CSPVD工地安全防护检测

CSPVD SDK适用于为各种智慧工地应用增加安全防护穿戴合规的检测能力，能够有效检测未戴安全帽和未穿 安全背心的人员，提供Web API和原生API。

1、目录组织

CSPVD开发包的目录组织说明如下：

xlpr_sdk    
  | - core                      # 核心代码目录
    | - violation_code.py       # 违规代码定义
    | - violation_detector.py   # 违规识别网络
    | - violation_mixer.py      # 违规图像合成器
  | - weights                   # 预训练权重目录
    | - model.pt                # d_net权重
  | - assets
    | - hardhat.png             # 安全帽图标
    | - vest.png                # 安全背心图标  
  | - samples                   # 测试图片目录
    | - test-1.jpg                
    | - ....
  | - serve.py                  # Web UI及API服务
  | - api_test.py               # Web API调用示例代码
  | - requirements.txt          # 依赖声明文件

在第一次使用之前，首先安装依赖文件：

pip install -r requirements.txt

2、使用Web UI

执行如下命令启动Web UI：

python serve.py

然后使用浏览器访问 http://127.0.0.1:7860，即可打开Web UI。

在Web UI中打开一个图像文件，然后点击[Submit]按钮，就可以进行检测，如下图所示：

右侧的输出图像上叠加了检测到的违规信息，绿色包围框表示人员着装合规，红色包围框 表示人员着装违规，左下角的图标表示违规类别，图标含义说明如下：

图标	说明
	未戴安全帽
	未穿安全背心

输出结果为一个数组，每个成员包含如下字段：

• box: 违规人员的包围框
• codes: 违规代码。 2：未带安全帽 | 4：未穿安全背心
• conf：置信度，越高越好

CSPVD能识别各种颜色的安全帽：

CSPVD也能检测不同样式的安全背心：

3、使用Web API

api_name: /predict

输入参数：

• img_in：输入图像

输出结果：

• [0] ：输出图像文件路径
• [1] ：检测结果数组，每个成员包含如下字段： box | codes | conf

Python调用示例如下：

from gradio_client import Client, handle_file

client = Client("http://127.0.0.1:7860/")
result = client.predict(
  img_in=handle_file('./samples/test-1.jpg'),
  api_name="/predict" )
print(result)

执行结果如下：

Web API特别适合将车牌识别能力集成到Java、C#、Javascript等其他语言开发的应用中。

4、使用原生API

除了Web API，CSPVD SDK也提供了Python原生API。

4.1 合规检测器

ViolationDetector是合规检测器类，使用其predict()方法对传入的图片进行处理，并返回检测结果数据。

ViolationDetector实例的predict()调用示例代码如下：

from core import ViolationDetector
import cv2

vd = ViolationDetector()

img_in = cv2.imread('samples/test-1.jpg')
results = vd.predict(img_in)

4.2 合规检测结果合成器

ViolationMixer是检测结果合成类，使用其mix()方法将检测结果叠加到图片上，返回叠加后 的合成图片。

ViolationMixer实例的mix()方法调用示例代码如下：

from core import ViolationDetector, ViolationMixer
import cv2

vd = ViolationDetector()

img_in = cv2.imread('samples/test-1.jpg')
results = vd.predict(img_in)

vm = ViolationMixer()
img_out = vm.mix(img_in, results)