近些年来,安防系统被广泛运用于各行各业,但监管效率依旧低下,人无法长时间保持高度专注可能导致事件的漏报或误报;在险情发生后用户一般只能通过监控历史视频调取进行事后追责。为解决这一难题,本文结合通用的深度学习目标检测算法构建一套支持实时分析预警的框架。本文以工厂生产安全为背景,通过工作人员是否佩戴安全帽和违禁区域入侵问题来展示本文框架在实际场景中的应用。本文的主要工作如下:实时检测画面传输的解决方案;本文采用视频流补充增强信息(SEI)与硬件编码两种方案将检测信息整合到视频流,利用分时复用的方式解决NVIDIA显卡视频编码限制,使得系统能在低成本硬件上保证检测画面传输的实时性;基于MQTT协议实现视频封装模块与可视化模块的交互,使得视频封装模块能动态响应用户浏览某一路视频流的请求,即存在请求时才进行检测信息与视频流的封装。优化视频存取策略;系统视频存储模块只针对异常事件进行响应,减少视频存储空间占用,通过缓冲实时视频流和动态分配视频复用器的方式保证视频的时效性,支持单通道多事件视频同时存储。目标检测算法的比较;对不同场景和时间段的视频进行抽帧采样并完成数据标注,针对部分行人入侵场景进行数据增强;在工厂数据集上对比通用的目标检测算法Faster RCNN和SSD,并使用Res Net50和Res Net101作为前置网络进行特征提取,通过检测速度、m AP、显存占用等指标的评估得到更适合工程化的模型组合。目标检测算法的封装;将基于深度学习的目标检测算法封装成远程过程调用服务,结合共享内存与网络通信的数据传输优势设计出高效的交互,并为多个检测服务同时调用提供负载均衡机制。降低硬件负载;通过目标追踪与帧差的策略减少目标检测服务的调用次数,使单个检测服务具备承载多路视频流检测任务的能力,确保图形计算资源的充分利用;采用NVIDIA Codec SDK实现视频流的硬解码,大幅度降低同时解码多路视频流的CPU占用率。为用户提供实时检测画面浏览、事件信息查询、摄像头添加、违禁区域绘制和检测服务绑定等功能。