平均检测准确率(m AP=91.32%)提高了7.26%,特别对部分遮挡(黄色升降车)和监控视频边缘(车底起重设备)目标的检测准确率分别提高了19.78%和31.15%;Workshop-YOLOV3模型检测速度能达到25PS,满足视频监控检测实时性的要求。3.研究并实现了基于改进Deep＿Sort的机车车间动车生产设备多目标跟踪算法。本文在Deep＿Sort算法的基础上,通过借用目标位移策略进行目标关联,用最近邻目标位移量来进行多目标匹配,并采用Workshop-YOLOV3作为检测器。实验结果表明,相较于原算法(78.42%),本文改进的多目标跟踪算法(93.77%)对遮挡后又重新出现的目标跟踪准确率提升了15.35%;本文改进的多目标跟踪算法跟踪速度能达到24FPS,满足视频监控跟踪实时性的要求。