救生索安全鉤掛接偵測研究
最佳實作路徑
根據技術分析，以下是構建高可靠度救生索偵測系統的建議流程。此流程專注於解決「掛鉤特徵細小」與「背景複雜」兩大痛點。
數據採集
重點採集「假動作」數據。如：手握掛鉤靠近但未掛上、掛鉤懸空與背景重疊。
模型訓練 (YOLO)
定義兩類：lifeline (救生索), anchor (安全掛勾在錨點上)。使用 Mosaic 增強提升小物件偵測力。
邏輯後處理
設定 Confidence Threshold > 0.6。若同一畫面同時出現救生索(lifeline) 與 安全掛勾在錨點上(anchor)表示符合工安規則，若無並且沒在移動則 依工安規則發報。
邊緣部署
使用 TensorRT 量化轉檔 (FP16/INT8)。部署於 NVIDIA Jetson 或手機 APP 端。
邊緣加速晶片與 96 TOPS 性能深度分析
針對高算力需求，本報告特別聚焦於 MemryX MX3。與傳統嵌入式 SoC 相比，MX3 提供了近乎伺服器等級的 AI 推論能力。
MemryX MX3
頂級效能「權重串流」技術可讓 YOLOv9-C 在無需切換記憶體的情況下即時運作，適合多鏡頭監控系統。
Jetson Orin Nano
標準平台提供最完善的 TensorRT 支援，是部署 RT-DETR-L 的最佳環境。
Hailo-8
高效能模組RPi 5 生態系中最成熟的方案，適合單路高 FPS 安全檢測。
MTK Genio 700
整合晶片高度整合 CPU/GPU/NPU，適合工業平板電腦執行輕量化 YOLO 模型。